人工知能ディープラーニング機械学習のための数学 [無断転載禁止]©2ch.net
■ このスレッドは過去ログ倉庫に格納されています
宗教は発生するんかな
ニートとかなったり自殺するAIとか出てくるんかな 鬱になるのは苦しまずに喰われるためらしいから
喰われないプログラムは鬱にならない気がする 脳科学って宗教みたいなもんだろ
生物学の理論って基本ガバガバじゃん
数学、論理学、物理学から理論を展開しないと AI にロールシャッハテストするとどんな回答するかな ロールシャッハテストで診断する側のAIならすぐ実用化しそう 人工知能って独学可能ですか?
パイソンは独学で覚えましたが、本格的に人工知能のエンジニアになるには独学じゃ厳しいでしょうか?
入学時には三浪の年齢になると思いますが今からでも情報工学科行った方が良いのでしょうか?
それとも学部レベルのことは人工知能関連の企業に勤めれば習得可能でしょうか? エンドユーザー的なのと、最前戦でちがうだろ。
アルファ碁みたいな人工知能研究を10年進めたみたいな画期的なやつは
専門の大学、大学院へいったほうがいいのでは。
すでにあるディープラーニングソフトを使う(使ったプログラムを作る)のは企業就職でもいいだろ。 >>248
なるほど
ちなみに三浪じゃどっちにしろそういう高度な研究職にはつけないよね?
いくら情報工学部行っても最終的にはプログラマーやシステムエンジニアになるのであれば最初から現場で学んだ方がいいのかな というか東大や東工大の大学院に文系学部から入るって現実的に可能なのかな...? そもそも人工知能学科なんて日本に多分ないわけで、
情報系でも講義があったとしても、せいぜい1つか2つでしょ。
総合的に勉強したいなら意味はあるだろうね。 >>252
一応東工大では人工知能の大学院があるな... 人工知能って、勉強する対象としてどうなんだろうね?
誰かが思いついた方法をただ学ぶだけ?
他の誰かが別の良い方法を思いついたらまたそれを学ぶ?
あまり勉強しがいのある対象じゃないように思うんだよね。
完全な実学でしょ。
勉強するなら数学とか勉強したほうがいいんじゃないの? >>247
大学行けるレベルなら独学でもOK
高卒は無理 >>254
別の良い方法を自分で思いついたつもりでも
現状の「人工知能」の性能と比べようと思ったら
やっぱり現状の「人工知能」の知識は必要なので
勉強する対象としてはアリ >>257
大学へ「行ける」レベルなら高卒も含まれるのでは。 >>251
三浪とか学部は文系だったけど研究者になった人とかはたまにいるから
理系の大学院に進学すること自体は別にいいとおもうけど
今人が集まって生きているから、パッと思いつくアイデア、面白そうな研究テーマは
既に誰かがやってしまっていて、自分がやることにはブームが去って
自分は周回遅れで、その残りカスをやる羽目になって後悔する可能性はあるよ。 >>261
え、理系って大学院でても別に研究者になるとは限らないんじゃないの?ある程度のレベルの大学以上だとほとんど大学院に進学するみたいだし
それとも時期的な話?今から5年後にはもうAI自体が下火になってるってことか?? >>249
3浪はさほど生涯にはならないと思うけど、数学はできないと厳しいぞ
ツール使うだけにしても自分が何をやってるのか背景にある技術や理論が理解できないと、どのツールを選ぶのか判断できないし、問題があった時にも対処できない >>263
本当か?信じてええんやな?
独学で学部レベルの情報工学やるか、三浪で工学部入るか迷うけどとにかくどっちにしろ数学必要だろうから数学勉強し治すわ
ありがと どのツールを使うのかの選定から入れるレベルって、
それなりに偉くなってからじゃないの?
SEレベルなら自社で売ってるパッケージを勧めるだけだしw
高卒で働くか三浪しても大学行くかだったら、断然後者だが。 >>265
ツールってのはソフトウェアのパッケージのことじゃなくてアルゴリズムのことな
訓練データ食わせて抽出したパラメータが今ひとつだった時にどうすればいいの?もっと訓練データが必要?重みパラメータにペナルティ加えるだけでいい?モデルの見直しが必要?そもそもこの分析手法で合ってるの?
みたいな
逆にそういうことは他の人が考えてくれて、自分は擬似コードをPythonで書き直すだけなら派遣会社へ電話すれば良い 自分が何をやってるのか背景にある技術や理論が理解できてない
↓
どのツールを選ぶのか判断できない
↓
問題があった時にも対処できない
このパターンはまってるひとたまに見かけるけど本人は気付いてないんだよな >>259
そうか?
車輪の再発明かな?
空中浮遊術の発明じゃないのか? でももの凄い監視社会がやってきそうだな。こんなもん開発していいんだかな。 数学とかどの分野でも必須だろ
線形代数すらまともにできないゴミプログラマーとかってこれから先マジでどこに需要あんの あと機械学習やりたいだけで学部まで変えるな
独学で十分と思う。なりより下火だし 人工知能もムーミンの舞台はムーミン谷と答えるだろうね 機械学習なんて古い技術的だろ、なんで今脚光を浴びてるのかわけわからんわ。 >>286
その通り、それ自体は以前からある技術。
ところが、扱い方に大きな変革が出てきたという話。
そこが理解できていないとちょいまずい。 詳しいことは分からんが、将棋ソフトが俺でも勝てるレベルからプロ以上になったんだからハードスペック以上の進化は間違いなくしてるな >>290
ほんとに簡単に説明すれば
データから学習するというのは80年代から行われていて
90年あたりから実務で利用されている90年半ばからのデータマイニングに於いての
利用がまさにそれ。ところが自動化と言う面ではアルゴリズム的な問題から
自動的な学習はまだまだで人の介在が多かった。その部分独学できるような
アルゴリズムが出てきた(その代表がディープラーニング)おかげで、それが
現実のものになってきたという流れ。
要はソフトが独学できるようになたったイメージでとらえるといいかも。 ディープラーニングをGPUにさせてるっていう書き込みを最近見るんだが
目的は何だろうか?
