【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

オープニング

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

00:00:00 - 00:04:37

ディープラーニング入門５章()、from torchmetrics.functional import accuracyの後、accuracy(y, t)を入力すると、 TypeError: accuracy() missing 1 required positional argument: 'task'が出るのですが、エラー回避方法が分かれば教えてください。よろしくお願いいたします。

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

00:03:56 - 04:10:50

入門1：イントロダクション

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

00:04:37 - 00:16:59

入門2：手書き（ニューラルネットワーク）

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

00:16:59 - 01:49:03

みゅーん

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

00:47:58 - 04:10:50

入門3：ニューラルネットワークの基礎

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

01:49:03 - 02:10:56

入門4：ネットワークで学習

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

02:10:56 - 03:29:04

動画更新ありがとうございます、のところでy＝net.forward(x) y と入れるとNotImplementedErrorと出てしまいますどうすればよいですか？

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

02:57:20 - 04:10:50

入門5：PyTorch Lightning

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

03:29:04 - 04:07:35

エンディング

【完全版】この動画1本でディープラーニング実装（PyTorch）の基礎を習得！忙しい人のための速習コース

2022年12月17日　

04:07:35 - 04:10:50

00:00:00 - 00:00:02： 皆さんこんにちは今宮です今日の動画は 00:00:02 - 00:00:04： やばいですよ皆さんお気づきかと思います 00:00:04 - 00:00:07： がディープラーニングの理論から実装を 00:00:07 - 00:00:09： 学べる4時間越えの大ボリューム講座が 00:00:09 - 00:00:12： 出来上がりましたやばいの一言につきます 00:00:12 - 00:00:14： 皆さん一度はディープラーニングを学んで 00:00:14 - 00:00:16： みたいと思ったことあるのではない 04:07:38 - 04:07:39： でしょうか 00:00:17 - 00:00:20： 昨今のAIブームしつけ役となったD 00:00:20 - 00:00:22： プラーニングという技術を知ることは時代 00:00:22 - 00:00:24： の最先端を学ぶといっても過言ではあり 00:00:24 - 00:00:26： ませんそんなディープラーニングを学んで 00:00:26 - 00:00:27： みたいと 00:00:27 - 00:00:30： 意気込み挑戦するものの難しくて挫折して 00:00:30 - 00:00:33： しまう人が多いのも現状ですなぜディープ 00:00:33 - 00:00:35： ラーニングを学ぶ人の多くが挫折して 00:00:35 - 00:00:38： しまうので消化難しすぎるからでしょうか 00:00:38 - 00:00:40： 数学が含まれているからでしょうか 00:00:40 - 00:00:43： もちろんそれらも挫折理由には含まれます 00:00:43 - 00:00:47： が一番大きな挫折の理由は教材書籍講座の 00:00:47 - 00:00:48： 構成にあると思っています 00:00:48 - 00:00:50： ディープラーニングを学ぶとなると 00:00:50 - 00:00:52： 様々な周辺知識をインプットする必要が 00:00:52 - 00:00:54： ありますそんな中で 00:00:54 - 00:00:55： 幹ではない 00:00:55 - 00:00:57： 枝葉の部分まで盛り込みすぎてしまい結局 00:00:57 - 00:01:00： 何を理解すればいいのかわからないさっき 00:01:00 - 00:01:02： の話と今のはどこがつながっているのか 00:01:02 - 00:01:05： わからない状態になってしまうのですそこ 00:01:05 - 00:01:08： 苦手な数学初めてのプログラミングが 00:01:08 - 00:01:11： 重なるともうお手上げ状態なわけですだ 00:01:11 - 00:01:12： からこそ 00:01:12 - 00:01:14： ミッキーの部分を重点的に説明し 00:01:14 - 00:01:16： toomuchすぎない講座じゃないと 00:01:16 - 00:01:19： いけないんですもちろん本講座はしっかり 00:01:19 - 00:01:22： と幹の部分にフォーカスし理解が難しい 00:01:22 - 00:01:24： 部分を振り返し説明しているので安心して 00:01:24 - 00:01:27： 50個をいただきますまた少し話が変わり 02:44:34 - 02:44:36： ますが 00:01:28 - 00:01:30： 世の中の多くの人はディープラーニングを 00:01:30 - 00:01:33： ちゃんと理解できていませんだからこそ本 00:01:33 - 00:01:35： 講座でDプランニングを学ぶことに大きな 00:01:35 - 00:01:37： 価値があると思っていますディープ 00:01:37 - 00:01:40： ラーニングねああのすごい技術ねAIね 00:01:40 - 00:01:43： くらいの消防理解で終わるのかディープ 00:01:43 - 00:01:45： ラーニングのアルゴリズムを理解し最先端 00:01:45 - 00:01:47： 技術の裏側がイメージできるようになるの 00:01:47 - 00:01:50： かこの理解の差は皆さんの今後の仕事 00:01:50 - 00:01:52： キャリアにおいても大きな影響が出てくる 00:01:52 - 00:01:55： ことは言うまでもありません最近4人に出 00:01:55 - 00:01:58： てくる便利なAI搭載サービス裏側には 00:01:58 - 00:02:00： 大抵ディープラーニングを用いられてい 00:02:00 - 00:02:03： ますAIが使われているんだなとふわっと 00:02:03 - 00:02:05： した理解で終えるだけじゃなくよりクリア 00:02:05 - 00:02:08： なイメージを持った上でご自身の業務や 00:02:08 - 00:02:10： キャリアにつなげている方が今後必要とさ 00:02:10 - 00:02:14： れる先端人材最近よく効くDX人材に 00:02:14 - 00:02:16： なれるはずですそうは言っても 00:02:16 - 00:02:18： 数学も理解した上でディープラーニングの 00:02:18 - 00:02:20： 実装にも取り組むだなんて自分にできるか 00:02:20 - 00:02:23： なちょっと不安だなと思っている方ご安心 00:02:23 - 00:02:26： くださいしっかり腰を据えて本日の動画で 00:02:26 - 00:02:27： 学べば 00:02:27 - 00:02:29： 間違いなくディープラーニングの基礎を 00:02:29 - 00:02:31： 理解できるだけでなく 00:02:31 - 00:02:33： ご自身で実装する土台が身につきます本 00:02:33 - 00:02:36： 動画では初めて学習する方が混乱しない 00:02:36 - 00:02:39： ようたくさんの工程の中で今何をしている 00:02:39 - 00:02:42： のかを何度もお伝えしていますまた 00:02:42 - 00:02:44： イメージするのが難しいような内容も例え 00:02:44 - 00:02:46： を交えながらわかりやすくお伝えしてい 00:02:46 - 00:02:49： ますので安心してご自己くださいと 00:02:49 - 00:02:51： 言っておきながらですねなんと今回の講座 00:02:51 - 00:02:55： を担当する講師は私ではありません私の 00:02:55 - 00:02:58： 前職でもある幾何学の超優秀な投資にご 00:02:58 - 00:03:00： 依頼しました今まで多とプログラミング 00:03:00 - 00:03:03： 初心者にディープラーニングを教えてきた 00:03:03 - 00:03:06： 幾何学の知見が詰まった超優良級の講座を 00:03:06 - 00:03:09： 無料でこのチャンネルの視聴者のために 00:03:09 - 00:03:11： 作ってもらっちゃいましたマジ激アツです 00:03:11 - 00:03:14： おいおい今ニューじゃないんかと思うかも 00:03:14 - 00:03:17： しれませんがそこもご安心くださいこの 00:03:17 - 00:03:20： AI機械学習DeepLearningと 00:03:20 - 00:03:22： いう領域においては私よりもはるかに 00:03:22 - 00:03:25： 教えるのがうまいです私自身ですねAI 00:03:25 - 00:03:27： ディープラーニングなどを教えることから 00:03:27 - 00:03:30： 離れてそれこそ3年近く経ちました 00:03:31 - 00:03:33： わかりやすく教えられる自信がありません 00:03:33 - 00:03:36： 一方で私のYouTubeを普段ご覧に 00:03:36 - 00:03:38： なってくださっている方の多くはディープ 00:03:38 - 00:03:40： ラーニングを学びたいと思っていることも 00:03:40 - 00:03:43： わかってますだからこそ信頼できる前職期 00:03:43 - 00:03:46： 化学にお願いし講師を支えいただく形に 00:03:46 - 00:03:48： なりましたもし今動画をご覧になっている 00:03:48 - 00:03:51： あなたがどうにか頑張ってディープ 00:03:51 - 00:03:52： ラーニングを理解したい実装できるように 00:03:52 - 00:03:55： なりたいと思っているのであれば是非最後 00:03:55 - 00:03:57： まで見ていってくださいしかもこの動画の 00:03:57 - 00:04:00： どこかで豪華特典の 00:04:00 - 00:04:02： 場合もあります私が幾何学に無理ってこの 00:04:02 - 00:04:05： 動画を見てくださった方向けにプレゼント 00:04:05 - 00:04:07： を用意してもらいましたので楽しみにし 00:04:07 - 00:04:09： ながら学んでいきましょうということで 00:04:09 - 00:04:12： 早速講座に入っていきたいところですが私 00:04:12 - 00:04:13： から軽く 00:04:13 - 00:04:16： 講師の紹介をさせてください今回講座をご 00:04:16 - 00:04:19： 担当いただくのは広松講師ですなんとこの 00:04:19 - 00:04:21： 業界では珍しい 00:04:21 - 00:04:23： 女性講師でありしかも現役アナウンサー 00:04:23 - 00:04:26： ですアナウンサーということもあり声が 00:04:26 - 00:04:28： めちゃくちゃ聞きやすく非常に丁寧です 00:04:28 - 00:04:31： まさしく初心者には売ってつけの講師なん 00:04:32 - 00:04:34： 前置きが長くなってもあれなのでそろそろ 00:04:34 - 00:04:37： 広松講師にバトンタッチしたいと思います 00:04:39 - 00:04:41： ディープラーニングについて一緒に学んで 00:04:41 - 00:04:45： いきましょうで最初ですが私の自己紹介さ 00:04:47 - 00:04:49： 機械学習の講師をしております廣松ゆいと 00:04:49 - 00:04:50： 言います 00:04:50 - 00:04:53： 私自身がですねもともと 00:04:53 - 00:04:56： AI機械学習あとディープラーニングこう 00:04:56 - 00:04:58： いった分野について 00:04:58 - 00:05:02： 全くの未経験だったんですねで未経験の 00:05:02 - 00:05:04： 状態で幾何学に入ったという経緯があるん 00:05:05 - 00:05:09： 私自身も最初の方を思い返してみると 00:05:09 - 00:05:11： やっぱり最初って 00:05:12 - 00:05:13： 不安なんですよね 00:05:13 - 00:05:16： 初めてのことを勉強するってなるとただ皆 00:05:16 - 00:05:18： さんにちょっとこれだけをお伝えしておき 01:00:47 - 01:00:49： たいのはこの 00:05:19 - 00:05:22： ディプランニングという分野はですねもう 00:05:22 - 00:05:25： 学べば学ぶほどどんどんこう見えてくる 00:05:25 - 00:05:28： 世界が広がりますどんどんあこんなことも 00:05:28 - 00:05:30： 知りたいあんなことも知りたいでできる 00:05:30 - 00:05:32： ことが増えれば増えるほど 00:05:32 - 00:05:34： ご自身の感覚としてもどんどん面白くなっ 00:05:34 - 00:05:37： てくると思いますので最初初めて学ぶ方は 00:05:37 - 00:05:39： ちょっと不安に思ってらっしゃる方も 00:05:39 - 00:05:42： いらっしゃるかもしれませんがぜひ次は 00:05:42 - 00:05:44： どんなことを学べるんだろうとそう 00:05:44 - 00:05:46： ワクワクしながらですねこの動画を見て 00:05:46 - 00:05:49： いただければと思いますでは 00:05:49 - 00:05:51： ちょっとずつ中身の方に入っていきますね 00:05:51 - 00:05:54： まずですねこの 00:05:55 - 00:05:57： 機械学習 00:05:57 - 00:06:00： DeepLearningこの違いって皆 00:06:00 - 00:06:03： さん言葉にしっかり明確にできますかね 00:06:03 - 00:06:06： この関係性だったりとか違いっていうの 00:06:06 - 00:06:09： ちょっと動画を止めて10秒ほど考えてみ 00:06:09 - 00:06:16： てくださいいかがでしょうか 00:06:16 - 00:06:18： はいいかがでしょうか 00:06:18 - 00:06:20： AI機械学習ディープラーニングこれが 00:06:20 - 00:06:22： ですねちょっと簡単にご説明をしていき 00:06:22 - 00:06:24： ますね 00:06:24 - 00:06:28： こんな関係性になっております 00:06:28 - 00:06:31： まずこのAI人工知能というものです 00:06:31 - 00:06:35： けれどもこれあの研究者の中にも実は明確 00:06:35 - 00:06:37： な定義ってないんですね 00:06:39 - 00:06:41： 意見が分かれているというところのような 00:06:41 - 00:06:44： んですねただどの 00:06:44 - 00:06:47： 意見にも広く共通しているのが人間の 00:06:47 - 00:06:50： ノウハウをプログラミングする 00:06:50 - 00:06:53： 要はプログラミングで人間の脳波を 00:06:53 - 00:06:56： 代替してくれるものそれがこの人工知能 00:06:56 - 00:07:00： AIなんだよというこれ認識は共通してい 00:07:00 - 00:07:03： ますでその中に 00:07:03 - 00:07:06： 機械学習というものがありますこれAI 00:07:06 - 00:07:10： 人工知能の中にある手法の一つだと思って 00:07:10 - 00:07:14： くださいこれが機械学習です 00:07:14 - 00:07:17： でこの機械学習の計算方法いろいろあるん 00:07:18 - 00:07:19： 計算の仕方 00:07:19 - 00:07:21： アルゴリズムなんて言いますけどこの 00:07:21 - 00:07:23： アルゴリズムによってこのお名前が 00:07:23 - 00:07:25： いろいろ違います 00:07:25 - 00:07:28： ディープラーニングだったりサポート 00:07:28 - 00:07:30： ベクターマシンとか 00:07:30 - 00:07:32： あとは決定費とかいろいろ皆さん聞いた 00:07:32 - 00:07:34： ことあるかもしれませんけどそういった 00:07:34 - 00:07:37： ものがここに並んでくるというものなので 00:07:37 - 00:07:39： そのアルゴリズム 00:07:39 - 00:07:42： 計算方法の一つ機械学習の計算方法の一つ 00:07:42 - 00:07:44： がディープラーニングというものなんだと 00:07:44 - 00:07:46： 思ってください 00:07:46 - 00:07:49： この関係性ですね 00:07:50 - 00:07:52： 頭の隅っこでいいのでぜひ置いといて 02:13:04 - 02:13:07： いただければと思います 00:07:54 - 00:07:57： AI機械学習リプラーニングこの関係性と 00:07:57 - 00:08:00： 違いについてお伝えしました 00:08:00 - 00:08:02： でこのちょっと機械学習に 00:08:02 - 00:08:06： 焦点を当てていこうと思うんですが 00:08:06 - 00:08:09： 機械学習にはこの重要な3つのトピックが 00:08:09 - 00:08:12： ございますこれも皆さん聞いたことは 00:08:12 - 00:08:15： ございますでしょうかどう 00:08:15 - 00:08:17： でしょう教師あり学習 00:08:17 - 00:08:21： 教師なし学習そして共感学習と 00:08:21 - 00:08:24： この3つがあるんですね 00:08:24 - 00:08:26： で教師あり学習教師な私学習これはですね 00:08:28 - 00:08:30： 答えとなる教師データがあるのかないのか 00:08:30 - 00:08:35： とある方が教師あり学習ですない方が 00:08:35 - 00:08:38： 教師なし学習ですけどどちらにせよデータ 00:08:38 - 00:08:39： が重要なんですね 00:08:39 - 00:08:42： データを使って学習をしていくもの 00:08:42 - 00:08:45： 一方で共感学習というのは 00:08:45 - 00:08:49： データがないところで始められます 00:08:49 - 00:08:51： お掃除ロボットなんてこう 00:08:51 - 00:08:54： 皆さん使ってらっしゃいますかねあのお 00:08:54 - 00:08:56： 掃除ロボットを思い浮かべていただければ 00:08:56 - 00:08:57： と思うんですが 00:08:57 - 00:09:01： 細字ロボトってあるお部屋という 00:09:01 - 00:09:03： 特定の部屋というルールが決まった中で 00:09:03 - 00:09:07： それぞれ学習を進めてあここ 00:09:07 - 00:09:10： 障害物があるなとかここ壁になってるなと 00:09:10 - 00:09:11： かっていうの 00:09:11 - 00:09:12： 少しずつ 00:09:12 - 00:09:14： 学習していくんですよねでどんどん 00:09:14 - 00:09:15： どんどん賢くなって 00:09:15 - 00:09:17： 効率の良いお掃除をしてくれるというもの 00:09:17 - 00:09:21： ですがあれが共感学習の 00:09:21 - 00:09:24： 良い例かなと思います 00:09:24 - 00:09:25： データがない中でも自分でこうデータを 00:09:25 - 00:09:28： 集めていくというものですね 00:09:28 - 00:09:31： まず機械学習にはこの3つがあるというの 04:04:01 - 04:04:03： を押さえておいてください 00:09:34 - 00:09:38： 今回ですねこの教師あり学習について見て 01:48:53 - 01:48:55： いこうと思います 00:09:40 - 00:09:43： 教師あり学習ちょっとさらに詳しく見て 00:09:43 - 00:09:46： いきましょう 00:09:46 - 00:09:50： でここで学習と推論という言葉が出てき 03:28:26 - 03:28:28： ました 00:09:51 - 00:09:54： 学習度数の 00:09:54 - 00:09:55： AIとか 00:09:55 - 00:09:57： 機械学習って 00:09:57 - 00:10:00： 魔法のようにいきなり実運用できるわけで 