今日の世界におけるディープ・ラーニング
ディープ・ラーニングは大きなインパクトをもたらしていますが、それはほんの始まりにすぎません。
ディープ・ラーニングとGAN:これらの関係
敵対的生成ネットワーク(GAN) は、機械学習アルゴリズムの一種です。敵対的生成ネットワーク(GAN)は、データ科学者がデータ量の多い深層学習モデル用の合成データを作成するのに役立ちます。合成データを使用することで、これまで実現不可能だった深層学習モデルの作成が可能になるため、これは非常に重要なことです。
SASにおけるディープ・ラーニングの活用事例
このステップバイステップのガイドでは、複数のニューラルネットワークのモデルを比較し、その使用方法を説明します。ディープ・ラーニングの技術と応用事例を紹介し、SAS がディープニューラルネットワークのモデル作成をどのようにサポートするかを紹介します。
ディープ・ラーニングを使用して画像を埋め込む方法
埋め込みモデルを適用すると、画像などの入力データの次元数が削減されます。埋め込みモデルの適用により、入力画像が低次元ベクトルに変換されるため、他のコンピュータビジョンのタスクでの使用が容易になります。重要なのは、類似した画像が類似したベクトルに変換されるようにモデルをトレーニングすることです。
ディープ・ラーニングの仕組み
ディープ・ラーニングは、アナリティクスで解決しようとする課題の提示方法に関する考えを一変させます。 この手法では、課題の解決方法をコンピューターに指示するのではなく、課題を自律的に解決できるようにコンピューターに学習させます。
特徴表現
ディープ・ラーニングは、特徴エンジニアリングから特徴表現へと移行する、モデル構築におけるパラダイムシフトです。
ディープ・ラーニングのレイヤ(層)
ディープ・ラーニングでは、既知の変数を使用して未知の変数を予測するのではなく、データのレイヤー(層)を調べてデータの潜在的な特徴を認識します。
ディープ・ラーニングの結果
ディープ・ラーニングは、新しいデータの到着に応じて適切に一般化し、適切に適応し、継続的に改善する予測システムを実現します。この手法では、人間がデータにモデルを当てはめるのではなく、データを用いた学習作業をソフトウェアに課すのです。
アナリティクスに対する従来のアプローチでは、既存のデータを用い、特徴エンジニアリングによって新しい変数を導き出し、適切と思われる分析モデルを選択した上で、最終的に、そのモデルのパラメータ(つまり未知の係数値)を推定します。このような手法で予測システムを構築することは可能ですが、完全性や正確性はモデルとその特徴のクオリティに大きく依存するため、なかなかうまく一般化することができません。例えば、特徴エンジニアリングで不正対策モデルを開発する場合は、何らかの変数セットを出発点とし、データ変換手法を用いてこれらの変数からモデルを導き出す方法が一般的でしょう。その結果、例えば3万個の変数に依存するモデルが得られたとすると、有意な変数とそうではない変数の選別などを通してモデルのシェイプアップも行わなければなりません。そして、新しいデータを追加するたびに、以上の全てを繰り返す必要があります。
ディープ・ラーニングによる新しいアプローチは、モデルの定式化と仕様を、層内の規則性からデータの潜在的な特徴を認識することを学習する階層的な特徴付け(またはレイヤ(層))に置き換えることです。
SASの高度なアナリティクス
ディープ・ラーニングはデータ・サイエンティストのツールキットに含まれる1つの手法にすぎません。 予測、テキスト分析、最適化など、その他の高度なアナリティクス手法についても、ぜひ詳細をご確認ください。
推奨資料
- 記事 大和証券の成約率を2.7倍にしたAI×マーケティング膨大な個人顧客と多種多様な商品、顧客接点を持つリテールビジネスにおいて、その都度「次の最善な一手」を導き出し続けるのは容易ではない。営業担当者の「経験」や「勘」だけに頼れば、結果的に顧客に提供するサービスの質にもバラつきが発生しかねない。大和証券ではこうした課題を解決し顧客満足度を向上させるために、AI技術を導入した。
- ブログ記事 機械学習アルゴリズム選択ガイド機械学習に取り組み始めた時にまず感じる疑問は「どのアルゴリズムを使えばよいのか?」でしょう。機械学習アルゴリズムには多くの種類があり、そのすべてを熟知している人以外は、なかなかすぐに最適なアルゴリズムを選択できません。ここでは、目的に最適なアルゴリズムを見つけ出すためのチートシートを紹介します。
- 記事 IoTデータへの機械学習の適用機械学習やモノのインターネット(IoT)に関する理論的な議論から離れ、実用的なビジネス・アプリケーションについてお話しします。