金が儲かるのか? >>293
速い、性能が高いだけだろ。
スパコンもおもにGPUを組合せて作る。
グーグルはGPUを超えるディープラーニング用のGPUみたいなやつ独自開発もした。 GPUは分岐処理は苦手だけど、並列計算はクソ速い
ディープラーニングだとそれがめちゃくちゃ有用 >>296
だからディープラーニングして
その先の目的は何? >>298
目的は人それぞれ
研究だったりビジネスだったり >>301
そういうことやってるやつそんなおらへんやろと思うんだよね
その割にディープラーニングやってるやつ多すぎやろ 現段階では使えるか微妙だけど、なんかバズってるし将来必要かもわからんから
くらいの感じじゃないかね。
本当に有効に使えてるところが多いとは思わん。 画像認識とかが一番多い
セキュリティ、医療、農業、工業その他諸々応用性は高い
金はめっちゃ掛かる 話題性でかつ人が今のところ少ないから
金が高いそれだけだろね。
いつまで続くか、結構長く続くかもしれないし
短いかもしれない。
なにしろ、独自のアルゴリズムでなんてのを追い求めて
金になりなんて人は一握りのそのまた一握り。
あとは、パッケージ化された手法を使いまわす応用アプリケーションに
なるので。そこまで金にならなくなるだろね。
でも今は金になってるのは事実でしょう。 人件費、計算資源、教師データの収集
この辺り
特に、普通の写真や動画に含まれる文字認識とかになると、
・文字列の範囲の認識
・文字の分割
・文字の認識
と沢山の工程があって、実質的に複数の学習が必要になって非常にコストがかかる 人工知能って結局バブルなん?
なんか医療用の画像診断と翻訳以外だといまいち結果残せてない気がする
EVはともかく、たぶん自動運転はぽしゃるかんじがするし 誰もわからんってのが答えだろ。
とりあえず言えることは人工知能は20~30年周期で盛り上がったり盛り下がったりはしてる。
300年後とか逆に遠い未来ならともかく、10年、20年くらいじゃどうなるなんて正確には誰もわからんよ。 自動運転は要求される精度が厳しいからまだ難しそうだな
LIDARとかハードウェア的なコストの問題もあるし 後から人間の目でチェックできる用途だとアプリケーションに合わせてprecisionかrecallのどちらかが高いのを選択すればいいけど、
自動運転は両方が高くないと危険だからな 自動運転で動きが無いものの判別が難しいらしいね
米国で駐車していた消防車に激突 岡谷貴之著『深層学習』のpp.17-18に
「事後確率 p(d=1 | x) は、条件付き確率の定義から
p(d=1 | x) = p(x, d=1) / (p(x, d=0) + p(x, d=1))
と書けます。」
と書いてあります。
例えば、 p(x, d=0) は 入力が x で正解が d=0 である確率のことでしょうか? >>316
ありがとうございます。
ということは、
>>313
の
「例えば、 p(x, d=0) は 入力が x で正解が d=0 である確率のことでしょうか?」
は間違っていないということですか? >>313
p(d=1 | x) = p(x, d=1) / (p(x, d=0) + p(x, d=1))
これは、
p(d=1 | x) = p(x, d=1) / (p(x)
とも書けますか? >>319
その本持ってないけどdは1か0しか取れないんでしょ?
であれば、そう書ける
つーかそれが条件付確率の式で (p(x, d=0) + p(x, d=1))の形式はベイズでよくやる表記 >>320
ありがとうございます。
はい、 d = 0 か d = 1 です。
x は、人物の画像で、その人物が男性の場合 d = 1、
女性の場合 d = 0 という例が書いてあります。
p(x) というのが分かりません。入力となる人物の画像の集合 X の要素 x に対して
p(x) を計算するということですが、 X を定義することなどできるのでしょうか? あるフォーマットのすべての画像の集合 = X ということですか? 岡谷貴之著『深層学習』のpp.17-18の辺りが何を言いたいのか分かりません。
この本を持っている方に解説をお願いしたいです。 ロジスティック関数 y = 1 / (1 + exp(-u))
の y は確率と解釈した。
では、 u は何であるか?
それは、
log(p(x, d = 1) / p(x, d = 0))
と解釈できるということが言いたいのでしょうか? 多分、「xという観測結果から、dが0なのか1なのかを判断しようとしている」 ことを理解できていないね >>328
p(d=1 | x) は入力が x であるときに、 d=1 である確率だと思います。 人物の画像ではなくランダムな画素値をもつノイズのような画像を与えても、
それが男性(d=1)である確率はいくらだとか女性(d=0)である確率がいくらであるとか
ナンセンスではないんですか?
というかそもそも出力をなぜ確率だと解釈するんですか? で、ロジスティック関数 は1か0かの判別に有効な関数ね
これで大体わかると思うけどどうかな 活性化関数についても疑問があります。
始めは生物をモデルとしてシグモイド関数を使っていたそうですが、
正規化線形関数のほうが性能がいいとか、間抜けすぎませんか?
なぜ生物を真似るというような馬鹿なことをするのですか? それとある手法がなぜうまくいくのかの説明が本に書いてないです。
「この手法ではこうする。そうするとうまくいくことが論文で報告されている」
みたいなパターンばかりです。 ■ このスレッドは過去ログ倉庫に格納されています