00:10:00 - 00:10:01： はないんですね 00:10:01 - 00:10:04： ご自身のプロジェクトをご自身の会社であ 00:10:04 - 00:10:07： AI使いたいなじゃあAIちょっと買って 00:10:08 - 00:10:10： で買ってきてAIそのまま使うってそう 00:10:10 - 00:10:12： いうものじゃないんですよね 00:10:12 - 00:10:15： AIとこういったもの 00:10:15 - 00:10:18： まずが学習と 00:10:18 - 00:10:22： 推論この2つの段階が必ず 00:10:22 - 00:10:25： 必要なんですこの2つの 00:10:25 - 00:10:27： ステップを踏まないと 00:10:27 - 00:10:29： AIっていうのは実運用できません使え 00:10:29 - 00:10:33： ませんなのでまずこの学習と推論それぞれ 00:10:33 - 00:10:35： 何なのかっていうのを見ていきたいと思い 00:10:37 - 00:10:40： で今回あの教師あり学習で考えていこうと 03:57:24 - 03:57:27： 思います 00:10:43 - 00:10:45： 問題設定としては家賃の予測をちょっと 00:10:45 - 00:10:47： 取り上げてみます 00:10:47 - 00:10:49： 皆さん家賃って 00:10:49 - 00:10:52： 例えばお家を借りる時に 00:10:52 - 00:10:54： 家賃ってどういったもので決まってると 00:10:54 - 00:10:56： 思いますか 00:10:56 - 00:10:58： まぁもう書いちゃってるんですけど例えば 00:10:58 - 00:11:00： 部屋の広さだったり 00:11:00 - 00:11:01： 距離だったり 00:11:01 - 00:11:05： 治安の犯罪の発生率だったりいろんな条件 00:11:05 - 00:11:07： があると思うんですね 00:11:08 - 00:11:10： 条件をまず 00:11:10 - 00:11:11： Xとします 00:11:11 - 00:11:14： 入力値データと言ったりするんですが 00:11:14 - 00:11:16： これがXと置きますね 00:11:16 - 00:11:20： でその条件を元に 00:11:20 - 00:11:23： 実際家賃が決まっていくと思うんです 00:11:23 - 00:11:26： 部屋の広さが例えば30m2 00:11:26 - 00:11:29： 駅からの距離が100mで 00:11:29 - 00:11:32： 遅延犯罪発生率は20%ですこの場合の 00:11:32 - 00:11:35： 家賃はこれぐらいですよ 00:11:35 - 00:11:37： っていうのがこのセットになってると思う 00:11:37 - 00:11:41： んですねこれはそれぞれ入力値データと 00:11:41 - 00:11:44： 目標値データとこう呼びます 00:11:44 - 00:11:48： で実際にこれ予測値出てくる 00:29:26 - 00:29:30： 予測される 00:11:49 - 00:11:51： 家賃のことなんですがちょっと実際にです 00:11:52 - 00:11:53： 図を見て 00:11:54 - 00:11:56： ご説明していきますね 00:11:56 - 00:11:57： まずこの 00:11:57 - 00:12:01： 挿し木をお伝えして学習と推論の学習の 00:12:01 - 00:12:04： フェーズから見ていきましょう 00:12:05 - 00:12:07： 部屋の広さとか距離とかアジアとか 00:12:07 - 00:12:09： たくさんお伝えしたんですがわかりやすく 00:12:09 - 00:12:11： 1つだけ取ってきました 00:12:11 - 00:12:13： でまず 00:12:13 - 00:12:16： AIモデルにこのまだ何も学習してない 00:12:16 - 00:12:20： AIモデルに何をさせるか最初何をして 00:12:20 - 00:12:22： いくかというと 00:12:22 - 00:12:25： 部屋の広さ10m2の時は 00:12:25 - 00:12:26： 家賃は 00:12:26 - 00:12:29： 8万円ですよ 00:12:29 - 00:12:33： 部屋の広さ20メートル20m2の時は 00:12:33 - 00:12:36： 家賃は12万円ですよっていうのをこの 00:12:36 - 00:12:38： AIモデルにどんどんどんどん入れていく 03:02:28 - 03:02:29： んですね 00:12:40 - 00:12:42： どんどんどんどん入れていきますこ 00:12:42 - 00:12:45： れっていうのは今まで例えばその不動産屋 00:12:45 - 00:12:48： さんが持ってきたデータですよね 00:12:48 - 00:12:51： 持ってたデータ10m2の時8万円とつけ 00:12:51 - 00:12:54： ましたんで20m2の時102万円とつけ 00:12:54 - 00:12:56： てましたとこれ 00:12:56 - 00:12:58： きっとその不動産屋の 00:12:58 - 00:13:00： 不動産の会社の方が 00:13:00 - 00:13:03： 経験と勘でまあこれぐらいの広さだったら 00:13:03 - 00:13:05： これぐらいの値段じゃないのこれぐらいの 00:13:05 - 00:13:07： 人だったらこれぐらいの 00:13:07 - 00:13:09： 価格じゃないのっていうのでこうつけてき 00:13:09 - 00:13:13： たこれまでのデータがあるはずなんです 00:13:13 - 00:13:15： 今まで人間がつけてきた 00:13:15 - 00:13:19： 家賃ですよねこれをまず今まである今まで 00:13:19 - 00:13:23： 貯めてきたデータをたくさんAIに 00:13:23 - 00:13:24： 入れていきます 03:58:38 - 03:58:44： すると 00:13:26 - 00:13:29： AIって皆さん何でしたっけ人工知能です 00:13:30 - 00:13:31： 人間の 00:13:31 - 00:13:33： オノウハウを代わりにやってくれるわけ 00:13:34 - 00:13:39： じゃあこれ何すると思いますかAI 00:13:39 - 00:13:41： 観音言い方はお気づきかと思いますがこの 00:13:41 - 00:13:46： 10平方メートル8万円20m2こういう 00:13:46 - 00:13:48： データたくさんたくさんAIに入れること 00:13:49 - 00:13:51： AIが 00:13:51 - 00:13:52： 規則性を 00:13:52 - 00:13:55： 学習していくんですねあ10の時は8万円 00:13:55 - 00:13:59： か20の時は12万円かで30m2の時は 00:13:59 - 00:14:02： 15万円かとかいろんな規則性がわかって 00:14:02 - 00:14:06： くるわけですでこのデータを 00:14:06 - 00:14:08： 食べれば食べるほどAIっていうの賢く 00:14:08 - 00:14:09： なっていきます 00:14:09 - 00:14:11： 学習していくので 00:14:12 - 00:14:14： バイクをデータを 00:14:14 - 00:14:15： 食べた 00:14:15 - 00:14:17： AIですね 00:14:17 - 00:14:19： 賢くなっていきますで 00:14:19 - 00:14:21： 賢くなったAIのことを 00:14:21 - 00:14:22： 学習済み 00:14:22 - 00:14:25： モデルというんですねでこの学習済み 00:14:25 - 00:14:28： モデルがいよいよ実運用できる 00:14:28 - 00:14:30： AIだと思ってくださいこの推論という 00:14:30 - 00:14:33： ところが実音用のフェーズです 00:14:33 - 00:14:36： 実際に現場で使えるようになるのがこの 00:14:36 - 00:14:38： 賢くなった学習済みAIモデルというもの 00:14:38 - 00:14:41： ですでこの学習済みAIモデル何をして 00:14:41 - 00:14:44： くれるかと言いますと 00:14:44 - 00:14:47： 全く新しいお部屋ができましたと 00:14:47 - 00:14:48： 駅前に新しいマンション立って 00:14:48 - 00:14:52： 新しいお部屋ができましたとでそのお部屋 00:14:52 - 00:14:55： が15平方メートルらしいよと 00:14:55 - 00:14:57： これを学習した賢くなったAIに入れて 00:14:57 - 00:15:00： やると 00:15:00 - 00:15:02： AIはここの手の学習の経験があります 00:15:03 - 00:15:06： 規則性をしっかり 00:15:06 - 00:15:09： 学習できてるんですねということはあ15 00:15:09 - 00:15:10： 平方メートルだったら 00:15:10 - 00:15:13： 家賃は10万円ですというふうに 00:15:13 - 00:15:16： 勝手に予測をしてくれる 00:42:26 - 00:42:29： これが 00:15:18 - 00:15:19： 学習と 00:15:19 - 00:15:21： 推論のそれぞれのフェースでやっている 00:15:21 - 00:15:23： ことなんですね 00:15:23 - 00:15:26： 皆さん結構 00:15:26 - 00:15:28： AIっていうと予測あの 00:15:28 - 00:15:30： AIって言ってイメージ持たれるのが 00:15:30 - 00:15:33： 勝手に予測してくれるから便利じゃないだ 00:15:33 - 00:15:35： からうちもAI導入しようよっていう推論 00:15:35 - 00:15:36： のフェーズを 00:15:36 - 00:15:39： イメージされる方が多いんですけど 00:15:39 - 00:15:42： いきなり推論ってできないんですねこの 00:15:42 - 00:15:46： 学習でAIを十分賢くさせてようやくこの 00:15:46 - 00:15:49： 推論で実優運用のフェーズになれると 00:15:49 - 00:15:52： なので学習済みAIモデルってことはこの 00:15:52 - 00:15:54： 学習する際にとてもデータが必要になって 00:15:54 - 00:15:58： くるでデータをたくさんたくさん学習して 00:15:58 - 00:16:01： 賢くなってようやく実運用できる今まで 00:16:01 - 00:16:04： 人間が家賃決めてたんですよね経験とかで 00:16:04 - 00:16:06： 決めてたところをこの学習済みAIモデル 00:16:07 - 00:16:11： 予測値として出してくれると 00:16:11 - 00:16:12： そういったことをしているのが 00:16:12 - 00:16:14： AIだと思っていただければと思います 00:16:14 - 00:16:17： そして学習と推論というフェーズが欠かせ 00:16:17 - 00:16:22： ませんよというものでした 00:16:22 - 00:16:25： 皆さんここまでよろしいでしょうかまずは 00:16:25 - 00:16:27： AIとか機械学習Deep 00:16:27 - 00:16:28： Learningという言葉について見て 00:16:28 - 00:16:32： きましたそして実際AIってどういう風に 00:16:32 - 00:16:34： 使えるようになるのというところでこの 00:16:34 - 00:16:39： 学習と推論というところを見てきました 00:16:39 - 00:16:41： ここからですねさらに 00:16:41 - 00:16:43： 深くじゃあ 00:16:43 - 00:16:46： ディープラーニング 00:16:46 - 00:16:47： ニューラルネットワーク 00:16:47 - 00:16:49： 皆さんもお聞きになったことあると思い 00:16:49 - 00:16:52： ますこのあたりじゃあ実際どういったもの 00:16:52 - 00:16:54： なのかどういったふうに 00:16:54 - 00:16:57： 使われているのかというところを見て 00:17:02 - 00:17:05： ではここまでAIの概要をについて見てき 00:17:05 - 00:17:07： ましたでここからはですね 00:17:07 - 00:17:09： ディープラーニングについて 00:17:09 - 00:17:11： 早速理解を進めていければと思っており 00:17:11 - 00:17:14： ますでまずディープラーニングの理解に 00:17:15 - 00:17:18： ニューラルネットワークの構造というのを 00:17:18 - 00:17:20： 押さえていこうと思いますで後からご説明 00:17:20 - 00:17:23： しますがこのニューラルネットワークの 00:17:23 - 00:17:25： 層の数を増やしたものがディープ 00:17:25 - 00:17:28： ラーニングなんですねなのでまず 00:17:28 - 00:17:30： ニューラルネットワークについて見ていき 00:17:44 - 00:17:46： でここから私もあの手書きのノートを取っ 00:17:46 - 00:17:49： ていきます皆さんもですねあの理解深まる 00:17:49 - 00:17:51： と思うのでぜひ一緒にノートを撮っていっ 02:13:21 - 02:13:22： てください 00:17:54 - 00:17:56： でニューラルネットワークの中で 00:17:56 - 00:18:14： 教師あり学習ですね今回見ていきます 00:18:14 - 00:18:16： で教師あり学習なんですけれども 00:18:16 - 00:18:19： タスクが2つに分かれますで2つ書きます 00:18:32 - 00:18:37： 回帰と分類この2つに分かれます 00:18:37 - 00:18:42： でこれ違いなんですが 00:18:42 - 00:18:44： まず回帰は 00:18:44 - 00:18:46： 数値の予測です 00:18:46 - 00:18:47： 株価だったり 00:18:47 - 00:18:49： イントロダクションでお話しした家賃だっ 00:18:49 - 00:18:55： たりこういったものですね 00:18:55 - 00:18:59： て分類これカテゴリ分けです 00:19:00 - 00:19:04： 分類したクラス数だったりとかカテゴリに 00:19:04 - 00:19:05： 分けたりとか 00:19:05 - 00:19:09： 猫だとか犬だとかこういったもの 02:59:39 - 02:59:43： でそれぞれ 00:19:18 - 00:19:20： 回帰では 00:19:20 - 00:19:22： 連続値 00:19:22 - 00:19:23： 数値ですね 00:19:23 - 00:19:25： 株価だったり家賃だったりこういった連続 00:19:25 - 00:19:36： 値を求めますけども分類では 00:19:36 - 00:19:38： リサーチカテゴリーとかこういったもの 00:19:38 - 00:19:41： ですねを求めますと 03:26:17 - 03:26:19： いうことですね 00:19:44 - 00:19:46： でこのうちの 00:19:46 - 00:19:48： 回帰についてちょっと見ていこうと思い 00:20:03 - 00:20:06： で今から私ここに大きな 00:20:06 - 00:20:09： 図を書いていこうと思うので皆さんも一緒 00:20:09 - 00:20:57： に書いてみてください 00:20:57 - 00:20:59： 丸を線でつないでいってほしいんですが 00:20:59 - 00:21:11： ここはつなげないようにしてください 00:21:11 - 00:21:21： こんな感じですかね 00:21:21 - 00:21:30： ちょっと大きくしておきます 01:09:11 - 01:09:13： でこれ 00:21:33 - 00:21:35： ニューラルネットワークの構造を把握する 00:21:35 - 00:21:40： ためにまずはちょっと図を書いてみました 00:21:40 - 00:21:42： で1つずつ 00:21:42 - 00:21:44： ご紹介するとこれが 00:21:44 - 00:21:46： ニューラルネットワークというものを図で 00:21:46 - 00:21:50： 表したものだと思ってください 00:21:50 - 00:21:53： ニューラルネットワークの構造ですで 00:21:53 - 00:21:58： 丸一つをこれノードと言います 00:21:58 - 00:22:01： 濃度というものこの後実際に実装していく 00:22:01 - 00:22:04： ときにも使う言葉なので 00:22:04 - 00:22:06： 覚えておいてください 00:22:06 - 00:22:10： 濃度と言います 00:22:10 - 00:22:14： でこの最初のノード一つ一つに 00:22:14 - 00:22:15： 入力の 00:22:15 - 00:22:17： 値が入ってくると 00:22:19 - 00:22:22： x1xに 00:22:22 - 00:22:26： X3としておきましょう 00:22:26 - 00:22:31： で一番下がですね1としておいてください 00:22:31 - 00:22:43： これバイアス項というものです 00:22:43 - 00:22:44： ニューラルネットワーク構築すると 00:22:44 - 00:22:46： 勝手についてくるものだと今はそれぐらい 00:22:46 - 00:22:52： の理解で大丈夫です 00:22:52 - 00:22:56： でそれよりも大事なのがですね 02:28:27 - 02:28:28： ここですね 00:23:03 - 00:23:08： この線の上に 00:23:08 - 00:23:09： Wを 00:37:21 - 00:37:26： 書いてあげてください 00:23:18 - 00:23:22： でバイアスのところにはBと 00:23:29 - 00:23:34： これがですねそれぞれ 00:23:37 - 00:23:40： というものですねあのパラメータ 00:23:40 - 00:23:44： 的なことあるかもしれません 00:23:44 - 00:23:47： このダブルとBのことをパラメータと言い 00:23:55 - 00:23:57： これそこまで重要じゃないのでここでは 00:23:57 - 00:24:00： 書きませんがこの1本1本のことを 00:24:00 - 00:24:02： Hって言うんですねでエッジにダブルと 00:24:03 - 00:24:05： いう重みがそれぞれ 00:24:05 - 00:24:08： 割り振られていますこの重みが後々大事に 00:24:08 - 00:24:09： なってくるのでちょっと抑えておいて 00:24:13 - 00:24:17： そしてですね 00:24:17 - 00:24:19： ここ真ん中 00:24:19 - 00:24:22： ここにも割り振っておきましょう 00:24:22 - 00:24:24： ひとまずH1H2と 00:24:24 - 00:24:25： 割り振っておいてください 00:24:25 - 00:24:32： でここまたバイアスコなどで1で結構です 00:24:32 - 00:24:33： で最後はこちら 01:29:28 - 01:29:29： Yと 00:24:40 - 00:24:43： こっちに入力値をここから入れて 00:24:43 - 00:24:47： Yという最後予測を出しているこんな図に 00:24:47 - 00:24:50： なっております 00:24:51 - 00:24:53： 左からデータを流して最後ある一点の数値 00:24:53 - 00:24:56： を予測していると 00:24:56 - 00:25:00： こういったものですね 00:25:00 - 00:25:05： でこの構造のこと 00:25:05 - 00:25:07： 全結合層と 00:25:21 - 00:25:22： これは 00:25:22 - 00:25:24： 後ほど実装する際にもよく出てくる言葉な 00:25:25 - 00:25:28： ぜひ覚えておいてください 00:25:28 - 00:25:31： でここで前結合相当 00:25:31 - 00:25:33： いうものが出ました 00:25:33 - 00:25:36： 実はこのニューラルネットワークの構造 00:25:36 - 00:25:40： ってそうになってるんですね 00:25:40 - 00:25:43： で最初少し言いましたヌディープラーニン 00:25:43 - 00:25:45： グってニューラルネットワークのこのソー 00:25:45 - 00:25:47： がたくさんあるものと 00:25:48 - 00:25:50： いうふうにお伝えしました 00:25:50 - 00:25:52： なのでここの層がたくさんあるものが 00:25:52 - 00:25:54： ディープラーニングだと思っていただけれ 00:25:54 - 00:25:56： ばいいかなと思います 00:25:56 - 00:25:57： でそれぞれ層にも 00:25:57 - 00:26:21： 名前があるのでこれもご紹介しておきます 00:26:26 - 00:26:29： 最初のそう 00:26:29 - 00:26:38： これ入力そうです 00:26:38 - 00:26:39： で続いて 00:26:39 - 00:26:47： 真ん中ですね 00:26:47 - 00:26:50： これ中間層です 