Neuro-educator さん プロフィール

  •  
Neuro-educatorさん: 「STEM教育×脳科学×AI」から未来を考えるブログ
ハンドル名Neuro-educator さん
ブログタイトル「STEM教育×脳科学×AI」から未来を考えるブログ
ブログURLhttp://neuro-educator.com
サイト紹介文著者"Neuro-educator"がビジネス、教育、人材育成について、私見をつづります。
自由文著者"Neuro-educator"が「STEM教育×脳科学×AI」という切り口で、ビジネス、教育、人材育成について、私見をつづります。
参加カテゴリー
更新頻度(1年)情報提供81回 / 148日(平均3.8回/週) - 参加 2017/05/03 15:18

Neuro-educator さんのブログ記事

  • CartPoleでDQN(deep Q-learning)、DDQNを実装・解説【Phythonで強化学習:第2回】
  • Deeplearningを用いた強化学習手法であるDQNとDDQNを実装・解説します。学習対象としては、棒を立てるCartPoleを使用します。 前回記事では、Q-learning(Q学習)で棒を立てる手法を実装・解説しました。CartPoleについて詳細は、こちらを御覧ください。CartPoleでQ学習(Q-learning)を実装・解説【Phythonで強化学習:第1回】強化学習で倒立振子(棒を立て続ける)制御を実現する方法を実装・解説します。本回ではQ学習(Q-lea [続きを読む]
  • LocallyLinearEmbedding (次元圧縮)【Pythonとscikit-learnで機械学習:第25回】
  • LLE(LocallyLinearEmbedding)によるデータの非線形次元圧縮を実装します。 非線形な構造を持つデータにおいて、Isomapがうまくいかない場合に、LLEが使用されます。 LLEは、scikit-learnのアルゴリズムチートマップの以下の黒矢印に対応します。 [scikit-learnのマップ] 次元圧縮→PCA機能せず→サンプル数1万以下→Isomapが機能せず→[LLE]です。 LLEの実装本記事ではムーンのサンプルデータを使用して、次元圧縮を行います [続きを読む]
  • Isomap (次元圧縮)【Pythonとscikit-learnで機械学習:第24回】
  • Isomapによるデータの非線形次元圧縮を実装します。 PCAが機能しない非線形な構造を持つデータにおいて、データ数が膨大でない場合にIsomapが使用されます。 Isomapは、scikit-learnのアルゴリズムチートマップの以下の黒矢印に対応します。 [scikit-learnのマップ] 次元圧縮→PCA機能せず→サンプル数1万以下→[Isomap]です。 Isomapの実装本記事ではムーンのサンプルデータを使用して、次元圧縮を行います。 実装コードは以 [続きを読む]
  • SpectralEmbedding (次元圧縮)【Pythonとscikit-learnで機械学習:第23回】
  • SpectralEmbeddingによるデータの非線形次元圧縮を実装します。 PCAが機能しない非線形な構造を持つデータにおいて、データ数が膨大でない場合にSpectralEmbeddingが使用されます。 SpectralEmbeddingは、scikit-learnのアルゴリズムチートマップの以下の黒矢印に対応します。 [scikit-learnのマップ] 次元圧縮→PCA機能せず→サンプル数1万以下→[SpectralEmbedding]です。 SpectralEmbeddingの実装本記事ではムーンのサンプ [続きを読む]
  • Kernel PCA (次元圧縮)【Pythonとscikit-learnで機械学習:第22回】
  • Kernel-PCA(主成分分析)によるデータの非線形次元圧縮を実装します。 PCAは固有値分解であり、線形変換です。 そのためデータ構造が非線形な場合には、うまくいかない場合があります。 そのような場合に、Kernel PCAが使用されます。 Kernel PCAはカーネルトリックを用いて、データを非線形変換した後にPCAを実施する方法です。 Kernel PCAは、scikit-learnのアルゴリズムチートマップの以下の黒矢印に対応します。 [scikit [続きを読む]
  • PCA 主成分分析(次元圧縮)【Pythonとscikit-learnで機械学習:第21回】
  • PCA(主成分分析)によるデータの次元圧縮を実装します。 昨今のビッグデータ化や、とりあえずデータを用意してみるという風潮から、データの「次元圧縮」の重要性はますます高まっています。 「次元圧縮は」多次元のデータから「意味のある特徴量」を特定したり、新たな軸を作る(基底を変換する)ことで、少ない変数でデータを再現します。 本記事ではデータの次元圧縮で第一に用いられるPCA(Princial Component Analysis) [続きを読む]
  • SVR Regressor rbf(回帰分析)【Pythonとscikit-learnで機械学習:第19回】
