handson01.md

川島の自己紹介

ハンズオン参考書籍

*　「今すぐ試したい！機械学習・深層学習（ディープラーニング）画像認識プログラミングレシピ」強制ではありませんが、こちらの本をお持ちですとスムーズかもしれません。

• https://github.com/Kokensha/book-ml

Colaboratoryの使用準備と使い方の説明 (10分)

• Google Colaboratoryの有効化（有効化していない人のみ） (2分)
• Google Colaboratory Notebookの作成 (2分)
• Pythonのバージョンの設定、確認、HelloWorld (2分)

print "Hello world!"

• Google Colaboratory Notebookへのファイルアップロード (2分)

from google.colab import files
uploaded = files.upload()

• Google Colaboratory Notebookでのパッケージのインストール (2分)

  • 例

  !pip install -U tensorflow
  !pip install -U scikit-learn
  !pip install -U sklearn
  !pip install -U scipy
  !pip install -U numpy
  !pip install -U matplotlib
  !pip install -U pandas

書籍のJupyter NotebookファイルをGoogle Colaboratoryにインポートする

• 04-03(scikit-learn iris).ipynb : https://github.com/Kokensha/book-ml/blob/master/Colaboratory/04_03(scikit_learn_iris).ipynb

「あやめの分類」にチャレンジしよう (40分)

Pythonプログラムの解説もします。

• 参考: https://github.com/Kokensha/book-ml/blob/master/Colaboratory/04_03(scikit_learn_iris).ipynb

機械学習向けフレームワークscikit-learnの紹介 (5分)

• scikit-learn URL https://scikit-learn.org/stable/
• scikit-learn　バージョンの確認

import sklearn
print(sklearn.__version__)

機械学習のはじめの第一歩「あやめの分類」の概要 (2分)

• アヤメの花　https://ja.wikipedia.org/wiki/%E3%82%A2%E3%83%A4%E3%83%A1

- 目的：アヤメの花びらや萼片のサイズの関連性を見つけ出す

アヤメデータの説明(データに慣れる) (10分)

データに慣れることがとても重要！ データの構造、意味が分からないと、良い結果に繋がる処理ができない

• Andersonが採取、整理し、Fisherが1936年論文で使用

• データセットの中身

  • iris.feature_names（いわゆる教師ラベル）
    • Sepal Length（がく片の長さ）
    • Sepal Width（がく片の幅）
    • Petal Length（花びらの長さ）
    • Petal Width（花びらの幅）
  • iris.target種類
    • setosa
    • versicolor
    • virginic
  • iris.data
    • 四列の数値

• アヤメデータの用意

iris = datasets.load_iris()

• 表形式でデータを見る
• データ全件をみる
• 一つの特徴量を見てみる
• データの可視化
  • 1列目、2列目のデータを使う場合
  • 3列目、4列目のデータを使う場合
  • 3Dグラフ（次元削減）
  • 

１回目の学習プロセス

１回目は、グラフを描きながら、解説を丁寧に行う

*　分類と回帰 (2分)

• 分類の例
• 回帰の例

• サポートベクターマシンの紹介と理論の解説、1,2列のデータを使う (2分)

  • SVMは重要は分類と回帰のアルゴリズムである
  • 超平面を求める手法である
  • 回帰係数と誤差（グラフで、クラスの間の境界線）

• 超平面（Hyper-plane） (2分)

• 交差検証、3,4列のデータを使う(5分)

  • 交差検証とは
    • 学習データ（train_data）と検証データ(test_data)を分ける
    • 検証データは、学習に使わない
  • Mlxtend (machine learning extensions) http://rasbt.github.io/mlxtend/

• 分類（predict）

２回目の学習プロセス(5分)

２回目は、グラフなし、コンパクトなプログラム

• 学習と検証
• 分類（predict）

実際に「あやめの分類」をやってみよう (2分)

参考リンク

• https://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html
• アヤメデータセットについて（Fisher's アヤメデータセット、Anderson's アヤメデータセット）：https://en.wikipedia.org/wiki/Iris_flower_data_set

今後(5分)

• 今後は「じっくりハンズオンクラス」と「ビジネスオリエントクラス」開講も検討しています。「じっくりハンズオンクラス」は、初心者向けでゆっくりしっかり基礎から、大量のレシピをクリアしていくことで、機械学習と深層学習の重要基本をしっかり身に着けるコースです。「ビジネスオリエントクラス」は機械学習、深層学習の実際の業務をイメージして、特訓する中級学習コースとなります。（内容変更、調整することがあります。）

質疑応用（0-30分）

アンケート回収

スタッフ片付け、解散

第2回目手書き数字認識