00:26:50 - 00:26:58： で中華そうなんですが 00:26:58 - 00:27:00： 隠れそうと 00:27:00 - 00:27:08： 言ったりもしますでこの隠れ層が 00:27:08 - 00:27:10： 英語で言うとhddenレイヤーなので 00:27:12 - 00:27:13： Hをとって 00:27:13 - 00:27:15： 先ほどここhyh2と 00:27:15 - 00:27:18： 置いたというところですね 00:27:24 - 00:27:28： 出力層です 00:27:28 - 00:27:31： 理想の際にもこのお名前結構出てくるので 00:27:31 - 00:27:34： 入力層中間層出力ソートというところも 00:27:34 - 00:27:41： 押さえておくようにしましょう 02:59:50 - 02:59:53： でですね 00:27:43 - 00:27:46： 例えば今回回帰の場合あの家賃予測でもう 00:27:46 - 00:27:49： 一度考えていこうかなと思うんですが 00:27:49 - 00:27:51： 具体的にじゃあこのニューラル 00:27:51 - 00:27:52： ネットワークどう使っていくのかという 00:27:52 - 00:27:56： ところですねで家賃予測の場合 00:28:00 - 00:28:07： Hの1に 00:28:07 - 00:28:10： Hって言いましたねXですね 00:28:10 - 00:28:13： Xの12 00:28:13 - 00:28:15： 部屋の広さが入ったり 00:28:15 - 00:28:18： Xの2に何でもいいんですが築年数とか 00:28:18 - 00:28:21： ですかね 00:28:21 - 00:28:23： あの人間が予測する時も 00:28:24 - 00:28:26： 家賃を予測するとなっても条件って色々 00:28:26 - 00:28:28： 必要になってきますよね出てたあの条件の 00:28:28 - 00:28:34： 部分です 00:28:34 - 00:28:37： 駅からの距離だったりいろいろ入ってくる 00:28:39 - 00:28:42： ここで入力する 00:28:42 - 00:28:45： これらのことを 00:28:45 - 00:28:48： 入力変数と 00:28:52 - 00:28:56： で例えばじゃあ部屋の広さが20平方 00:28:56 - 00:28:57： メートルです 00:28:57 - 00:28:58： 築年数3年です 00:28:58 - 00:29:02： 駅からの距離3分ですとかこういったもの 00:29:03 - 00:29:05： 値として入れてやると 00:29:05 - 00:29:06： 最後ここで 00:29:06 - 00:29:11： 予測が触れると行われると 00:29:11 - 00:29:14： こういう仕組みになってるんですね 00:29:14 - 00:29:17： で入力変数に対してこちら 00:29:17 - 00:29:26： にもお名前がついております 00:29:30 - 00:29:31： 値ですが 00:29:31 - 00:29:33： 目的変数と 00:29:33 - 00:29:42： こんな風に呼んだりします 02:51:37 - 02:51:47： ここまでよろしいでしょうか 00:29:47 - 00:29:50： でこの後ですね実装をしていく際にパイ 00:29:50 - 00:29:52： トーチというものを使っていくんです 00:29:52 - 00:29:55： けれどもこれパイトーチ使うときにこの 00:29:55 - 00:29:58： 前結合層ですね 00:30:04 - 00:30:06： リニアとこんな風に表します 00:30:06 - 00:30:09： 前結構想を表したいとで 00:30:11 - 00:30:22： NN.リニアで表すんですけれども 00:30:22 - 00:30:24： 今回の 00:30:27 - 00:30:32： 前結合層を表したいときどう書くかと 00:30:32 - 00:30:37： NNドットリニア 00:30:46 - 00:30:48： に1 00:30:48 - 00:30:51： こんな風に表記すると 00:30:51 - 00:30:54： これバイアスは除いた分なんですが3 00:30:54 - 00:30:56： ノードから2濃度になってますという 00:30:56 - 00:30:59： ところでこの上ですねで2濃度から1濃度 00:30:59 - 00:31:01： になってますということでこの下の部分 00:31:01 - 00:31:04： これでこの表記で 00:31:04 - 00:31:06： 今ここに書いた 00:31:06 - 00:31:16： 前結合層を表すことができます 00:31:16 - 00:31:20： で一応ですね今回あの中間層を2つ 00:31:20 - 00:31:23： 二濃度にしてますけれども中間層が 00:31:23 - 00:31:25： 入力層より小さくなきゃいけないという 00:31:25 - 00:31:28： ことはありませんでそうはカスタマイズし 03:00:28 - 03:00:42： ていきます 00:31:32 - 00:31:35： ただですねここが 00:31:35 - 00:31:40： 回帰と分類で変わってきます 00:31:40 - 00:31:42： 会議の場合出力はここ一つなんですねなの 00:31:42 - 00:31:45： でこの大図の通りになります 00:31:45 - 00:31:48： ただ例えば分類で 00:31:48 - 00:31:50： 猫を 00:31:52 - 00:31:54： るある画像を猫取り去るどれかに分類し 00:31:54 - 00:31:55： たいです 00:31:55 - 00:31:58： みたいなことになったらここが3つになっ 00:31:58 - 00:32:01： たりとかってことはあります 00:32:01 - 00:32:04： それは分類と会議の違いと思っていて 00:32:04 - 00:32:07： いただければいいかなと思いますただまあ 00:32:07 - 00:32:09： 全体としてはこの構造をまずは皆さん 00:32:09 - 00:32:10： 押さえてください 00:32:10 - 00:32:14： この構造あの実装する時にもこの構造が 00:32:14 - 00:32:17： 頭で描けてるということは非常に大切に 00:32:17 - 00:32:20： なってきますのでまずはこういう構造に 00:32:20 - 00:32:21： なってるんだなというのを抑えてみて 00:32:24 - 00:32:25： ではここではですねニューラル 00:32:25 - 00:32:28： ネットワークの構造ということで見てき 01:43:57 - 01:43:58： ポイントは 00:32:29 - 00:32:31： 入力されたこの値 00:32:34 - 00:32:38： これがそれぞれの層を通って左から右に 00:32:38 - 00:32:41： 計算をされていきます 00:32:41 - 00:32:43： で計算されて予測値が出るというところ 02:26:21 - 02:26:22： ですね 00:32:46 - 00:32:48： この後の実装のためにこの構造はしっかり 00:32:48 - 00:32:51： と押さえておくようにしましょう 00:32:51 - 00:32:54： で今 00:32:54 - 00:32:56： 左から右に計算されていくと言いました 00:32:56 - 00:32:59： じゃあその計算どういうふうに行われて 00:32:59 - 00:33:01： いるのというの 00:33:01 - 00:33:05： この後見ていきたいと思います 00:33:05 - 00:33:29： ページを書いていきますね 00:33:29 - 00:33:37： ニューラルネットワーク内の計算と 00:33:37 - 00:33:39： でまずこんな計算するんですよっていうの 00:33:40 - 00:33:43： 3つ書きますので 00:33:43 - 00:34:50： 皆さんも一緒に書いてみてください 00:34:50 - 00:34:54： ちょっと書く分量多いんですけれども 00:34:54 - 00:35:06： ステップ3まで描いてみましょう 00:35:06 - 00:35:09： はいでこの後ちょっとわかりやすくする 00:35:09 - 00:35:13： ためにですね私色分けをしておきますもし 00:35:13 - 00:35:14： 皆さんもペンあったら 00:35:14 - 00:35:17： 色分けをしてみるとわかりやすいと思い 00:35:18 - 00:35:20： ステップ1を青にしましょうかね 00:35:20 - 00:35:23： ステップ2がじゃあピンク 00:35:23 - 00:35:25： ステップ3は 00:35:25 - 00:35:30： 黄色にしておきましょう 00:35:30 - 00:35:32： ステップ1ステップにとステップ3を 00:35:32 - 00:35:34： 書いております 02:10:57 - 02:10:59： さあここからはですね 00:35:36 - 00:35:39： ニューラルネットワーク内の計算には 00:35:39 - 00:35:42： どんな種類があってどんな順序で進んで 00:35:42 - 00:35:47： いくのかというのを紹介したいと思います 00:35:48 - 00:35:50： 毎度毎度になりますがもう1回連結構想を 00:35:50 - 00:35:52： 書いていこうと思いますあのバイアスは 00:35:52 - 00:35:55： 抜きで結構ですので321の 00:35:55 - 00:36:18： 連結構想を書いてみましょう 00:36:18 - 00:36:23： それぞれつなげてやってください 00:36:23 - 00:36:24： で一つここにも 00:36:24 - 00:36:25： 丸を 01:59:03 - 01:59:05： 書いておきます 00:36:36 - 00:36:40： でこの前結合層の中にですねさっき 00:36:40 - 00:36:42： 割り振った色を 00:36:42 - 00:36:45： 書いていきたいと思いますまずここが青 00:36:45 - 00:36:49： ここも青 00:36:49 - 00:36:50： でこのノードの中に 00:36:53 - 00:36:56： ピンクと 00:36:56 - 00:37:01： で最後黄色は 00:37:01 - 00:37:05： ちょっと見にくいですね 00:37:05 - 00:37:07： 黄色の色をもうちょっと 00:37:07 - 00:37:19： 濃くしましょうか 00:37:19 - 00:37:21： ここにワイとTと 00:37:26 - 00:37:30： これYは 00:37:30 - 00:37:35： 予測値ですね 00:37:39 - 00:37:43： 目標値ですね 00:37:43 - 00:37:46： 家賃の予測っていうと 00:37:49 - 00:37:52： 20平方メートルならってこう決まってた 00:37:52 - 00:37:55： 答えとなる値です教師のデータですね 00:37:55 - 00:37:56： でも実際 00:37:56 - 00:38:05： 予測した値がこちらですね 00:38:05 - 00:38:07： じゃあ1つずつ見ていきますと 00:38:07 - 00:38:10： ステップ1のこの線形変換 00:38:10 - 00:38:15： これはこの青のここで処理するを行います 00:38:15 - 00:38:17： でこの筆戦形変換 00:38:17 - 00:38:19： はここの 00:38:19 - 00:38:20： ピンクのところ 00:38:20 - 00:38:23： 濃度の中で処理を行っております 00:38:23 - 00:38:29： 最後目的関数の計算これこの黄色です 00:38:29 - 00:38:32： で先ほどもお伝えしました計算は左から右 00:38:32 - 00:38:35： に走るんでした 04:05:05 - 04:05:07： でこの 00:38:37 - 00:38:39： 左から右に走るものこれを 00:38:39 - 00:39:00： 順電波と言います 00:39:00 - 00:39:03： この左から右方向が順電波と 00:39:03 - 00:39:14： と言いますでそれ対してですね 00:39:14 - 00:39:16： 逆方向これ逆伝播と 00:39:16 - 00:39:19： 言いますそれぞれあの10連覇で何して 00:39:19 - 00:39:20： いくのか 00:39:20 - 00:39:22： 逆電波で何していくのかっていうのはね 00:39:22 - 00:39:25： 後ほどまた詳しくご紹介するんですけれど 00:39:26 - 00:39:29： まずはこの章で 00:39:29 - 00:39:32： 押さえていきたいことこれがですね 00:39:32 - 00:39:34： 線形変換とか 00:39:34 - 00:39:35： 非政権変化とか 00:39:35 - 00:39:37： 目的関数の研鑽っていうのまずはしてるん 00:39:37 - 00:39:39： だとでこっち向きの 00:39:39 - 00:39:43： 矢印これ順電波で逆方向が逆伝播というん 00:39:43 - 00:39:46： だなとここを押さえておいていただければ 03:29:23 - 03:29:25： と思います 00:39:48 - 00:39:54： でもう一つ重要なことを言います 00:39:54 - 00:39:56： ニューラルネットワークなんですけど 00:39:56 - 00:39:59： モデルを作る最大の目的はここの 00:40:00 - 00:40:01： ステップさんの目的関数の部分にあるん 00:40:04 - 00:40:06： っていうのもニュラルネットワーク何をし 00:40:06 - 00:40:07： たいか 00:40:07 - 00:40:10： あの家賃の例で考えていただきたいと思う 03:51:52 - 03:51:59： んですが 00:40:12 - 00:40:15： もともとの教師データ目標値が20だった 01:23:44 - 01:23:49： 予測値が 00:40:18 - 00:40:20： 例えば30度出てしまいました 00:40:20 - 00:40:23： もともと20で 00:40:23 - 00:40:26： 予測値が30度出てしまったここの10 00:40:26 - 00:40:28： っていう誤差 00:40:28 - 00:40:30： ちっちゃくしたいんですね 00:40:30 - 00:40:34： ここをどんどんどんどん最小化したい最初 00:40:34 - 00:40:38： 実際値にしていきたいそのためにあの前の 00:40:38 - 00:40:38： ページで 00:40:38 - 00:40:41： Wがここに重みが乗ってるという話をし 00:40:41 - 00:40:44： ましたけれどもこの 00:40:44 - 00:40:46： Wを調整していくんです 00:40:46 - 00:40:49： 何度も順電波逆伝播というこの 00:40:49 - 00:40:53： 計算を繰り返してでこの誤差をちっちゃく 00:40:53 - 00:40:54： していく 00:40:54 - 00:40:56： でそのために最適化される値っていうのが 00:40:56 - 00:41:02： このダブルなんですね 00:41:02 - 00:41:05： ちょっとこのイメージを持って 00:41:05 - 00:41:07： ニュラルネットワークのこの計算それぞれ 00:41:07 - 00:41:10： 中見ていこうと思います 00:41:10 - 00:41:12： では実際に 00:41:12 - 00:41:14： 線形変換から見ていこうと思います 00:41:14 - 00:41:17： 線形変換どういった計算が行われているの 00:41:17 - 00:41:18： かと 00:41:18 - 00:41:22： で先ほども書いていたこの図ですね 00:41:22 - 00:41:25： にちょっとバイアスコを足してで計算の 00:41:25 - 00:41:27： 都合上XとUという文字を振っております 00:41:27 - 00:41:30： でこれを使って中身の計算を見ていきたい 00:41:30 - 00:41:34： と思いますでこの計算に必要になってくる 00:44:13 - 00:44:14： のが 00:41:36 - 00:41:38： パラメータというやつですが必要なので 00:41:38 - 00:41:40： ちょっとこれパラメーターを割り振りたい 00:41:43 - 00:41:46： ちょっと複雑になるんですがまずこの1本 00:41:47 - 00:41:51： これダブルの11です 00:41:51 - 00:41:56： でX1からU2に出てるものこれダブルの 00:41:56 - 00:42:02： 21と書いてください 00:42:02 - 00:42:05： で今度こちら 00:42:05 - 00:42:08： xの2からUの1に出る部分ですねこれ 00:42:08 - 00:42:12： ダブル12 00:42:13 - 00:42:16： いうの2に出てる方 00:42:16 - 00:42:21： これがW22と 00:42:21 - 00:42:24： でx3からUの1に出てるこちらの部分 00:42:29 - 00:42:31： ダブルの 00:42:31 - 00:42:33： 13ですかね 00:42:33 - 00:42:38： で下がダブルの23 00:42:38 - 00:42:40： ちょっとたくさんになってきましたが 00:42:40 - 00:42:42： 要はこれがダブル11 00:42:43 - 00:42:47： W12W22と 00:42:47 - 00:42:52： それぞれ重みが乗っていたんでした 00:42:52 - 00:42:57： ちょっと色変えてバイアス湖にも 00:42:57 - 00:43:01： 載せたいのでバイアスコが 00:43:01 - 00:43:03： B1と 00:43:03 - 00:43:06： B2と 00:43:06 - 00:43:09： それぞれあの見にくいのでちょっとかぶっ 00:43:09 - 00:43:10： てしまうので 00:43:10 - 00:43:13： 線を引いてますがそれぞれこの上にこの 00:43:13 - 00:43:14： ダブルの11とか 00:43:14 - 00:43:16： W21が乗ってるイメージだと思って 00:43:19 - 00:43:21： それぞれのエッジの上に乗っているとそう 00:43:21 - 00:43:23： いうイメージですね 00:43:23 - 00:43:25： はいこれを使ってじゃあ計算を書いていき 00:44:09 - 00:44:10： 各量がちょっと多くなってきますけれども 00:44:10 - 00:44:13： なんとなく皆さん何をやってるかっていう 00:44:14 - 00:44:19： お分かりいただけたかなと思います 00:44:19 - 00:44:20： これ要は 00:44:20 - 00:44:23： データと 00:44:23 - 00:44:25： 重みを 00:44:25 - 00:44:25： 単純に 00:44:25 - 00:44:28： 掛け合わせてるんですねで書きましたもの 00:44:28 - 00:44:33： を足してるだけ 00:44:33 - 00:44:35： なのでここの図で言うと 00:44:38 - 00:44:39： XとW1 00:44:39 - 00:44:41： X1とWH11 00:44:43 - 00:44:49： X2とダブルの1に 00:44:49 - 00:44:51： これがなので11にこのつながっている 01:02:29 - 01:02:30： これですね 00:44:56 - 00:44:58： X1とW1をかけ押して 00:44:58 - 00:45:01： X2とダブルの位置にを掛け合わせてそれ 00:45:01 - 00:45:03： をそれぞれ全部足したらこの 00:45:03 - 00:45:08： U1になるよというにも同様ですよと 00:45:08 - 00:45:10： データと重みを単純に掛け合わせて足し 00:45:10 - 00:45:11： てるだけです 00:45:11 - 00:45:16： なのでここの値を出したかったらそれぞれ 00:45:16 - 00:45:19： データと重みをかけて出していると 00:45:19 - 00:45:20： 単純にそういう 00:45:20 - 00:45:22： 式になっております 00:45:22 - 00:45:28： で実はこれあのベクトルの式にこんな 00:45:28 - 00:45:34： 風に表せるのはわかるでしょうか 00:45:34 - 00:45:39： ベクトル行列の計算式こんな風に 00:45:39 - 00:45:50： 表すことができますと 00:45:50 - 00:45:53： これは行列の計算をご存知の方は 00:45:53 - 00:45:55： 理解しやすいかなと 00:46:02 - 00:46:12： 書き換えてるだけなんですけれども 00:46:12 - 00:46:15： こんな感じですね 00:46:15 - 00:46:18： この式を行列の計算にまとめるとこんな風 00:46:18 - 00:46:20： になりますと行列の計算っていうのは 00:46:20 - 00:46:23： 行ける列をしていくので 00:46:23 - 00:46:29： ダブル11X1×とで多数W12x2で 00:46:29 - 00:46:34： WH3x3で足すB1というところを表現 00:46:34 - 00:46:36： しているだけなんですねそれがああいう1 00:46:36 - 00:46:38： になるよと 00:46:38 - 