  • SVR(rbf)回帰によって、連続データを線形回帰分析する手法を、実装・解説します。 本記事ではrbfカーネルを適用した回帰手法を紹介します。 rbfカーネルを使用することで、非線形な回帰分析が可能になります。直線ではフィッティングできないデータに対して、SVR rbfを使用することが推奨されています。 SVR rbf回帰分析は以下のscikit-learnマップの黒矢印に対応します。 [scikit-learnのマップ] 目的変数の量を求める→サン [続きを読む]
  • SVR Regressor Linear(回帰分析)【Pythonとscikit-learnで機械学習:第18回】
  • SVR(Linear)回帰によって、連続データを線形回帰分析する手法を、実装・解説します。 本記事ではSVMをベースとした回帰手法であるSVR(Support Vector Regression)を実装します。 SVMはカーネルトリックで非線形を扱いますが、本記事ではまず線形カーネルによる回帰手法を紹介します。 SVMを回帰解析に使用するってあまり直感的ではないですが、そのあたりも説明したいと思います。 SVR Linear回帰分析は以下のscikit-learn [続きを読む]
  • Ridge Regressor(回帰分析)【Pythonとscikit-learnで機械学習:第16回】
  • Ridge回帰によって、連続データを線形回帰分析する手法を、実装・解説します。 本記事ではRidge Regressorを実装します。 Ridge回帰はL2ノルムのペナルティを与える解析手法です。これは回帰直線とデータの誤差に加えて、「係数w, bの2乗和」を誤差に加えるというペナルティ手法です。 このL2ノルムによって、係数wが非ゼロになりやすくなることが知られています。(つまりどの特徴も重要視しようとします) Ridge回帰分析は以 [続きを読む]
  • Lasso Regressor(回帰分析)【Pythonとscikit-learnで機械学習:第15回】
  • Lasso回帰によって、連続データを線形回帰分析する手法を、実装・解説します。 本記事ではLasso Regressorを実装します。 Lasso回帰はL1ノルムのペナルティを与える解析手法です。これは回帰直線とデータの誤差に加えて、「係数w, bの絶対値」を誤差に加えるというペナルティ手法です。 このL1ノルムによって、係数wがスパースになることが知られています。 Lasso回帰分析は以下のscikit-learnマップの黒矢印に対応します。 [sc [続きを読む]
  • SDG Regressor(回帰分析)【Pythonとscikit-learnで機械学習:第14回】
  • SGD回帰によって、連続データを線形回帰分析する手法を、実装・解説します。 本記事ではSGD Regressorを実装します。 回帰分析は連続値である被説明変数yに対して、説明変数xでyを近似する式を導出する分析です。 主に線形回帰を扱い、y = w・x +bという関係を満たす係数wとb(切片)を求めます。 SGD回帰はStochastic Gradient Descentを使用する回帰分析です。近似式を導出するために係数を求めていきますが、全部のデータを [続きを読む]
  • CartPoleでQ学習(Q-learning)を実装・解説【Phythonで強化学習:第1回】
  • 強化学習で倒立振子(棒を立て続ける)制御を実現する方法を実装・解説します。本回ではQ学習(Q-learning)を使用します。 本記事では最初に倒立振子でやりたいことを説明し、その後、強化学習とQ学習について解説を行います。 最後に実装コードを示し、コードを解説します。 倒立振子(cartPole)とはまずは動画をごらんください。 小学生のころ、ほうきを手のひらで立てて遊んだと思いますが、あれです。 一般に倒立振子 [続きを読む]
  • VBGMM(クラスタ分析)【Pythonとscikit-learnで機械学習:第13回】
  • VBGMMによって、データをクラスタリング解析する手法を、実装・解説します。 本シリーズでは、Pythonを使用して機械学習を実装する方法を解説します。各アルゴリズムの数式だけでなく、その心、意図を解説していきたいと考えています。 本記事ではVBGMM・Clusteringを実装します。 VBGMMはVariational Bayesian Gaussian Mixtureの略称です。日本語では変分混合ガウス分布とも呼ばれるようです。 VBGMMはクラスター数が分か [続きを読む]
  • MeanShift(クラスタ分析)【Pythonとscikit-learnで機械学習:第12回】
  • MeanShiftによって、データをクラスタリング解析する手法を、実装・解説します。 本シリーズでは、Pythonを使用して機械学習を実装する方法を解説します。各アルゴリズムの数式だけでなく、その心、意図を解説していきたいと考えています。 本記事ではMeanShift・Clusteringを実装します。 MeanShiftはクラスター数が分からない場合に、データをクラスターに分類する手法です。複数のガウス分布を仮定して、各データがどのガウ [続きを読む]