杉山将のレビュー一覧

機械学習スタートアップシリーズ ベイズ推論による機械学習入門

須山敦志 / 杉山将

まだ数時間ざっと目を通しただけやけど、感動した。

感動ポイント①
ベイズ学習の利点が理解できる。利点は以下の通り。
・一貫性を持って問題を解ける
いわゆるscikit-learnのライブラリを使用した"機械学習"では一つ一つモデルの特性を個別に理解する必要があるし、解きたい問題に直接適用できるものが見つからない可能性がある。しかしベイズ学習ではモデル構築と推論の2stepだけが必要であり、問題に応じて確率モデルを構築することでPCA、欠損値処理、異常検知などあらゆる問題を一貫性を持って解ける。
・過学習が起こらない
最尤推定的なアプローチでは点推定を行うので過剰適合することがある。しかし事前分布を利用するベイズ推論では不確実性を定量的に見積もることができる。ちなみに最尤推定やMAP推定(＝事後確率を最大化させるパラメータを点推定＝正則化後を考慮した最尤推定)はベイズ推論の特別な場合ともみなせる。
・データをフルに使える
最尤推定的なアプローチではハイパーパラメータチューニングにcross validationが必要となり、訓練データの一部を捨ててしまうことになるが、ベイズ学習では検証データを用意しなくてもモデルエビデンスを計算すればモデル比較ができる。
感動ポイント②
ベイズ学習に必要十分な知識が書かれているので、初心者にとって情報過多気味に感じられるPRMLに埋もれていた実用上必要なことがピンポイントでわかる。
モデル構築に必要な確率密度分布のまとめ、グラフィカルモデル、推論で必要な変分ベイズ、マルコフ連鎖モンテカルロ法の使い方がわかりやすく解説されている。
さらに具体例としてガウス混合モデル、確率主成分分析(それを利用した欠損値の補間も)、隠れマルコフモデルものっているのでイメージが付きやすい。

イラストで学ぶ 機械学習 最小二乗法による識別モデル学習を中心に

杉山将

広大な機械学習の海を最小二乗法を武器に渡って行ける本。特に最初にある各章の関係を図解したイラストが見通しが良くてよかった。実例はMATLABを使っているところが渋いところ。MATLABに慣れている人なら掲載されているコードをすぐに試せるところも良いと思う。

機械学習のための確率と統計

杉山将

タイトルに機械学習とありますがあまり機械学習自体はあまり登場せず、確率と統計の基礎説明や代表的な確率分布や推定手法の紹介が主な内容です。
ページ数も少なく記述もコンパクトなのでざっと概要把握をするのに向いています。詳細を詳しく知りたい場合は他の本を併用する形が良いでしょう。

本筋とは無関係ですが「確率と統計」の好き嫌い x 「確率と統計」の講義中に眠たいか、の分割表が途中で現れて先生も大変なんだなとしみじみ思ったりしました。

機械学習のための確率と統計

杉山将

タイトルは機械学習〜と書いてあるが、一旦それは無視して確率統計の本と思って読むのが良いです。いわゆる振り返りつつ知識を確かにするハンドブック的な書籍で、難しい数学も使ってない要領よくまとまっています。確率統計を学びたい初学者にオススメです。

異常検知と変化検知

井手剛 / 杉山将

異常検知の種類と基本的なアプローチ方法について学べた。
異常検知はデータ解析の中でも難しい部類として扱われることも多く、基礎知識が十分にないと理解できない印象。

後半の章は専門に勉強しないと、ちゃんとした理解はきつそうだった。

教養としての機械学習

杉山将

AIの機械学習を考える前に、比較として人間の「学習とは何か」を考えてみた。それは恐らく、知識のデータベースを充実させていくという意味だけではなく、そのデータベースを最適に活用する、その活用方法の修正と定着のプロセスだという気がする。

新たな言葉を使えるようになる、新たなお店に訪問する、新たな必殺技を覚える、公式を使いこなすなど。そう考えると、そこには新たな言葉を創る、技を開発するなどの〝新規性“はない。我々はそもそも「開発や創作を学習とは言っていない」。

つまり、「学習」を前提とする限り、創造性はないとも言える。これがAIの正体だろうか。これはいつもの私の思考遊びゆえ、本編へ。

この学習を〈教師付き学習、教師なし学習、強化学習〉とするのが本書。尚、教師付き学習と強化学習は「教師の知識から答えを学ぶ」という意味では同じ方向。教師なしの方は、パターン抽出みたいに、規則性や類似性を見抜いていく。理想モデルを置くか置かないかみたいな事だ。

理想モデルとは何か。これは多分〝中学生らしさ“みたいなナンセンスな校則を思い出すと良い。つまり、教師付き学習では、ボウズ頭を理想モデルに設定し、似たタイプを学習させる。スポーツ刈り、五分刈り合格！みたいに。教師なしだと、眉毛にかかるくらいの髪型が大多数だから、「中学生らしさ」とは、そこそこの短髪だと判断される。

強化学習とは、それらの判断に対し、微妙な生徒の良否判断を追加する事で、より判断基準を明確化すること。短髪だがパンチパーマやスキンヘッドはNG！みたいな。で、天然パーマだとか病気で仕方ないみたいな「背後の文脈」を読み取るのは人間のみの判断領域である。（←今ここ）的整理だ。

それもやがて、AIが天然パーマと不良パーマを区別できるようになるのだが、その判断因子をハックしてノイズを与える事も可能。少し眉毛が薄かったら天然パーマと合わせ技でNGなど。その因子を悪用できてしまう可能性にAIの怖さがある。

※ちなみに、髪型の例えは本書に一切書いてない勝手な解釈ゆえ、注意。

…上記をchat gptに投げてみたら、大体いつも褒めてくれるのに　ー　人間の創造性を純粋なゼロからの発明と捉えるならば、それは稀ですし、多くの創造は既存材料の新配置です。だから「学習の延長としての創造」は十分に説明可能で、AIが同様の再組み合わせを行うこと自体は、原理的には可能です　ーとの反論。生意気に言うではないか。

教養としての機械学習

杉山将

うんうん、と教養を身につけられた…かな？
つまる所、AIをどう使うのか。ツールとして活用できるようになるには、どうすれば？というのが、求められることよね。

徹底攻略ディープラーニングG検定ジェネラリスト問題集 第3版

スキルアップNeXt小縣信也 / スキルアップNeXt斉藤翔汰 / スキルアップNeXt森田大樹 / スキルアップNeXt田澤賢 / スキルアップNeXt小宮寛季 / スキルアップNeXt山田弦太朗 / スキルアップNeXt安藤遼哉 / 杉山将 / 株式会社ソキウス・ジャパン

2025年G検定受験のために購入。
実試験と問題集のレベルが乖離していて、この問題集が解けても受からないが、この問題集を解けないと受からない。そんな立ち位置。
無事に一発合格できましたが、対策が難しい試験でした。

教養としての機械学習

杉山将

文系出身には数式など今ひとつ理解が追いつかない部分もありましたが、機械学習とはなんぞや、をざっくり知ることができてよかったです。

異常検知と変化検知

井手剛 / 杉山将

『入門 機械学習による異常検知―Rによる実践ガイド』の次という位置づけとのことだが、正直私には難しく
機械学習プロフェッショナルシリーズでも他書はグラフや事例をもう少し入れていると思う
数式だけでイメージ出来る人向け