00:46:41： でまとめたらまあこんな風に書けますよと 00:46:41 - 00:46:45： でこれをさらに 00:46:45 - 00:46:47： じゃあ書き換えたら 02:22:58 - 02:23:00： こんな風に 00:46:52 - 00:46:55： 書いたらなんですけど 00:46:55 - 00:47:04： こうまとめることはできないでしょうかと 00:47:04 - 00:47:06： これを大きな 00:47:06 - 00:47:09： ダブルと大文字のWで表して大文字のXで 00:47:09 - 00:47:12： 表してでおもちゃ 00:47:12 - 00:47:14： 太字ですね太字のBで 00:47:14 - 00:47:16： 表して 00:47:16 - 00:47:19： で2つのUで表しているだけですちょっと 00:47:19 - 00:47:21： また書き換えたんですけどこういう 00:47:21 - 00:47:24： WxBとこんな感じに書き換えましたで 00:47:24 - 00:47:29： なんでこんなことをしたかっていうと 00:47:29 - 00:47:32： これってなんか見覚えのある 00:47:32 - 00:47:35： 式じゃないでしょうか 00:47:35 - 00:47:38： 皆さんあの中学生の時のとかってこういう 00:47:40 - 00:47:44： +bかこういう1次関数の式 00:47:44 - 00:47:47： 習いましたよね 00:47:48 - 00:47:51： 思ってじゃあこの1次関数の式ってどう 00:47:51 - 00:47:53： だったかっていうとあのグラフ書いたら 00:47:53 - 00:48:00： こんなんじゃなかったですけ 00:48:00 - 00:48:06： でこれがy=x+bってここがあの切片な 00:48:06 - 00:48:09： んだよってここがBなんだよっていうそう 00:48:09 - 00:48:10： いうのを覚えていらっしゃいますでしょう 00:48:10 - 00:48:16： かこっちこれがXとYで 00:48:16 - 00:48:19： でなんでこんなことするかっていうとここ 00:48:19 - 00:48:20： で種明かしですね 00:48:20 - 00:48:22： 線形変換と言いました 00:48:22 - 00:48:26： 線形なんですよね1000 00:48:26 - 00:48:29： Kつまりこういった式だから 00:48:31 - 00:48:34： 直線で表すことができると 00:48:34 - 00:48:38： いう式なんですなのでこのYこれx+b 00:48:38 - 00:48:40： から見てもこの 00:48:40 - 00:48:43： 直線で表せるというところで線形変換と 00:48:43 - 00:48:45： いう名前がついてますよと 00:48:45 - 00:48:47： でややこしい複雑な 00:48:47 - 00:48:49： 計算をしているように見えたんですが 00:48:49 - 00:48:52： 要はこの線形の 00:48:52 - 00:48:55： ここの式を出したいと 00:48:55 - 00:48:58： これを大出しのこの線形変換というものだ 00:48:58 - 00:49:02： と思っていただければいいかなと思います 00:49:02 - 00:49:03： まずは線形変換の 00:49:03 - 00:49:05： 計算の中身を見ました 00:49:05 - 00:49:10： ポイントはこのU1の値を出したいという 00:49:10 - 00:49:13： にはまずは 00:49:13 - 00:49:15： 入力値Xそして 00:49:15 - 00:49:18： Wのこの重みをそれぞれかけてでそれぞれ 00:49:18 - 00:49:20： 足し合わせていくバイアスまで足し合わせ 00:49:20 - 00:49:22： ていく 00:49:22 - 00:49:25： でなぜ線形変換っていうのかっていう理由 00:49:25 - 00:49:27： はこの式をちょっと変形をしていったら 00:49:27 - 00:49:29： その答えがわかります 00:49:29 - 00:49:31： 実は私たちが 00:49:31 - 00:49:33： 慣れ親しんでいたy=x+bと同じ形なん 00:49:33 - 00:49:36： ですよでaX 00:49:36 - 00:49:37： +bが 00:49:37 - 00:49:40： こういったグラフで表せたように 00:49:40 - 00:49:42： 線で直線で表せることからこれ線形変換と 00:49:42 - 00:49:44： いうんですよと 00:49:44 - 00:49:47： というお話でした 00:49:47 - 00:49:50： じゃあ続いて選挙変換終わったので非線形 00:49:50 - 00:50:13： 変換を見ていきたいと思います 00:50:13 - 00:50:16： 非線形変換がこれですねここで行うもの 00:50:21 - 00:50:25： なのでピンクで表しておきましょう 00:50:25 - 00:50:28： で非線形変換これ何をしてるか 00:50:28 - 00:50:30： 線形変化はの直線で表すことができたん 01:51:23 - 01:51:24： ですが 00:50:31 - 00:50:34： 非線形ですから 00:50:34 - 00:50:36： 直線ではないんですよね 00:50:36 - 00:50:57： こんな風に書いておきます 00:50:57 - 00:50:58： データに対する 00:50:58 - 00:51:03： モデルの表現力を高めるもの 00:51:03 - 00:51:07： 今まだ線形でしか 00:51:07 - 00:51:11： 線形でしかデータを表してないわけです 00:51:12 - 00:51:14： 線形で表すって言ったらちょっと限界が 00:51:14 - 00:51:16： あるんですよねちょっとこれグラフで書い 00:51:16 - 00:51:28： てみるとわかりやすいかもしれません 00:51:28 - 00:51:30： でここにじゃあ 00:51:30 - 00:51:32： データがまあ適当に 00:51:32 - 00:51:40： たくさんプロットしておきますが 00:51:40 - 00:51:43： たくさんそもそも 00:51:43 - 00:51:45： X1が 00:51:45 - 00:51:49： 入力値として 00:51:49 - 00:51:56： あったとします 00:51:56 - 00:51:59： でさっきの 00:52:03 - 00:52:04： 線形だと 00:52:04 - 00:52:08： 例えばですね 03:07:57 - 03:07:58： こんな感じで 00:52:13 - 00:52:16： かけるとしましょう 01:25:09 - 01:25:10： で一方で 00:52:17 - 00:52:25： 非線形だとどんなことができるかと 00:52:26 - 00:52:28： 散らばったデータ 00:52:28 - 00:52:31： もう非線形であればそのをデータの上を 00:52:31 - 00:52:41： 通ることができるんですよね 00:52:41 - 00:52:43： つまりこの 00:52:43 - 00:52:46： データをより良く表してくれるのが非線形 00:52:46 - 00:52:50： で線形は先ほどの計算線形しましたけれど 00:52:53 - 00:52:55： 直線ですからこういう散らばったデータを 00:52:55 - 00:52:58： もう全部こうあの 00:52:58 - 00:53:01： しっかり表現するっていうのは 00:53:01 - 00:53:03： 結構限界がありそうですよね 00:53:03 - 00:53:05： なのでこの 00:53:05 - 00:53:07： 表現力の高い非線形っていうのを 00:53:07 - 00:53:10： 線形変換した後に用いるこれがニューラル 00:53:10 - 00:53:12： ネットワーク内で行われている最初の方の 00:53:12 - 00:53:15： 計算です 00:53:16 - 00:53:20： さっきノートを書きました 00:53:20 - 00:53:22： ここですねこのごちゃごちゃしてるところ 00:53:22 - 00:53:24： ここだけちょっと鳥出していきたいと思い 00:53:28 - 00:53:32： 大きな丸を書いておきましょう 00:53:32 - 00:53:35： でここをエッジがこう伸びているわけです 00:53:41 - 00:53:45： U1と書いてました 00:53:47 - 00:53:51： H1と 00:53:51 - 00:53:58： 書きますでこれ何をしたいかというと 00:53:58 - 00:54:00： U1から 00:54:00 - 00:54:01： H1に 00:54:01 - 00:54:03： 変えたいんですね 00:54:05 - 00:54:08： さっき出したU1をこの線形変換で出した 00:54:08 - 00:54:10： ものでしたから 00:54:10 - 00:54:11： 非線形変換を行って 00:54:11 - 00:54:14： H1に変えたいです 00:54:14 - 00:54:18： でここで非線形変化を行うんですけれども 00:54:18 - 00:54:21： 線形変換のために 00:54:21 - 00:54:23： 行うために 00:54:23 - 00:54:39： 使う関数がございますこの関数を 00:54:39 - 00:54:41： 活性化関数と 01:47:00 - 01:47:04： こんな風に言います 00:54:47 - 00:54:50： 非線形変換を行ってくれる関数のこと 00:54:50 - 00:54:53： 活性化関数と言いますでこの活性化ガスに 00:54:54 - 00:54:56： 種類があるんですねでそれをちょっとこの 00:54:56 - 00:54:58： 後ご紹介していきますただここで押さえて 00:54:58 - 00:55:01： おいて欲しいのはまず非線形変換 00:55:01 - 00:55:05： で今までやったこの線形変化 00:55:05 - 00:55:08： でこれそもそも元をたどるとやっていたの 00:55:08 - 00:55:10： はステップ1ステップ2なんですね 00:55:10 - 00:55:12： ニューラルネットワーク内の計算でこれ純 00:55:12 - 00:55:14： 電波で計算をしていくわけですけれども 00:55:14 - 00:55:17： 最初まずこの順番で 00:55:17 - 00:55:21： 線形を行って非線形を行うとで線形って 00:55:21 - 00:55:22： いうのはこの 00:55:22 - 00:55:27： 直線で表すものに式はこんな感じでしたと 00:55:27 - 00:55:30： 線形でこのU1位という2が求まった後 00:55:30 - 00:55:33： その後非線形変換というのを行いますで 00:55:33 - 00:55:36： これでデータに対するモデルの表現力を 00:55:36 - 00:55:39： 高めたいとで非線形変化を行ってくれる 00:55:39 - 00:55:42： 関数がこの活性化関数というものです 00:55:42 - 00:55:45： でここからはこの活性化関数の中身どう 00:55:45 - 00:55:47： いったものがあるのかのご紹介をしていき 02:29:18 - 02:29:20： たいと思います 00:55:50 - 00:55:52： ではここから 00:55:52 - 00:55:55： 非線形変換を行う活性化関数をいろいろ見 00:55:55 - 00:55:58： ていきたいと思いますまず1つ目がこちら 00:56:14 - 00:56:15： sigmoid関数というものです 00:56:15 - 00:56:32： ちょっと式を書いていきたいと思います 00:56:32 - 00:56:36： このシグモイド関数ですが1+ 00:56:36 - 00:56:39： エクスポーネンシャルの 00:56:39 - 00:56:41： -U分の1となかなかちょっとややこしい 00:56:41 - 00:56:44： 意識で表されるんですが 00:56:44 - 00:57:05： グラフで書いてみるとこんな感じ 00:57:05 - 00:57:08： 位置が0から1を取るような 00:57:08 - 00:57:10： 形ですね 00:57:10 - 00:57:13： でこのシグマイド関数がその 00:57:13 - 00:57:16： 非線形変換を行う活性化関数もひとつなん 00:57:16 - 00:57:20： ですであのご紹介はしたんですがこういっ 00:57:20 - 00:57:21： たものがあるというご紹介はしたんですが 00:57:21 - 00:57:24： 実は今中間層の計算で 00:57:24 - 00:57:28： ほとんどを使われていないんですね 00:57:29 - 00:57:31： 活性化関数の1つとしてはご紹介はするん 00:57:31 - 00:57:34： ですけれどもこれは今はあんまり使われて 00:57:34 - 00:57:38： いませんっていうのもこういう問題がある 00:57:55 - 00:57:57： 購買消失問題と 00:57:57 - 00:57:59： 勾配っていうのは 00:57:59 - 00:58:04： 微分した値です 00:58:04 - 00:58:09： 微分した値でこの勾配何に使うかというと 00:58:11 - 00:58:15： 前のページでですね 00:58:15 - 00:58:16： パラメーターの 00:58:16 - 00:58:19： パラメーターをどんどん最適化していく 00:58:19 - 00:58:22： そのお話があったかと思います 00:58:22 - 00:58:24： どんどんどんどんワイとT 00:58:24 - 00:58:27： 家賃ですよね家賃の予測したものと元々の 00:58:27 - 00:58:29： 教師データ 00:58:29 - 00:58:31： 値の差を縮めていきたいこれをどんどん 00:58:31 - 00:58:34： 小さくしたいそのためにパラメーターを 00:58:34 - 00:58:37： 最適化していくでパラメータ最適化のため 00:58:37 - 00:58:39： にはパラメーターを更新するパラメータを 00:58:39 - 00:58:41： どんどん更新していくっていう作業がある 00:58:41 - 00:58:44： んですねでこのパラメーターの更新に使う 00:58:44 - 00:58:49： のがこの微分したこの勾配なんです 00:58:49 - 00:58:51： この勾配をどんどんどんどんかけていく 00:58:51 - 00:58:54： ことでパラメーターがよりいい値になって 03:29:11 - 03:29:14： いきます 00:58:56 - 00:58:58： ただこの 00:58:58 - 00:58:59： 勾配が 00:58:59 - 00:59:01： シグマイド関数を使ってしまうと 00:59:01 - 00:59:03： 消失する恐れがあると 00:59:03 - 00:59:07： だからこそあんまり今では使われない関数 00:59:07 - 00:59:09： 昔は使われてたんですが今では使われたい 00:59:09 - 00:59:11： 関数と 00:59:11 - 00:59:13： 試しにちょっとこの 00:59:13 - 00:59:16： FUこれですねこれを 00:59:16 - 00:59:19： 微分して 00:59:19 - 00:59:20： みたいと思います 01:04:16 - 01:04:17： 微分すると 00:59:22 - 00:59:29： こういう式になるんですね 00:59:29 - 00:59:33： でまた指揮者ちょっとわかりにくいので 00:59:33 - 00:59:45： グラフで表してみます 00:59:45 - 00:59:56： するとこんなグラフになります 00:59:56 - 00:59:59： これこのグラフから何が 00:59:59 - 01:00:02： 言いたいかというと最大でもこの 01:00:02 - 01:00:04： Fが取る値っていうのは 01:00:04 - 01:00:10： 0.25なんですね 01:00:10 - 01:00:13： 優が0の時に0.25 01:00:13 - 01:00:15： 取ると 01:00:15 - 01:00:17： でパラメーターの更新っていうのはこの 01:00:17 - 01:00:19： 勾配をどんどんどんどんかけていくわけ 01:00:19 - 01:00:22： ですこの微分したものをどんどんどんどん 01:00:22 - 01:00:24： かけていくわけですなので最大でも 01:00:24 - 01:00:26： 0.25ということは 01:00:26 - 01:00:29： 0.25もう仮に最大の0.25という 01:00:29 - 01:00:30： ことで 01:00:30 - 01:00:32： 0.250.25と 01:00:32 - 01:00:35： かけていくとどんどんどんどん小さな値 01:00:35 - 01:00:37： つまり0に近づいていくのがお分かり 01:00:37 - 01:00:40： いただけると思いますつまり 01:00:40 - 01:00:43： 勾配が消えるつまりパラメーターの更新が 01:00:43 - 01:00:44： できなくなる 01:00:44 - 01:00:47： でニューラルネットワークで最終的にやり 01:00:49 - 01:00:51： 目的関数で 01:00:51 - 01:00:53： 誤差をどんどん縮めていくことでしたで 01:00:53 - 01:00:55： 目的関数のこの誤差を縮めるために 01:00:55 - 01:00:57： パラメータを更新する必要がありましたよ 01:00:59 - 01:01:01： 購買が消失しちゃうとパラメータ更新でき 01:01:01 - 01:01:02： ないんです 01:01:02 - 01:01:05： だからこそこのシグマイド関数っていうの 01:01:05 - 01:01:07： は今はあんまり採用されてないとただあの 01:01:07 - 01:01:09： これまで使われてきた方法でもあるので 01:01:09 - 01:01:13： ちょっとご紹介をさせていただきました 02:30:40 - 02:30:43： でじゃあ 01:01:15 - 01:01:17： 使わないものを教えられてもというところ 01:01:17 - 01:01:20： はあると思うので今 01:01:20 - 01:01:21： 主に使われているものをご紹介していき 01:01:45 - 01:01:47： はいこちらですね 01:01:48 - 01:01:50： 非線形変換を行う活性化関数の2つ目です 01:01:53 - 01:01:57： レル関数と 01:01:57 - 01:02:00： というものがございます 01:02:00 - 01:02:29： これもうちょっと式を書いていきます 01:02:30 - 01:02:33： MAXっていうのはこれ大きい方どちらか 01:02:33 - 01:02:34： 大きい方を 01:02:34 - 01:02:41： 採用してくださいという意味です 01:02:41 - 01:02:45： でこの場合 01:02:45 - 01:02:47： 0の方が大きければ 01:02:47 - 01:02:51： 0を採用してでUの方が大きければいいを 01:02:51 - 01:03:02： 採用するということになります 01:03:02 - 01:03:05： でこれもですねちょっと式で見て 01:03:05 - 01:03:58： グラフで見ていこうと思います 01:03:58 - 01:04:06： こんな形になりますね 01:04:06 - 01:04:09： でさっき 01:04:09 - 01:04:13： 購買のお話がありました今回どうなのかと 01:04:13 - 01:04:16： 微分してみます 01:04:17 - 01:04:21： 0と1と 01:04:21 - 01:04:25： こんな風になるかと思いますこれあのUと 01:04:25 - 01:04:28： 0を比べて 01:04:28 - 01:04:30： 大きい方を採用しますので 01:04:30 - 01:04:33： 0の方が大きいのかああいうのが大きいの 01:04:33 - 01:04:36： かで取る値は変わってくるわけですが 01:04:36 - 01:04:42： これここ見ていただくと 01:04:42 - 01:04:45： 微分したら1になってるんですね 03:20:43 - 03:20:45： なので 01:04:49 - 01:04:55： 購買が 01:04:55 - 01:05:00： 安定していると 01:05:00 - 01:05:04： さっきマックスでも0.25しか 01:05:04 - 01:05:07： 購買取らなかったでこれをかけていったら 01:05:07 - 01:05:09： どんどん購買焼失してしまうよねと 01:05:09 - 01:05:11： 言ってたところを 01:05:11 - 01:05:13： レール関数使えば 01:05:13 - 01:05:15： 購買が1と 03:22:49 - 03:22:50： ということで 01:05:16 - 01:05:18： 安定してるんですね 01:05:21 - 01:05:24： このレール関数っていうのは今かなり使わ 01:05:24 - 01:05:25： れていると 01:05:25 - 01:05:27： いう側面があります 01:05:27 - 01:05:31： これがレール関数というものです 01:05:31 - 01:05:33： ディープラーニングが一躍あの注目を 01:05:33 - 01:05:36： 浴びるようになった 01:05:36 - 01:05:40： 理由の1つとしてこのレール関数が 01:05:40 - 01:05:42： 登場したというのが一つあるんですけれど 01:05:44 - 01:05:46： 微分しても購買が行って購買が消失しない 01:05:46 - 01:05:49： というところで今はこのレール関数が使わ 01:05:49 - 01:05:52： れることが多いです 01:05:52 - 01:05:55： でもう一つですね 01:05:56 - 01:05:59： 活性化関数なんですがこれまで見てきたの 01:05:59 - 01:06:01： は中間層で使われる活性化関数でしたが 01:06:01 - 01:06:05： 今度は分類の出力層で 01:06:05 - 01:06:22： 使われるものを見ていきたいと思います 01:06:22 - 01:06:33： これは今までの中間層ではなく 01:06:33 - 01:06:37： 分類の出力層で使われます 01:06:37 - 01:06:40： でまずこちらも最初に一応 01:06:40 - 01:06:42： 式は書いておきますがちょっとややこしい 01:07:03 - 01:07:05： なかなかちょっとややこしい 01:07:06 - 01:07:09： シグもシグマかなんかが出てきています 01:07:09 - 01:07:11： けれどもちょっとこれもですね図を見て 01:07:11 - 01:07:13： いただいた方がわかりやすいので 01:07:13 - 01:07:19： 図を書いていきますね 01:07:19 - 01:07:41： 出力層なのであの最後の部分です 01:07:44 - 01:07:47： 2.01.5という数値が出てきたとし 01:07:47 - 01:07:49： ますこれあの分類なので 01:07:49 - 01:07:52： 先ほどの回帰とは違って回帰の時はこの 01:07:52 - 01:07:55： 最後の出力層が一つだったと思いますで 01:07:55 - 01:07:58： 予測の数値が出てきたと思いますが 01:07:58 - 01:08:01： 分類の場合はカテゴリーを予測するという 01:08:01 - 01:08:04： ものがあったと思いますなのでAとBAに 01:08:04 - 01:08:07： ついては2.5Bについては1.5とこう 01:08:07 - 01:08:09： いう数値が出てきたと 01:08:09 - 01:08:14： しますね 01:08:14 - 01:08:16： でこれを 03:23:49 - 03:23:51： 先ほどの 01:08:20 - 01:08:22： この式に 01:08:22 - 01:08:24： 当てはめてソフトマックス関数をかけて 01:08:24 - 01:08:53： やるとするとどうなるか 01:08:53 - 01:09:01： するとこれかけた値が 01:09:01 - 01:09:03： 計算すれば出てくるんですけど 01:09:03 - 01:09:09： 0.622とか0.378 01:09:09 - 01:09:11： 濃い値になるんですね 01:09:13 - 01:09:15： 実は実は 01:09:15 - 01:09:18： 足したら 01:09:18 - 01:09:25： 1になりますね 01:09:25 - 01:09:32： これどういうことかと 01:09:32 - 01:09:35： 実はこの0.622だった0.378って 01:09:35 - 01:09:37： いうのはそれぞれのカテゴリに属する確率 01:09:37 - 01:09:41： を表してるんですねなのでAに属する確率 01:09:43 - 01:09:45： Bに属する 01:09:45 - 01:09:48： 確率は38%そんな 01:09:48 - 01:09:50： 風に出力をしてくれているということに 01:09:50 - 01:09:51： なります 01:09:51 - 01:09:54： なので確率なのでこれ足したら1になると 01:09:54 - 01:09:58： いうことになってます 01:09:58 - 01:10:01： なので2.01.5ではちょっとわかり 01:10:01 - 01:10:03： にくかったところをこのソフトマックス 01:10:03 - 01:10:05： 関数をかけることによって確率に直して 01:10:05 - 01:10:07： くれるそんな便利な関数だと思って 01:10:10 - 01:10:12： 出力される値の 01:10:12 - 01:10:14： 総和を1に正規化してるってそんな言い方 01:10:14 - 01:10:15： もできるんですけれども 01:10:15 - 01:10:18： 要は確実に直してくれる便利な関数だと 01:10:18 - 01:10:21： これよくあの分類の出力層で使うことが 01:10:21 - 01:10:22： 多いのでこれもちょっと覚えておき 01:10:28 - 01:10:31： さあそれではですね今なんかたくさんやっ 01:10:31 - 01:10:35： てきましたねちょっと戻ると今私たち見て 01:10:35 - 01:10:38： きたのはまず線形変換で 01:10:38 - 01:10:40： 直線で表せるんですよというものでしたで 01:10:40 - 01:10:43： も直線だけではデータって十分に 01:10:43 - 01:10:47： 表せませんから今度非線形変換でこういう 01:10:47 - 01:10:49： 非線形変化というものを使って直線だけ 01:10:49 - 01:10:50： じゃなくて 01:10:50 - 01:10:53： 表すために表現力を持たせようというもの 01:10:53 - 01:10:54： をしました 01:10:54 - 01:10:58： で実はここを繰り返すんですね12をこれ 01:10:58 - 01:11:02： 繰り返していくんですでその後 01:11:02 - 01:11:04： 目的関数の計算になります 01:11:04 - 01:11:07： で覚えてらっしゃいますでしょうか 01:11:07 - 01:11:08： ニューラルネットワークでやりたいのは 01:11:08 - 01:11:11： ここの目的関数なんですね 01:11:11 - 01:11:13： 目的関数でこの 01:11:13 - 01:11:15： 求まるこの誤差 01:11:15 - 01:11:17： 家賃が20 01:11:17 - 01:11:19： 予測で出た値は20だけれども 01:11:20 - 01:11:22： 目標値が10だったんですよともともと 01:11:22 - 01:11:24： 与えられてた答えとなるデータは10だっ 01:11:24 - 01:11:27： たんですよこの10という 01:11:27 - 01:11:29： 差をどんどんちっちゃくしていきたいです 01:11:29 - 01:11:32： よというのがニューラルネットワークで 01:11:32 - 01:11:34： やっていきたいことなんですね 01:11:34 - 01:11:36： でこのここを出してまず出してくれるのは 01:11:36 - 01:11:40： この目的関数の計算なので続いて目的完成 01:11:40 - 01:11:45： について見ていこうと思います 01:11:45 - 01:11:47： なかなか皆さんここまで 01:11:47 - 01:11:49： ニューラルネットワークっていうものを 01:11:49 - 01:11:51： ちょっと深く見ていってるんですがいかが 01:11:54 - 01:11:56： 複雑じゃないかと思ってらっしゃる方も 01:11:56 - 01:12:00： 多いと思うんですけれどもなんで今これを 01:12:00 - 01:12:01： 早くこう実装がしたいと思ってらっしゃる 01:12:01 - 01:12:03： 方も多いと思うんですが 01:12:03 - 01:12:07： 実装に入る前に一応理論のところを 01:12:07 - 01:12:09： 押さえておくことが非常に重要なんです 01:12:09 - 01:12:13： ねっていうのも意外と実装でこの後あの 01:12:13 - 01:12:16： パイトーチ使ってやっていくとですねあの 01:12:16 - 01:12:19： 結構簡単にできちゃうんですよ 01:12:19 - 01:12:22： それだけあの機会が裏側でこういった計算 01:12:22 - 01:12:25： とかをしてくれるんですねなので結構 01:12:25 - 01:12:26： 簡単にシンプルにできてしまうので 01:12:26 - 01:12:29： あれこれ何でなんだろうっていう 01:12:29 - 01:12:32： 疑問がそこで生まれてきてしまうと思うん 01:12:32 - 01:12:37： ですねなのでまずここで理論を抑えた上で 01:12:37 - 01:12:39： 実装することでああなるほどこれさっき 01:12:39 - 01:12:42： 言ってたややこしい計算をパッとパイと 01:12:42 - 01:12:43： 違ってくれてるんだなっていうの 03:56:40 - 03:56:41： 簡単に 01:12:45 - 01:12:47： 理解することができるかと思いますので 01:12:47 - 01:12:49： ちょっとこの順番で今させてもらってます 01:12:49 - 01:12:52： なので今ちょっとご理解 01:12:52 - 01:12:54： うーんとなくしかわからないというのでも 01:12:54 - 01:12:56： 全然問題はありませんのでなんとなくで 01:12:56 - 01:12:58： いいのでちょっと掴んでいくというのを 01:12:58 - 01:13:01： やっていきましょう 01:13:01 - 01:13:06： では目的関数今回ですねあの使っていく 02:44:23 - 02:44:24： 目的関数の 01:13:07 - 01:13:10： 損失関数というものでも目的関数と言っ 01:13:10 - 01:13:12： たらもう損失関数コスト関数を表している 01:13:12 - 01:13:17： と思っていただければ結構です 01:13:19 - 01:13:37： 少しお話ししましたが 01:13:37 - 01:13:40： この目的関数でやっていきたいのがこれ 01:13:40 - 01:13:42： 予測値はいいと目標値T 01:13:42 - 01:13:45： 家賃20万円と予測したのがもう目標値 01:13:45 - 01:13:47： もともとは10だったんですよあれ10の 01:13:47 - 01:13:52： 3あるよねこれを最小化する 01:13:52 - 01:13:59： が最小化していきたいんですね 01:13:59 - 01:14:01： でもう一つ 01:14:01 - 01:14:02： 挙式あり学習 01:14:02 - 01:14:04： 回帰と分類というものがありましたこれ 01:14:04 - 01:14:08： あの会議と分類で使う手法が目的関数 01:14:08 - 01:14:34： 異なることが多いです 01:14:34 - 01:14:38： というわけでまず海域の方からちょっと見 01:14:38 - 01:14:59： ていこうかなと思います 01:14:59 - 01:15:01： で会議なんですけれども 01:15:01 - 01:15:16： 皆既で使うこの目的関数がですね 01:15:16 - 01:15:29： 平均25差というものです 01:15:29 - 01:15:32： 英語で言うとミンスクエアードエラーと 01:15:32 - 01:15:35： これ実装の時に使うので書いておきますね 01:15:35 - 01:15:40： MSEということが多いです 01:15:40 - 01:15:49： でこれも一式を書いておきますと 01:15:49 - 01:15:52： こんな風に表せます 01:15:52 - 01:15:55： あの式を見るとねちょっとややこしいなっ 01:15:55 - 01:15:57： てさっきの 01:15:57 - 01:15:59： リール関数とかもそうだったと思うんです 01:16:01 - 01:16:02： 指揮見るとね 01:16:02 - 01:16:05： ぎょっとしてしまいますよねただこれあの 01:16:05 - 01:16:08： グラフでどれも 01:16:08 - 01:16:10： 理解していただくと結構わかりやすい 01:16:10 - 01:16:13： ところが多いのでグラフで書いてみます 01:16:13 - 01:16:17： でこれじゃあどういうことを表してるのか 01:16:17 - 01:16:18： イメージちょっとグラフで書いてみます 01:16:21 - 01:16:22： 本当にそっくりそのまま 01:16:22 - 01:16:24： 表しているわけではないんですがイメージ 01:16:24 - 01:16:25： こういうことをしてい 01:16:25 - 01:16:29： るっていうのもあるわしてみます 01:16:30 - 01:16:33： 横軸がNでで縦軸が 01:16:33 - 01:16:34： TそしてYを 01:16:41 - 01:16:46： まずTについて 01:16:46 - 01:16:49： こんなグラフが書けるとします 01:16:49 - 01:16:51： でTですから 01:16:51 - 01:16:53： 皆さんあのTっていうのはもともと与え 01:16:53 - 01:16:55： られてたデータでしたね 01:16:55 - 01:16:57： もともと与えられてた 01:16:57 - 01:17:00： 教師データでしたなので 01:17:04 - 01:17:07： 家賃で言うじゃあ20平方メートルだっ 01:17:07 - 01:17:10： たら10万円30平方メートルだったら 01:17:10 - 01:17:12： 20万円って元々この決まってたセットの 01:17:12 - 01:17:14： データがあったと思いますがあれが 01:17:14 - 01:17:16： それぞれこうデータちょっとプロットして 01:17:20 - 01:17:25： で一方でじゃあこのYですねY 01:17:25 - 01:17:28： もともとの教師データがこうだったのにも 01:17:29 - 01:17:34： 実際出た予測値データが 01:17:37 - 01:17:39： ずれていた 01:17:40 - 01:17:42： ずれるでしょうと 01:17:42 - 01:17:46： で私たちがこの目的関数これやりたいこと 01:17:46 - 01:17:51： が何かというと 01:17:51 - 01:17:56： ここの 01:17:58 - 01:18:09： 誤差があると思うんですねここ 01:18:09 - 01:18:11： ここをどんどん縮めていきたいんですね 01:18:11 - 01:18:13： これをどんどんゼロに 01:18:13 - 01:18:15： 近づけていきたい 01:18:17 - 01:18:20： 予測値Yでたけれどもこれずれてるわけ 01:18:20 - 01:18:23： ですもともとのこのTからなのでここの 01:18:24 - 01:18:26： グラフできるだけこのTに寄せたいわけ 01:18:26 - 01:18:30： ですつまりはこの誤差を縮めていきたい 01:18:32 - 01:18:36： ここでやっていくことってなんとなく 01:18:36 - 01:18:40： わかりますかねTとyのこの誤差を全て 01:18:40 - 01:18:43： 足してるんですね 01:18:43 - 01:18:46： でこのすべて足したものができるだけ 01:18:46 - 01:18:49： 小さくなってほしいとで全て全て出して 01:18:49 - 01:18:51： いるので 01:18:51 - 01:18:52： 割ってるんですけれども平均を取ってる 01:18:52 - 01:18:54： わけですけれども 01:18:54 - 01:18:56： でまぁちなみに2乗してるのはTとyの 01:18:56 - 01:19:01： 大きさ大小マイナスっていうのを 01:19:01 - 01:19:03： 考慮しないために2乗しているだけなん 01:19:04 - 01:19:07： ではここの大きさをどんどんどんどん 01:19:07 - 01:19:09： ちっちゃくしていきたいというのは 01:19:09 - 01:19:10： ニューラルネットワークでやっていきたい 01:19:10 - 01:19:12： ことですでここの大きさはどんどん 01:19:12 - 01:19:14： ちっちゃくするっていうのはこの 01:19:14 - 01:19:16： キーとyの差を縮めてる 01:19:16 - 01:19:18： ことだと思っていただければいいかと思い 01:19:20 - 01:19:24： これが海域でやって会議で用いる目的関数 01:19:24 - 01:19:27： がやっていることです 01:19:27 - 01:19:29： じゃ一方で回帰ときたら分類がありますよ 01:19:30 - 01:19:55： ちょっと分類についても見ていきましょう 01:19:55 - 01:19:59： 分類がですね今 01:19:59 - 01:20:02： 平均25差というのを回帰で使いました 01:20:02 - 01:20:16： けれども今度か 01:20:16 - 01:20:17： 交際エントロピーというものを使っていき 01:20:25 - 01:20:27： これもまた実装で 01:20:27 - 01:20:34： 使っていくので英語表記も書いておきます 01:20:34 - 01:20:40： でこれもですね一応 01:20:40 - 01:20:42： 例のごとく式を書いていきますが 01:20:42 - 01:21:41： 結構ややこしいです 01:21:41 - 01:21:44： はいたくさん 01:21:44 - 01:21:47： 組織が出てきましたけれどもこっちからお 01:21:47 - 01:21:50： 伝えしておくと 01:21:50 - 01:21:54： これあのこの記号なんですが 01:21:54 - 01:21:57： 0から1を 01:21:57 - 01:22:01： このyncというのは取りますよと 01:22:03 - 01:22:05： こちらの括弧 01:22:05 - 01:22:07： これはですね 01:22:07 - 01:22:12： 0か1を取りますよとそんな風に表して 01:22:19 - 01:22:22： で分類ですからいくつかのクラスに分類 01:22:22 - 01:22:26： するんですね 01:22:26 - 01:22:29： 例えばじゃあこういうちょっと図で書いた 01:22:29 - 01:22:35： 方がこちらもわかりやすいと思うので 01:22:36 - 01:22:39： ABCD4クラスに分類したいという 01:22:39 - 01:22:52： そんな問題設定でいきましょう 01:22:52 - 01:22:54： ABCDの4クラスありましたでこれも 01:22:56 - 01:23:12： 濃度を書いていこうと思います 01:23:16 - 01:23:19： CDについて 03:46:31 - 03:46:32： なんですが 01:23:22 - 01:23:23： Aは1 01:23:23 - 01:23:24： bは2 01:23:24 - 01:23:27： cは3Dは4とまあざっくりこんな感じで 01:23:27 - 01:23:28： 出ましたと 01:23:28 - 01:23:33： しますで分類の時は最後出力層何をするん 01:23:33 - 01:23:34： でしたっけ 01:23:34 - 01:23:36： 皆さん覚えてますでしょうかそう 01:23:36 - 01:23:38： ソフトマックス関数をかけるというのが 01:23:38 - 01:23:41： ありました 01:23:41 - 01:23:44： でソフトマックス関数をかけたら最終的に 01:23:49 - 01:23:51： これ計算すればわかるんですがaが 01:23:57 - 01:23:59： Cが 01:24:01 - 01:24:02： Dが 01:24:02 - 01:24:05： 0.64という値になりました 01:24:06 - 01:24:08： これあのソフトマックス関数かけてます 01:24:08 - 01:24:10： からあれですねパーセンテージで出てる 01:24:12 - 01:24:15： でこちら予測値を 01:24:17 - 01:24:19： 置いておきます 01:24:19 - 01:24:22： で今は予測は出たんですがそもそもの目標 01:24:24 - 01:24:26： どうだったかと 01:24:26 - 01:24:28： いうとこれT 01:24:28 - 01:24:33： Tですねこれが 01:24:33 - 01:24:35： こんな風になっていました 01:24:35 - 01:24:37： つまりは正解のクラスがDだったという 01:24:37 - 01:24:41： ことですねこれ 01:24:41 - 01:24:44： でこのちょっと複雑な式なんですけどこの 01:24:44 - 01:24:48： 目標値Tを入れると 01:24:48 - 01:24:50： 分かりやすいかと思います 01:24:50 - 01:24:52： 目標値これまTが 01:24:52 - 01:24:55： 0ですから 01:24:55 - 01:24:56： Lも 01:24:56 - 01:24:59： もう全部0になってしまうわけですね 01:24:59 - 01:25:02： T0だったらLが 01:25:02 - 01:25:09： この目的関数Lの答えは全部0になります 01:25:10 - 01:25:13： 1だったら 01:25:13 - 01:25:15： 皆さん行われますから 01:25:18 - 01:25:21： 生きるんですよねこのあたりが 01:25:21 - 01:25:26： なのでこれが今0.64とYが0.64な 01:25:26 - 01:25:28： ので結果 01:25:32 - 01:25:35： -60.64ってなるのかな 01:25:35 - 01:25:38： これ計算すると0.44とこれが値になる 01:25:40 - 01:25:43： どういうことかというと正解に 01:25:43 - 01:25:44： 対するものだけ 01:25:45 - 01:25:46： 値が出るように 01:25:46 - 01:25:47： うまいことになってるわけです正解じゃ 01:25:47 - 01:25:49： ないものはもう全然 01:25:49 - 01:25:50： 算出はされず 01:25:50 - 01:25:52： 正解に対するものだけ値が出てくるとで 01:25:52 - 01:25:53： この値をどんどんどんどんちっちゃくする 01:25:53 - 01:25:56： のが私たちがやっていきたいことという 02:49:49 - 02:49:51： ことですね 01:25:59 - 01:26:01： っていうまぁまぁちょっと若干ややこしい 01:26:01 - 01:26:05： 中身はややこしいんですけれども 01:26:05 - 01:26:09： まあ実質的に的にこの目的関数でやりたい 01:26:09 - 01:26:10： のは 01:26:10 - 01:26:12： 目的資格で出た値をどんどんちっちゃくし 01:26:12 - 01:26:15： ていきたいということなので 01:26:15 - 01:26:17： 実装であるときはもうちょっと簡単にでき 01:26:17 - 01:26:20： ますでも中身ではこういうちょっと複雑な 01:26:20 - 01:26:22： 式が動いてるんだなということなんとなく 01:26:22 - 01:26:27： ご理解いただければいいかなと思います 01:26:28 - 01:26:30： 皆さんここまでたくさんやってきました今 01:26:30 - 01:26:32： 分類やりました 01:26:32 - 01:26:34： 会期やりました何をしてきたかって言っ 01:26:34 - 01:26:36： たらそもそもこの目的関数というものでし 01:26:37 - 01:26:40： で目的関数の 01:26:40 - 01:26:43： で出すのがここですね予測値Yと目標値T 01:26:43 - 01:26:46： の差これをどんどんどんどん小さくして 01:26:46 - 01:26:48： いきたいんですね 01:26:48 - 01:26:52： でまず皆既では使うのは平均25差とここ 01:26:52 - 01:26:55： の差をどんどんどんどんここの3求めて 01:26:55 - 01:26:57： どんどんどんどんこれをちっちゃくして 01:26:57 - 01:26:58： いくと 01:26:58 - 01:27:02： いうものでしたし分類では 01:27:03 - 01:27:05： 正解の 01:27:05 - 01:27:07： クラスを入れればこの値が出てこの値を 01:27:07 - 01:27:10： どんどんちっちゃくするというもの交際に 01:27:10 - 01:27:11： トロピーというものを使いますということ 03:54:04 - 03:54:06： でした 01:27:14 - 01:27:17： でこの目的関数っていうのがこのステップ 01:27:17 - 01:27:20： 3だったんですね 01:27:20 - 01:27:22： でステップ3があるということはステップ 01:27:22 - 01:27:23： にもあったし 01:27:23 - 01:27:26： ステップ1もあったわけです 01:27:27 - 01:27:29： 今これとこれとこれ 01:27:29 - 01:27:31： ニューラルネットワーク内の計算のこの順 01:27:31 - 01:27:34： 電波の部分を見てきました 01:27:34 - 01:27:37： これでようやく準電波の計算が一通りご 01:27:37 - 01:27:39： 紹介が終わりました 01:27:39 - 01:27:40： ここからやっていくのが 01:27:40 - 01:27:42： 逆伝播です 01:27:42 - 01:27:44： 逆電波の計算 01:27:44 - 01:27:49： ここをやっていきたいと思います 01:27:49 - 01:27:51： やることが多いですけれどもついてきて 01:27:51 - 01:27:54： ください頑張っていきましょう 01:27:54 - 01:27:56： ちょっと逆伝播ですけれども最初ちょっと 01:27:56 - 01:28:12： 大枠をご紹介します 01:28:12 - 01:28:15： はいで逆連覇ご紹介する 01:28:15 - 01:28:16： 際にですね 01:28:17 - 01:28:19： ニューラルネットワークの構造を簡単に 01:28:19 - 01:28:22： 書いておきます321でバイアスなしで 01:28:22 - 01:28:40： 結構です 01:28:40 - 01:28:43： でおさらいになりますが今ずっとステップ 01:28:43 - 01:28:46： 1ステップにステップ3で見てきた計算 01:28:46 - 01:28:49： っていうのが 01:28:49 - 01:29:02： 順電波でやっていくことでしたね 01:29:02 - 01:29:06： で今度は逆です 01:29:06 - 01:29:10： 逆なので 01:29:10 - 01:29:19： 逆伝播と言います 01:29:19 - 01:29:23： 要はここで目的関数の計算まで行ってその 01:29:23 - 01:29:26： 後ですで目的関数の計算を行うということ 01:29:29 - 01:29:29： Tの 01:29:29 - 01:29:33： 誤差を出せたんですよねその誤差を 01:29:33 - 01:29:35： ちっちゃくしたいよというモチベーション 01:29:36 - 01:29:39： でこの逆伝播走っていきますこの誤差 01:29:39 - 01:29:41： どんどんちっちゃくするために 01:29:41 - 01:29:43： ここでパラメーターを更新していくんです 01:29:43 - 01:29:45： ねパラメータここにいっぱいありました 01:29:47 - 01:29:49： これ最初パラメーターであのランダムの値 01:29:49 - 01:29:52： が与えられてるんですねなのでランダムな 01:29:52 - 01:29:54： 値でを 01:29:54 - 01:29:57： 用いて出されたこの目的関数のこの答え 01:29:57 - 01:29:59： あたりですよねこれをまあもともと 01:29:59 - 01:30:01： ランダムですからもっともっといいものに 01:30:01 - 01:30:04： 最適なものに変えていく 01:30:04 - 01:30:06： つまりこれはパラメーターの更新という 01:30:06 - 01:30:08： ことですけどパラメータの交渉していくの 01:30:08 - 01:30:11： がこの逆伝播でやっていきたいこと 01:30:12 - 01:30:15： 今から使っていくキーワードをいくつかご 01:30:15 - 01:30:31： 紹介していこうと思います 01:30:31 - 01:30:38： まず最終降下法と 01:30:38 - 01:30:47： これがね長いんですよ 01:30:47 - 01:30:54： 確率的 01:31:01 - 01:31:18： でもう一つ書いておきましょうかね 01:31:18 - 01:31:28： 誤差逆電波法 01:31:29 - 01:31:31： これから使っていくキーワードちょっと 01:31:31 - 01:31:36： 出しております 01:31:36 - 01:31:37： で改めてですけど 01:31:37 - 01:31:39： 逆電波では 01:31:39 - 01:31:41： パラメータを最適化していきたいんですね 01:31:41 - 01:31:43： そのために 01:31:43 - 01:31:46： 更新をパラメータの更新を行っていきます 01:31:46 - 01:31:49： なんでそんなことするのこれも皆さんお 01:31:49 - 01:31:53： 分かりですかねここのティートYの差を 01:31:53 - 01:31:54： 縮めるために 01:31:54 - 01:31:56： パラメータを最も良いものにしていくと 01:31:56 - 01:32:00： いうことでした 01:32:01 - 01:32:04： ニューラルネットワークこの構造はモデル 01:32:04 - 01:32:07： を組んだ時にパラメーターは自動的にこう 01:32:07 - 01:32:09： 乱数でこう 01:32:09 - 01:32:11： 与えられてるんですねでたらめの値が与え 01:32:11 - 01:32:14： られてると思ってくださいなので 01:32:14 - 01:32:16： 決していい値ではないんですこの最初に 01:32:16 - 01:32:18： 与えられてるパラメーター 01:32:18 - 01:32:21： なので最初に予測を出したとしてもTと 01:32:21 - 01:32:23： かなりかけ離れてることが多い 01:32:23 - 01:32:25： 予測もちょっとでたらめな値が出てしまう 01:32:25 - 01:32:28： と全然当たらないわけです 01:32:28 - 01:32:31： なので予測がうまくできるように予測 01:32:31 - 01:32:32： うまくいくっていうことはこの差が小さい 01:32:32 - 01:32:34： ということですよねそのためにパラメータ 01:32:34 - 01:32:36： を更新していきます 01:32:36 - 01:32:42： それが逆伝播でやりたいことです 01:32:42 - 01:32:46： でこの逆電波でパラメーターを 01:32:46 - 01:32:47： 抑えていく化するためにこのパラメータ 01:32:47 - 01:32:50： 更新すると言いましたらそれに違う使うの 02:24:37 - 02:24:39： がこの 01:32:58 - 01:32:59： 請求効果法の 01:32:53 - 01:32:58： SGDというものです 01:32:59 - 01:33:03： SGDというものを使ってパラメーターを 01:33:03 - 01:33:05： 更新していきます 01:33:05 - 01:33:08： でちなみにこのSGDを使うために 01:33:08 - 01:33:11： 誤差逆電波法というものがあってでそこで 01:33:11 - 01:33:13： 連鎖率というものを使われますよというま 01:33:13 - 01:33:15： あこういう関係性になっているんです 01:33:15 - 01:33:18： けれども今一番大事なのはここ 01:33:18 - 01:33:21： パラメーターの更新に必要なのがこの 01:33:21 - 01:33:24： SGTという方法です 01:33:24 - 01:33:26： 最強効果法っていうのは 01:33:26 - 01:33:28： 昔からあっていろんな 01:33:28 - 01:33:31： 種類のものがあるんですけれどもこの後出 01:33:31 - 01:33:32： てくる 01:33:32 - 01:33:34： ミニバッジ学習っていうことがあるんです 01:33:34 - 01:33:37： ミニバチ学習に対応させたのがこのSGD 01:33:37 - 01:33:38： だと思ってください 01:33:38 - 01:33:40： ミニバチ学習については後ほどご紹介し 01:33:42 - 01:33:44： ではこの 01:33:44 - 01:33:47： 言葉だけが先走っているこの最近 01:33:47 - 01:33:49： 効果法ですが一体どんなものなのか説明を 02:49:56 - 02:50:15： していきます 01:34:11 - 01:34:18： 効果法と 01:34:18 - 01:34:20： これ最近効果法ってあのパラメーター講師 01:34:20 - 01:34:23： のために行うものですではどんなものなの 01:34:23 - 01:34:26： かこれはねあのグラフを書いた方がわかり 01:34:26 - 01:34:28： やすいので皆さんもぜひ一緒にグラフを 01:34:28 - 01:34:31： 書いてみましょう 01:34:31 - 01:34:33： 大きめに取った方がいいかもしれないです 01:34:36 - 01:34:40： で横軸がWで 01:34:40 - 01:34:47： 軸がLで 01:34:47 - 01:34:51： こうしましょうか 01:34:51 - 01:34:54： あくまでイメージです 01:34:54 - 01:34:55： イメージこんなことをしてますよというの 01:34:55 - 01:34:59： をおかけしたいと思います 01:34:59 - 01:35:01： でまず最強効果法の 01:35:01 - 01:35:24： 順番なんですが 01:35:24 - 01:35:26： 最初オパラメーターの値ってランダムだと 01:35:26 - 01:35:29： お伝えしましたなのでランダムに初期値 01:35:29 - 01:35:31： ダブルの0番目を 01:35:31 - 01:35:34： 求めたいと思います 01:35:34 - 01:35:37： なのでランダムでいいので 01:35:37 - 01:35:40： 適当にこの辺りを 01:35:40 - 01:35:49： ダブルの0だとしましょう 01:35:50 - 01:35:53： 次に 01:35:53 - 01:35:54： 言葉だけが 01:35:54 - 01:35:56： 先ほどもご紹介ありましたけど 01:35:56 - 01:35:59： 購買よ 01:36:02 - 01:36:05： で公倍ってあの微分したものでそのグラフ 01:36:06 - 01:36:08： の傾きのことですね 01:36:11 - 01:36:15： 傾きこんな風にまとめます 01:36:15 - 01:36:18： それぞれあの微分したものというところ 01:36:18 - 01:36:22： ですが今回この値がじゃあこの地点におい 01:36:25 - 01:36:26： プラス5だったとします 01:36:26 - 01:36:30： で傾きがプラス5ですから 01:36:30 - 01:36:40： 例えばこんなグラフが書けるわけですね 01:36:41 - 01:36:42： 皆さんここで 01:36:42 - 01:36:44： 本来の目的に立ち返っていただきたいと 01:36:44 - 01:36:45： 思います最近 01:36:45 - 01:36:47： 効果を失礼しました 01:36:47 - 01:36:50： 請求効果法で何がしたいかと 01:36:50 - 01:36:53： では目的関数を最小化 01:36:53 - 01:36:55： 目指したかったですよね 01:36:55 - 01:36:57： 目的関数ってどんどんどんどんちっちゃく 01:36:57 - 01:37:01： したいとでそのためにパラメータを更新 01:37:01 - 01:37:04： するでパラメーター更新するためのこの 01:37:04 - 01:37:07： 請求効果法でした 01:37:07 - 01:37:09： なのでどんどんどんどんこうちっちゃくし 01:37:09 - 01:37:12： ていきたいわけですできるだけ 01:37:12 - 01:37:15： 0に近づけていきたいわけです 01:37:15 - 01:37:17： 今このL 01:37:17 - 01:37:19： 目的関数ありますけどこのLをどんどん 01:37:19 - 01:37:24： どんどんちっちゃくしていきたいわけです 01:37:24 - 01:37:28： で最初の値ってじゃあどこかってまあこの 01:37:28 - 01:37:31： グラフで言うとここですよねこの一番谷に 01:37:31 - 01:37:34： なってるところだと思います 01:37:36 - 01:37:38： ダブルの0今ここにあのランダムに最初の 01:37:38 - 01:37:39： 値ありますけど 01:37:39 - 01:37:42： ダブルの0をよくよくはここに持っていき 01:37:42 - 01:37:44： たいですね 01:37:44 - 01:37:47： でじゃあここってじゃあどんな場所なの今 01:37:47 - 01:37:51： 傾き5だったけど実はここの傾きって 01:37:51 - 01:37:55： 0ですよね 01:37:56 - 01:37:58： 傾きってあの勾配のことですから 01:37:58 - 01:38:01： 勾配が0のこの位置にWを持っていきたい 01:38:01 - 01:38:04： つまりパラメータを持っていきたいと今 01:38:04 - 01:38:07： ここですけどここのパラメーターをできる 01:38:07 - 01:38:10： だけここに近づけたいこれがパラメーター 01:38:10 - 01:38:12： を更新するということですパラメータ 01:38:12 - 01:38:14： パラメータ更新更新とかって言うんです 01:38:14 - 01:38:15： けどこれ 01:38:15 - 01:38:18： 要はこのパラメーターをできるだけ 01:38:18 - 01:38:20： ちっちゃくちっちゃくこの底の方に移動さ 01:38:20 - 01:38:23： せてるんですね 01:38:23 - 01:38:25： なのでじゃあ 01:38:25 - 01:38:28： 勾配を求めて5でしたとで最近効果法では 01:38:28 - 01:38:35： 何をやってるかと 01:38:35 - 01:38:37： 言いますと 01:38:45 - 01:38:47： 公倍分動いていくということをしたいと 01:38:49 - 01:38:59： ちょっとまず文字で書きますね 01:38:59 - 01:39:01： 米求めたらいよいよパラメーター 01:39:01 - 01:39:03： 更新するということになるんですがこの式 01:39:03 - 01:39:05： をちょっとお伝えしておきましょうか 01:39:06 - 01:39:08： 更新して新しいパラメーターになるので 01:39:08 - 01:39:12： ダブルの1としておきます 01:39:12 - 01:39:14： でこうここ 01:39:14 - 01:39:16： 0から1になるにはどうしてやったらいい 01:39:18 - 01:39:20： さっき求めた 01:39:20 - 01:39:24： 勾配を引いてやるんです 01:39:24 - 01:39:27： 今ここ5でしたよね 01:39:31 - 01:39:34： ここから 01:39:36 - 01:39:47： 引いてやればいいわけです 01:39:47 - 01:39:50： よいしょとなるとこの位置に 01:39:51 - 01:39:53： ダブルの位置が 01:39:53 - 01:39:56： 移動するのわかるでしょうか 01:39:56 - 01:40:01： どうでしょうさっきに比べて 01:40:01 - 01:40:06： ここに近づいている気がしませんか 01:40:06 - 01:40:08： でこれをどんどん繰り返していきたいん 01:40:09 - 01:40:11： 例えばここの勾配を求めましたここの傾き 01:40:11 - 01:40:16： を求めましたとなるとここが 01:40:16 - 01:40:24： マイナス3だったとします 01:40:24 - 01:40:29： じゃあまた同じことですよね 03:58:19 - 03:58:22： ここで 01:40:31 - 01:40:37： -3だったということでじゃあここから 01:40:37 - 01:40:39： この式にマイナス3を入れてやるわけです 01:40:40 - 01:40:41： ここが 01:40:41 - 01:40:47： プラスになるのがわかると思いますなので 01:40:58 - 01:41:00： -3として 01:41:00 - 01:41:02： プラスの動きをする 01:41:02 - 01:41:04： というところでこんな感じになるんじゃ 01:41:04 - 01:41:07： ないでしょうか 01:41:07 - 01:41:11： で新しいまあダブルの2にしましょうか 01:41:11 - 01:41:14： という感じで今これ 01:41:14 - 01:41:16： ずっとこうパラメーターを更新するという 01:41:16 - 01:41:18： ことをいくつかやってきたんですが 01:41:18 - 01:41:23： パラメーターがどんどんどんどんこう谷に 01:41:23 - 01:41:25： 落ちていってるのが 03:48:08 - 03:48:13： わかるかと思います 01:41:29 - 01:41:31： ここに近づけていきたいそんな 01:41:31 - 01:41:33： モチベーションでこの最近放課法は行われ 01:41:33 - 01:41:37： ています 01:41:43 - 01:41:46： でここでですねちょっと注意したいのが 01:41:46 - 01:41:48： 今まあうまいこと 01:41:48 - 01:41:51： +5-3という形で 01:41:51 - 01:41:53： 小谷に落ちていくことができたんですが 01:41:53 - 01:41:57： これもしここがですね 01:41:57 - 01:41:59： ふとかっていう傾きだったらどうなってた 01:41:59 - 01:42:01： と思いますか 01:42:01 - 01:42:03： 100だったら 01:42:03 - 01:42:04： -100をこうしなきゃいけないわけです 01:42:04 - 01:42:07： からマイナス5だったらマイナス100 01:42:07 - 01:42:09： ってことで 01:42:09 - 01:42:12： ずーっとこの先なわけですよね 01:42:12 - 01:42:15： っていうことはこのマグラフが続いている 01:42:15 - 01:42:17： としてもこの画面に収まりきらないぐらい 01:42:17 - 01:42:20： ちょっと上の方に 01:42:22 - 01:42:23： 点が 01:42:23 - 01:42:25： 存在してると思います 01:42:25 - 01:42:29： で次の値もかなり大きいマイナス200と 01:42:29 - 01:42:32： かだったらどんどん上に行ってどんどん 01:42:32 - 01:42:34： どんどんどんどん上に行って 01:42:34 - 01:42:36： 本当はこの下に持っていきたいのに 01:42:36 - 01:42:38： 上に上に行って 01:42:38 - 01:42:39： 購買爆発という 01:42:39 - 01:42:42： 現象が起こってしまうんですね 01:42:42 - 01:42:44： どんどんどんどん収束せず 01:42:44 - 01:42:47： 上に上に上がってしま 01:42:47 - 01:42:50： うこれは良くないよねということで 01:42:50 - 01:42:52： 購買爆発を防ぐために 01:42:52 - 01:42:55： 学習係数というものを入れてやります 01:42:55 - 01:42:58： ここにちょっとPを崩したようなこれ 01:42:58 - 01:43:00： ローって言うんですけど 01:43:00 - 01:43:01： このロウというので 01:43:01 - 01:43:03： 表します 01:43:03 - 01:43:09： 学習係数 01:43:09 - 01:43:12： で学習係数はこの0から1で表すことが 01:43:13 - 01:43:16： でまぁだいたい採用されるのは0.01と 01:43:16 - 01:43:19： いう値ですねでこの0.01入れてやる 01:43:19 - 01:43:21： ことで何がいいかというとさっきお伝えし 01:43:32 - 01:43:35： 購買爆発を防ぐというそんな効果があり 01:43:37 - 01:43:40： 仮にここがプラス100とかっていう値で 01:43:40 - 01:43:42： もここに0.01が加わることで 01:43:42 - 01:43:43： ちゃんと勾配がこう降りていくことが 01:43:43 - 01:43:50： できるんですね 01:43:50 - 01:43:52： さあここまでよろしいでしょうか 01:43:52 - 01:43:54： パラメーター更新のための 01:43:54 - 01:43:57： 再吸効果法の計算の仕方をご紹介しました 01:43:58 - 01:44:00： 購買を求めて 01:44:00 - 01:44:02： 更新式をこの使ってこの更新式ですね使っ 01:44:02 - 01:44:04： てパラメーターを 01:44:04 - 01:44:07： 更新していくとでパラメータ更新とは何な 01:44:07 - 01:44:09： のかって言ったらこの喪失関数のこの目的 01:44:09 - 01:44:12： 関数の最小の点にパラメータを近づけて 01:44:12 - 01:44:15： いくことこれをまず 01:44:15 - 01:44:20： 押さえてもらえれば大丈夫です 01:44:20 - 01:44:25： でちなみにここで一つ最近効果法に関わる 01:44:25 - 01:44:38： お話をできればなと思うんですが 01:44:38 - 01:44:42： そもそもですね 01:44:42 - 01:44:51： 今あのグラフを書きましたけど 01:44:51 - 01:44:56： 体液的最適解としておきましょう 01:44:57 - 01:45:00： わかりやすいグラフを書きましたけど 01:45:00 - 01:45:02： そもそもあのこんな綺麗なグラフにはなら 01:45:02 - 01:45:04： ないんですね人間の目には見えません 01:45:04 - 01:45:07： こんなにあの可視化できません 01:45:07 - 01:45:09： 簡単なグラフとしては本来なら表せない 01:45:09 - 01:45:11： ですあの最近 01:45:11 - 01:45:13： 効果法でどんなことをしてるのっての 01:45:13 - 01:45:15： イメージしやすくするためにこんな 01:45:15 - 01:45:16： 可視化できる 01:45:16 - 01:45:18： 図を書いたわけなんですが 01:45:18 - 01:45:20： 本来ならもうぐっちゃぐちゃでこんな綺麗 01:45:20 - 01:45:25： にはなってないんですねこの図は 01:45:25 - 01:45:28： それのイメージとして書くとなんとなく 01:45:34 - 01:45:41： もうほんとグチャグチャなこんな感じです 01:45:42 - 01:45:47： 本当ならこうなってるんですね 01:45:47 - 01:45:50： でここからのお話ちょっと余力のある方 01:45:50 - 01:45:52： ぜひ聞いてみてください 01:45:52 - 01:45:55： 待機的一曲最適解というお話をしていき 01:45:56 - 01:45:59： 補足です 01:46:01 - 01:46:05： それぞれ谷があると思うんですね 01:46:05 - 01:46:17： 局所書いています 01:46:17 - 01:46:20： でもしかしたら勘の言い方はお気づきかも 01:46:20 - 01:46:22： しれませんけどさっきみたいに 01:46:22 - 01:46:26： パラメーターをもし更新したいとで最初の 01:46:26 - 01:46:29： ランダムの値が例えばここでしたと 01:46:29 - 01:46:32： なった時に 01:46:32 - 01:46:34： これをどんどん 01:46:34 - 01:46:37： 硬化させていくとこの辺りここに近づい 01:46:37 - 01:46:40： ちゃうんですよねただ 01:46:40 - 01:46:43： 全体としてこの目的関数を見たときに一番 01:46:43 - 01:46:49： 小さいのってここのはずなんです 01:46:49 - 01:46:54： これを 01:46:54 - 01:46:57： 帯域的 01:46:57 - 01:47:00： 最適解と 01:47:04 - 01:47:07： 本来ならさっきの原則で言うと 01:47:07 - 01:47:09： この目的関数は一番ちっちゃいところに 01:47:09 - 01:47:12： 持っていきたいからここに落とし込みたい 01:47:12 - 01:47:15： はずなのに最初のランダムな値がまあ 01:47:15 - 01:47:16： 例えばここだったら 01:47:16 - 01:47:19： ここに陥ってしまうんですねこれは局所会 01:47:19 - 01:47:21： に陥ってしまうとそんな風に言ったりし 01:47:24 - 01:47:26： えでも 01:47:26 - 01:47:28： パラメーターっていうのは最終的にはここ 01:47:28 - 01:47:30： に落とし込みたいんだよねって一番 01:47:31 - 01:47:35： 勾配がこの0になるところにパラメーター 01:47:35 - 01:47:37： 落とし込みたいんですけどここだって購買 01:47:37 - 01:47:39： がゼロになってしまいますから 01:47:39 - 01:47:42： ここを目指しちゃうんですねもし最初の値 01:47:42 - 01:47:45： があまりいい場所じゃなかったらじゃあ 01:47:45 - 01:47:48： ここに落とし込むにはどうしたらいいん 01:47:48 - 01:47:50： だろうっていうのこの後ちょっとご紹介し 01:47:50 - 01:47:53： ますのでこのお話をちょっと頭の隅に覚え 01:47:54 - 01:48:02： ておいていただければと思います 01:48:02 - 01:48:04： でこれも合わせて補足として聞いて 01:48:04 - 01:48:08： ください最初に5歳逆伝播法というキー 01:48:08 - 01:48:10： ワードが出てきてたと思います 01:48:10 - 01:48:12： 連鎖率とかいうね 01:48:12 - 01:48:13： キーワードもあったと思いますけれども 01:48:13 - 01:48:16： これもですねこの 01:48:16 - 01:48:19： 逆電波を行う上でこのパラメーターの更新 01:48:19 - 01:48:20： を行う上で 01:48:20 - 01:48:22： 使っていく方法になります要は計算の方法 01:48:22 - 01:48:25： ですねその中で連鎖率を用いますよという 01:48:25 - 01:48:28： ところですここですね2つ結構 01:48:28 - 01:48:30： 複雑な部分になってくるので今回は割愛し 02:02:25 - 02:02:26： ますけれども 01:48:31 - 01:48:33： ご参加電波法というのを使ってこの 01:48:33 - 01:48:37： パラメーターの更新を行うとそれで 01:48:37 - 01:48:42： 押さえていただければ結構かなと思います 01:48:42 - 01:48:46： ではですね最後ちょっと 01:48:46 - 01:48:48： 言葉出てきましたミニバッジ学習という 01:48:48 - 01:48:50： ところ最後お伝えしてこの 01:48:51 - 01:48:53： 手書きでご説明していくところは終わって 01:49:03 - 01:49:05： 皆さんもお手元に 01:49:05 - 01:49:08： 実装できる環境を用意してください私は 01:49:08 - 01:49:10： Googleコラボを使ってやっていき 01:49:10 - 01:49:12： ますねで今回使うのは 01:49:12 - 01:49:13： ディープラーニングの 01:49:13 - 01:49:15： 代表的なフレームワーク 01:49:15 - 01:49:17： 配当値使っていきますパイトーチあれなん 01:49:17 - 01:49:21： ですね本当今人気なので何かエラーが出た 01:49:21 - 01:49:22： 時に 01:49:22 - 01:49:25： すぐに検索すればエラーの解決方法が出て 01:49:25 - 01:49:27： いきやすいのでエラーってこの行動を打っ 01:49:27 - 01:49:30： ていくとやっぱり出ていきやすいものです 01:49:30 - 01:49:31： のでついて 01:49:31 - 01:49:34： 離れないものですのでそういった部分でも 01:49:35 - 01:49:37： 便利かなというところで今回使っていこう 01:49:38 - 01:49:40： テザフローを使ったことある方も 01:49:40 - 01:49:42： いらっしゃると思うんですが今回パイ 01:49:42 - 01:49:45： トーチでやっていこうと思います 01:49:45 - 01:49:48： でこの実装で何をしていくかと言いますと 01:49:48 - 01:49:52： 手書きで書いたネットワークの構造を 01:49:52 - 01:49:54： 配当地上で定義していくと今まで手書きで 01:49:54 - 01:49:57： 書いてきたものをネットワークの構造を 01:49:57 - 01:49:59： 回答地上で定義をしていきたいと思います 01:49:59 - 01:50:03： でまずはですね今から行うのはまだ学習は 01:50:03 - 01:50:05： 行えませんまずは 01:50:05 - 01:50:06： 純連覇までの 01:50:06 - 01:50:09： 線形変換非線形変換とかってありましたよ 01:50:09 - 01:50:11： ねああいったところのご紹介をしたいと 01:50:13 - 01:50:15： では早速 01:50:15 - 01:50:17： 書いていきましょう 01:50:17 - 01:50:19： まずですね 01:50:19 - 01:50:21： パイトーチを入れましょう 01:50:21 - 01:50:24： インポートしましょう 01:50:24 - 01:50:26： インポート倒置として入れてくださいパイ 01:50:26 - 01:50:28： トーチはトーチというお名前で定義されて 01:50:28 - 01:50:32： います 01:50:32 - 01:50:34： ちょっとお時間かかりますがこの 01:50:34 - 01:50:38： てんてんてんがなくなればタイと違う 01:50:38 - 01:50:42： ちゃんと入ったということになりますね 01:50:42 - 01:50:46： はい入りましたで次にですねこの後 01:50:46 - 01:50:48： 前結放送を定義していきたいこの層の定義 01:50:48 - 01:50:54： などにとても便利なものがありますこれも 01:50:54 - 01:50:56： 入れておきますインポート 01:50:56 - 01:51:02： トーチドットNNとしてやってください 01:51:02 - 01:51:05： 統治ドットNNasNNというところで年 01:51:05 - 01:51:08： とNNをこの後使うときはNNとして 01:51:08 - 01:51:10： 呼び出せますよと 01:51:10 - 01:51:12： あの略称みたいなもんですねというふうに 01:51:12 - 01:51:15： 書いてください 01:51:15 - 01:51:17： では大切な 01:51:17 - 01:51:19： 色んな便利グッズがまあこういったものを 01:51:19 - 01:51:22： インポートするとこ便利物が使えるように 01:51:22 - 01:51:23： なるとそんな風に思っていただきたいん 01:51:24 - 01:51:26： 便利グッズ入れたところで 01:51:26 - 01:51:27： 実際に 01:51:27 - 01:51:30： 手書きで書いていった 01:51:30 - 01:51:32： 前結合層ってありましたがちょっと簡単に 01:51:32 - 01:51:35： サン濃度から 01:51:35 - 01:51:41： 2濃度の 01:51:41 - 01:51:43： 前結合を 01:51:43 - 01:51:47： 定義してみたいと思います 01:51:47 - 01:51:51： で前結放送なんですが 01:51:51 - 01:51:54： 英語で書くとこうなります 01:51:54 - 01:51:58： フリーコネクティッドデイヤーですかねな 01:51:58 - 01:52:01： のでこのFとCをとって 01:52:01 - 01:52:04： FCとを表すことが多いので 01:52:04 - 01:52:08： FC=として書いていきますね 01:52:08 - 01:52:09： FC=で 01:52:09 - 01:52:12： 皆さんの手書きのところの一番最初の 01:52:13 - 01:52:15： 右端に書いたら覚えてますかね 01:52:15 - 01:52:17： 前結合層をパートウォッチで定義するとき 01:52:17 - 01:52:19： こんな風に書きますよとちょっと昔の話に 01:52:19 - 01:52:21： なりますけど 01:52:21 - 01:52:25： これこんな風に書いてましたね 01:52:25 - 01:52:31： 3から2ですよと 01:52:31 - 01:52:34： これFC中身見ると 01:52:35 - 01:52:38： 要は入力ですね入力の値が3でアウト 01:52:38 - 01:52:41： フューチャー出力の値が2でバイアスも 01:52:41 - 01:52:43： あるよというですよと 01:52:43 - 01:52:45： ちょっとこれ前結合層を 01:52:45 - 01:52:48： 定義できたということになります 01:52:48 - 01:52:50： でちなみに私ごめんなさいサラッとここ 01:52:50 - 01:52:52： 書いたんですがこの 01:52:52 - 01:52:54： シャープで書いたところはコメントアウト 01:52:54 - 01:52:55： と言って 01:52:55 - 01:52:57： 実行はされませんこの緑になってる部分 01:52:58 - 01:52:59： シャープで書いた部分は実行されませんの 01:53:00 - 01:53:03： メモ書きとかにぜひご使用ください私も 01:53:03 - 01:53:05： 書いていくので皆さんも一緒に書いて 01:53:05 - 01:53:07： いただいてもいいですし別に書かなくても 01:53:07 - 01:53:10： 構いません 01:53:10 - 01:53:12： で前結放送 01:53:12 - 01:53:14： 重みとかバイアスといったパラメータも 01:53:14 - 01:53:16： ありましたよねこれちょっと定義して 01:53:16 - 01:53:17： いこうと 01:53:17 - 01:53:20： 定義じゃないです見ていこうと思います 01:53:20 - 01:53:23： Fシードとウェイトでこれが重みですで 01:53:23 - 01:53:28： バイアスはそのままFCドットバイアス 01:53:28 - 01:53:32： 中身が出てきましたねそれぞれ 01:53:33 - 01:53:37： でもしかしたら皆さんと私の値がこれ違っ 01:53:37 - 01:53:39： てるんじゃないでしょうか 01:53:39 - 01:53:42： ちょっと確認してみてください 01:53:42 - 01:53:46： でこのパラメーターをどんどんどんどん 01:53:46 - 01:53:49： 更新していくんですよとで更新していって 01:53:49 - 01:53:52： 目的関数の値をどんどんちっちゃくして 01:53:52 - 01:53:53： いくのがいいんですよ 01:53:53 - 01:53:54： ゆらのネットワークでやりたいことなん 01:53:54 - 01:53:56： ですよっていう話を手書きの部分でやって 01:53:56 - 01:54:00： きましたけれどもこのパラメーター最初は 01:54:00 - 01:54:03： ランダムな値なんですよもうあのその何の 01:54:03 - 01:54:05： 意味もない値なんですよ 01:54:05 - 01:54:06： ランダムに与えられたものなんですね 01:54:06 - 01:54:08： そんな話を 01:54:08 - 01:54:10： 手書きのところも少ししていましたなので 01:54:10 - 01:54:14： 私と皆さんではまた異なる値が出ているか 02:41:25 - 02:41:28： なと思います 01:54:18 - 01:54:20： なので私と違っても気にしないで大丈夫 01:54:20 - 01:54:22： ですで私今 01:54:22 - 01:54:25： 0.16330.4870ですけど 01:54:25 - 01:54:28： 全てのセルをちょっと実行していきますね 01:54:28 - 01:54:30： 改めてするとほらさっきとちょっと値 01:54:30 - 01:54:32： 変わってますよねこれ 01:54:32 - 01:54:35： 実行するために値変わっちゃうんですねで 01:54:35 - 01:54:37： これ何がまずいかっていうと 01:54:37 - 01:54:40： 同じデートデータセットで同じモデル組ん 01:54:40 - 01:54:42： 答え変わっちゃったってことになっちゃう 01:54:42 - 01:54:44： それじゃあまずいじゃないですかで皆さん 01:54:44 - 01:54:47： と私のお与えも変わるのでそもそも合っ 01:54:47 - 01:54:49： てるかあー合ってないかわからないという 01:54:49 - 01:54:51： ことになってしまいますのでここで 01:54:51 - 01:54:54： 乱数のシードを固定という方法を使って 01:54:54 - 01:54:59： いきたいと思います 01:54:59 - 01:55:02： 言葉はなんかややこしいんですが 01:55:02 - 01:55:05： 要はこのランダムな値を皆さんと渡して 01:55:05 - 01:55:07： 一致させましょうよと 01:55:07 - 01:55:11： 同じ値を使いたいと 01:55:11 - 01:55:13： トーチドとマニュアルシードとやってやっ 01:55:13 - 01:55:17： てでこの中身なんですが皆さんと私が同じ 01:55:17 - 01:55:20： 値を入れれば 01:55:22 - 01:55:25： 数で固定をすることができます 01:55:25 - 01:55:28： なので今回はゼロで 01:55:28 - 01:55:31： 固定をしたいと思います 01:55:31 - 01:55:34： 皆さんもゼロを入れてください 01:55:34 - 01:55:36： でラスのシードを固定したのでここでもう 01:55:39 - 01:55:46： 前結合層定義していきましょう 01:55:46 - 01:55:49： これねエネエンドとリニアで3から2 01:55:49 - 01:55:51： ノートと 01:55:54 - 01:55:57： ACウェイトで 01:55:57 - 01:56:00： 重み出して 01:56:00 - 01:56:05： バイアスで 01:56:05 - 01:56:06： 入って出ましたね 01:56:06 - 01:56:09： おそらく皆さんと私同じ数が出てるはず 01:56:09 - 01:56:12： ですでもしかしたらバージョンが違うと 01:56:12 - 01:56:16： この値が変わってくる可能性がありますで 01:56:16 - 01:56:22： バージョンのチェックの仕方ですが私が 01:56:22 - 01:56:25： どっちだったこれ皆さんもやってみて 01:56:25 - 01:56:27： くださいもしあたり違う方はやってみて 01:56:30 - 01:56:35： バージョンの 01:56:35 - 01:56:37： でこのバージョンじゃなければもしこれ 01:56:37 - 01:56:38： じゃなければ 01:56:39 - 01:56:40： 値が変わってくることがあるんですけれど 01:56:40 - 01:56:44： もここを確認をしてみてくださいで値が 01:56:44 - 01:56:45： 同じ方は 01:56:45 - 01:56:49： 気にする必要はありません 01:56:49 - 01:56:53： はいではこれで進めていこうと思います今 01:56:53 - 01:56:56： ですね前結合層を 01:56:56 - 01:56:59： 定義できましたとで乱数も固定しましたと 01:56:59 - 01:57:02： でウェイトとバイアスも出しましたという 01:57:02 - 01:57:04： ところまでやりました 01:57:04 - 01:57:07： ここからですね 01:57:07 - 01:57:09： 前結合層の中で行われる 01:57:09 - 01:57:12： 線形変換というのがありました 01:57:12 - 01:57:14： 非線形変換というのもありましたあの計算 01:57:14 - 01:57:22： について少しずつ見ていこうと思います 01:57:24 - 01:57:27： これですねあの言葉会ってコマンドmmと 01:57:27 - 01:57:30： 押すと記述モードになるのでこれもあの 01:57:30 - 01:57:33： 実行はされませんので何かメモを残したい 01:57:33 - 01:57:35： 時こんな風に使っていただければいいかな 01:57:37 - 01:57:39： さあここで 01:57:39 - 01:57:41： 計算に入っていきますで計算なんです 01:57:41 - 01:57:44： けれどもパイ島地上で計算するときに 01:57:44 - 01:57:46： ルールがあるんですね 01:57:46 - 01:57:48： データの形を統一しなきゃいけないデータ 01:57:48 - 01:57:51： 型をあの 01:57:51 - 01:57:54： 変えなきゃいけないんですねここが 01:57:55 - 01:57:56： 初心者の方が 01:57:56 - 01:57:59： 忘れてしまったりとかなかなか理解でき 01:57:59 - 01:58:01： なかったりするところとよく言われてるん 01:58:01 - 01:58:04： ですけれども 01:58:04 - 01:58:06： ここでもそんな難しいことじゃないので 01:58:06 - 01:58:09： タイトルで使用するデータ型は 01:58:09 - 01:58:11： テンソル型に変える 01:58:11 - 01:58:15： でそれ型に変えるこれもう何でじゃなくて 01:58:15 - 01:58:18： もルールだと思っていただければいいかな 01:58:21 - 01:58:25： データ型を 02:17:52 - 02:17:53： テンソル型に 01:58:34 - 01:58:37： でちょっとこれをやっていきましょう 01:58:37 - 01:58:42： まず入力のXとしておきましてでそれ型に 01:58:42 - 01:58:44： 変えるのはこんな風に書いてください 01:58:49 - 01:58:52： テンシャルと 01:58:52 - 01:58:56： で今入力値を仮に123と 01:58:56 - 01:58:59： いうふうにしておきます123とでその 01:58:59 - 01:59:00： 123を 01:59:00 - 01:59:03： 点それ型に変えたいのでこんな風に 01:59:05 - 01:59:09： 丸括弧の中に四角四角で1 01:59:11 - 01:59:14： でカンマに 01:59:15 - 01:59:19： 感は3 01:59:19 - 01:59:23： これちょっと記述がややこしいんですが 01:59:23 - 01:59:26： ドットを必ず書いてください 01:59:29 - 01:59:31： でこうすることで 01:59:31 - 01:59:34： データ型を確認します 01:59:34 - 01:59:46： 確認すると 01:59:46 - 01:59:49： どうでしょうか 01:59:49 - 01:59:52： 閉じてそれ型になってるのがわかるかなと 01:59:55 - 01:59:58： でこれフロート32 01:59:58 - 02:00:01： フロート32っていうのがこれ小数を取る 02:00:01 - 02:00:03： 値というふうに思っていただければいいか 02:00:03 - 02:00:05： なと思います数値の中でも小数を取って 02:00:05 - 02:00:06： ますよ 02:00:06 - 02:00:08： intだったら整数なんですがフロートの 02:00:08 - 02:00:11： 場合は小数を取ってますよと 02:00:11 - 02:00:15： 思っていただければ結構です 02:00:15 - 02:00:17： でこれをしてようやく 02:00:17 - 02:00:28： 線形変換を行う準備ができました 02:00:28 - 02:00:29： で選挙変換の 02:00:29 - 02:00:31： 計算なんですがとても 02:00:31 - 02:00:32： シンプルです 02:00:32 - 02:00:33： 手書きの時もですね 02:00:33 - 02:00:35： Uと置いていたと思いますので今回も言う 02:00:35 - 02:00:37： とします 02:00:38 - 02:00:41： 前月放送をここで定義してますよね 02:00:41 - 02:00:46： FC=となのでこのFCを使って 02:00:46 - 02:00:48： 簡単にできちゃいますでここにデータXを 02:00:51 - 02:00:57： これだけで終わりですで値確認します 02:00:57 - 02:01:01： このように値が出ましたとこんな感じで 02:01:01 - 02:01:02： 簡単に線形変換をすることができます 02:01:02 - 02:01:05： ちょっとあの手書きの時のことを思い出し 02:01:05 - 02:01:06： てほしいんですが 02:01:06 - 02:01:09： 手書きは最初 03:34:35 - 03:34:36： Xと 02:01:09 - 02:01:12： 重みをかけてでまたXともみをかけてって 02:01:12 - 02:01:14： のタスクさんと足していったアーテンの人 02:01:15 - 02:01:17： だと思うんですがそういうのをもう 02:01:17 - 02:01:19： 機会側が勝手にやってくれるっていうのが 02:01:19 - 02:01:21： 非常にこれ実相時の 02:01:21 - 02:01:25： メリットかなと思います 02:01:25 - 02:01:28： 同じく線形変換もやっていきたいと思い 02:01:33 - 02:01:35： 以前行け変換の計算やっていくんです 02:01:35 - 02:01:37： けれどもここで 02:01:37 - 02:01:40： 一線形変換を行う 02:01:40 - 02:01:42： 基本的なこの活性化関数を使うというのも 02:01:42 - 02:01:46： ありましたこういったものも 02:01:46 - 02:01:49： 配当値には定義されているのでそれを 02:01:50 - 02:01:57： 読み込みたいと思います 02:01:57 - 02:01:58： トーチドットNN 02:02:02 - 02:02:05： ファンクショナルとこれを 02:02:05 - 02:02:07： Fとして大文字のFとして 02:02:07 - 02:02:11： 読み込んでおきましょう 02:02:11 - 02:02:14： でこれさえ読み込めば 02:17:48 - 02:17:50： これをですね 02:02:16 - 02:02:23： レル関数というのを使ったかと思います 02:02:23 - 02:02:25： 非線形変換を行う際にちょっと復習になり 02:02:26 - 02:02:29： 活性化関数を使うとで活性化関数の 02:02:29 - 02:02:31： シグモイド関数とかもありましたけれども 02:02:32 - 02:02:35： 関数を使われているというところで今この 02:02:36 - 02:02:37： 土地ドットNNファンクショナルを 02:02:37 - 02:02:39： インポートしたのでこれを使って簡単に 02:02:39 - 02:02:42： 行っていきますで手書きでもHと置きまし 02:02:42 - 02:02:45： たので今回もHと置いてこの 02:02:45 - 02:02:46： Fを使って 02:02:46 - 02:02:49： レールとしてやって 02:02:49 - 02:02:52： 先ほど線形変化に出したこのUですね 02:02:52 - 02:02:53： Uを 02:02:53 - 02:02:57： 引数に入れてやってください 02:02:57 - 02:03:02： でまた課題の確認です 02:03:02 - 02:03:06： はいこのように出ました 02:03:06 - 02:03:07： さあこれ 02:03:07 - 02:03:08： ベル関数 02:03:08 - 02:03:12： 皆さん覚えてらっしゃいますでしょうか 02:03:12 - 02:03:15： このyouがレル関数にかかってこんな風 02:03:16 - 02:03:20： 算出されているわけですがこれがこうなる 02:03:22 - 02:03:23： リル関数を覚えてらっしゃいますでしょう 02:03:24 - 02:03:38： 復習に書いておきますと 02:03:38 - 02:03:53： ノート見返していただいても結構です 02:03:53 - 02:03:57： ネル関数ってこうだったこうやってかける 02:03:57 - 02:04:00： 書くことができたというのを覚え 02:04:00 - 02:04:01： てらっしゃいますでしょうかちょっとこれ 02:04:01 - 02:04:03： 実行したくないのでコメントアウトして 02:04:03 - 02:04:08： おきますが 02:04:08 - 02:04:09： ウェル関数っていうのは 02:04:17 - 02:04:18： 0か 02:04:11 - 02:04:17： U大きい方を取るんですね 02:04:18 - 02:04:21： U大きい方を取ると 02:04:23 - 02:04:24： Uが 02:04:24 - 02:04:26： 0よりちっちゃかったら 02:04:26 - 02:04:29： 0を取りますしでUが 02:04:30 - 02:04:31： 0より大きかったら 02:04:31 - 02:04:34： Uを取りますし 02:04:34 - 02:04:36： これどちらかを取るということでしたなの 02:04:36 - 02:04:39： で今回の場合これ 02:04:39 - 02:04:42： 例えばマイナス0.8に19これ0より 02:04:42 - 02:04:44： ちっちゃいですね 02:04:44 - 02:04:47： なので0になってると 02:04:47 - 02:04:50： 0.0526これ0より大きいですよねだ 02:04:51 - 02:04:53： からそのままの値を取ってると 02:04:53 - 02:04:57： これがレル関数の計算でした 02:04:57 - 02:05:00： このあたり大丈夫そうでしょうかもう一度 02:05:00 - 02:05:02： 復習をちょっとしてみてください 02:05:02 - 02:05:04： というわけで 02:05:04 - 02:05:06： 線形変換非線形変換と 02:05:06 - 02:05:10： ニュラルネットワークの純連覇で行う計算 02:05:10 - 02:05:12： 手書きのノートであったとこのステップ1 02:05:12 - 02:05:16： ステップ2を今見ているところですで 02:05:16 - 02:05:18： ステップ3もありましたね 02:05:18 - 02:05:21： 目的関数っていうのがありましたよね最後 02:05:22 - 02:05:29： やっていきたいと思います 02:05:30 - 02:05:32： 目的良い関数の 02:05:32 - 02:05:35： 計算をここではですねちょっとあの今流れ 02:05:35 - 02:05:37： というより目的関数の計算こんな風にする 02:05:37 - 02:05:39： んですよと 02:05:39 - 02:05:41： ご紹介するにとどめておきたいと思います 02:05:41 - 02:05:43： なので目的関数 02:05:44 - 02:05:46： 皆さんどういう時に使うか覚えて 02:05:46 - 02:05:49： いらっしゃいますでしょうか最後は予測値 02:05:49 - 02:05:52： Yが出てでそれが教師データTと比べて 02:05:52 - 02:05:56： そこの誤差を出すというものでしたから 02:05:56 - 02:05:59： Tがまず必要なんですねなので今回 02:05:59 - 02:06:02： T1と3というふうに勝手に置きたいと 02:06:05 - 02:06:08： でこれ計算するときテンソル型にいっぱい 02:06:08 - 02:06:09： 土地では変えなきゃいけないっていうのが 02:06:09 - 02:06:11： ありましたので 02:06:15 - 02:06:18： 型にしておいて 02:06:18 - 02:06:22： でこんな風に置いておきましょうか1 02:06:25 - 02:06:29： で3 02:06:29 - 02:06:32： とかですねまず 02:06:32 - 02:06:36： 目的関数の計算ということでここ 02:06:36 - 02:06:43： 目標値をこんな風に設定します 02:06:43 - 02:06:45： はいでTがいるのであの 02:06:45 - 02:06:47： Yも言いますよねというところで前も 02:06:47 - 02:06:52： こちらで今回は勝手に決めてしまいます 02:06:52 - 02:06:55： 予測値ワインは 02:06:55 - 02:06:58： これもトーチドットテンソルに転生型にし 02:06:58 - 02:07:01： ておきます 02:07:01 - 02:07:06： でこれ2と4にしておきましょう 02:07:06 - 02:07:07： 今あの 02:07:07 - 02:07:09： 計算をするために 02:07:09 - 02:07:11： 用意した何の意味もない数字だと思って 02:07:14 - 02:07:20： こうですね 02:07:20 - 02:07:27： で外側に大きな角度 02:07:29 - 02:07:31： 準備できました 02:07:31 - 02:07:35： で目的関数を使っていきますで今回ですね 02:07:35 - 02:07:37： 目的関数色々ありましたけれども 02:07:37 - 02:07:40： 平均25誤差を算出していきたいと思い 02:07:41 - 02:07:49： 回帰の時使うものですね 02:07:49 - 02:07:53： 2乗が違いますね 02:07:53 - 02:07:55： 結構ですね 02:07:56 - 02:07:58： 平均2乗誤差 02:07:58 - 02:08:00： 英語で 02:08:00 - 02:08:02： ミースクエアードエラーって言うんですで 02:08:02 - 02:08:03： ちょっと手書きのとこで書きましたけど 02:08:03 - 02:08:06： あれ使っていきますまず 02:08:06 - 02:08:07： 平均25歳もですね 02:08:08 - 02:08:11： レール関数の時に使ったFこれですね 02:08:11 - 02:08:12： Fを 02:08:12 - 02:08:16： 持ってきます 02:08:16 - 02:08:19： MSEとしてやって 02:08:23 - 02:08:24： 計算したい 02:08:24 - 02:08:27： YとTとこれを入れてやる 02:08:27 - 02:08:32： と点数の1というふうに出てきました 02:08:32 - 02:08:34： こんな感じであの 02:08:34 - 02:08:36： 実装って意外と簡単なんですよって手書き 02:08:36 - 02:08:39： のところでもお伝えしましたがあの結構 02:08:39 - 02:08:41： 理論は理論となったりあの指揮だった 02:08:42 - 02:08:44： りっていうのは結構ややこしくてΣが出て 02:08:44 - 02:08:44： きたりとか 02:08:45 - 02:08:47： 難しいところ多かったと思うんですが 02:08:47 - 02:08:48： 意外と目的関数の 02:08:48 - 02:08:51： 計算なんてこれ1行でできてしまうという 02:08:51 - 02:08:54： 非常にシンプルなものなのでなので実装と 02:08:54 - 02:08:57： して非常に便利なんですよね 02:08:57 - 02:09:01： さあ今回ですねまずは最初この 02:09:01 - 02:09:02： ノートブック使ってやってきたこと 02:09:02 - 02:09:04： ちょっとおさらいします 02:09:04 - 02:09:07： ちょっとこの前結合層を定義しましたと 02:09:07 - 02:09:11： FCとお名前置いてNNドットリニアで3 02:09:11 - 02:09:13： 都にというふうに今回 02:09:13 - 02:09:14： 定義しましたで 02:09:14 - 02:09:17： 重みも見られますしバイアスも見られます 02:09:17 - 02:09:18： よと 02:09:18 - 02:09:20： 私と皆さんで 02:09:20 - 02:09:22： 答えが違ったら合ってるか合ってないか 02:09:22 - 02:09:24： わかりませんから何数のシードを固定する 02:09:24 - 02:09:27： という方法もありました 02:09:27 - 02:09:29： でここから 02:09:29 - 02:09:31： ノートで見てきた 02:09:31 - 02:09:34： 線形変換非線形変換で目的関数の計算と 02:09:35 - 02:09:38： 順電波の一連の流れをお伝えしてきました 02:09:38 - 02:09:41： まず線形変換ですねこれ 02:09:41 - 02:09:43： こちらでした 02:09:43 - 02:09:46： fcxとこれFCの 02:09:47 - 02:09:49： 連結放送も定義してますからこうやって 02:09:49 - 02:09:51： 簡単にできちゃうと 02:09:51 - 02:09:54： で非線形変換はまたこれ 02:09:54 - 02:09:55： インポートを通知ドットファンクショナル 02:09:55 - 02:09:58： というのこれ便利グッズがここに入ってる 02:09:58 - 02:10:00： わけです引き線形変換する上でこの後の 02:10:00 - 02:10:04： 目的関数にも使われますけどでこのFを 02:10:04 - 02:10:06： 使ってF取れるで非線形変換ができちゃう 02:10:07 - 02:10:12： で目的関数はこの1行でFMSEロストと 02:10:12 - 02:10:14： いうところでできてしまうというところ 02:10:16 - 02:10:18： 今回ですねあの計算の 02:10:18 - 02:10:22： ご紹介に今 02:10:22 - 02:10:23： 計算のご紹介をしているというところなの 02:10:24 - 02:10:26： でまだこのネットワーク 02:10:26 - 02:10:28： 組んで学習をしてっていうところはやって 02:10:28 - 02:10:31： いませんでもディープラーニングそこが 02:10:31 - 02:10:33： 本題にはなるのでこの 02:10:33 - 02:10:36： 後そこを見ていこうと思いますまずは 02:10:38 - 02:10:40： 計算の一つ一つってどういう風にするん 02:10:40 - 02:10:42： ですかっていうのを 02:10:42 - 02:10:44： 詳しく今見ていってるだけというところ 02:10:45 - 02:10:48： 全体的な流れはこの後 02:10:48 - 02:10:49： ニューロンネットワークどうやって組んで 02:10:49 - 02:10:52： でどうやって学習をしていくのかという 02:10:52 - 02:10:54： 流れはこの後さらに詳しく見ていこうと 02:10:59 - 02:11:01： 実際にネットワークの学習を行っていき 02:11:03 - 02:11:05： 実際のデータを扱います 02:11:05 - 02:11:07： 実際のデータを使って 02:11:07 - 02:11:09： ネットワークの学習を回していこうと思い 02:11:10 - 02:11:12： でですね今回使うデータなんですが 02:11:12 - 02:11:15： ちょっとこれ最初にお見せした方が 02:11:15 - 02:11:17： イメージつきやすいと思いますのでこの 02:11:17 - 02:11:21： データ使いますと何かというとあやめ 02:11:21 - 02:11:24： あやめのデータアイリスって英語で言うの 02:11:24 - 02:11:25： でこの後アイリスっていうのは出てくるの 02:11:25 - 02:11:28： で覚えていただければと思いますがこの 02:11:28 - 02:11:32： あやめの分類のタスクに取り組んでいくん