機械学習1章・2章

教師あり学習

教師なし学習

強化学習

その他

半教師学習

転移学習

学習データが不足している際に有効

教師あり学習

教師あり学習における学習データは、正解ラベルと特徴量から構成される

既知のパターンを検知

教師なし学習

学習データに正解ラベルを含まない（データ全体の性質を学習する）

未知のパターンの発見

手法)クラスタリング、GAN（敵対的生成ネットワーク、画像生成、アソシエーション分析

強化学習

報酬を手がかりに、環境に適した行動を学習する手法

手法）イプシロング・グリーディー

半教師学習

手法）

分類機に基づく手法ー自己訓練

データに基づく手法ー半教師ありK近傍法

深層学習

単体で機械学習を行えるユニットを、並列・多段で繋げて使い倒すような機械学習

実装

コンテナデータ型の変数に注意

.copyを使うことによって新たなコンテナデータを作成できる

code:py

y = x

y = x.copy()

合成関数の実装方法

code:python

def f1(x):

return x**2

def f2(x):

return 2 * x

def f3(x):

return x + 2

x1 = f1(x)

x2 = f2(x1)

y = f3(x2)

シンプルに前の変数を代入

数値微分の実装

𝑓′(𝑥)=𝑓(𝑥+ℎ)–𝑓(𝑥−ℎ)/2ℎ

code:python

def fdiff(f):

def diff(x):

h = 1e-6

return(f(x+h)-(x-h)) / 2*h

return diff

二次関数 2x**2+2を上の数値微分の関数に適用させる

code:python

def f(x):

return (2 * x**2 + 2)

# fの微分結果の関数diffを取得

diff = fdiff(f)

# 微分結果を計算しy_dashに代入

y_dash = diff(x)

sigmoid関数を適用させる

code:python

def g(x):

return 1 / (1 + np.exp(-x))

diff = fdiff(g)

y_dash = diff(x)

pytorchではこれらを簡単にできる仕組みを内蔵している。

PyTorchによる機械学習

カスタムクラス定義　独自にクラスを定義する必要あり

オブジェクト指向

クラス：型

インスタンス：クラスから生成された個別の実体

クラス内の変数を属性

クラス内の関数をメソッド

二次元上に点を描画するコードをオブジェクト指向でかく

code:python

class Point:

＃インスタンス生成時に必ずxとyの二つの引数を持つ

def __init__(self, x, y):

self.x = x

self.y = y

def draw(self):

plt.plot(self.x, self.y, marker='o', markersize=10, c='k')

インスタンスの生成

code:python

p1 = Point(2,3)

p2 = Point(-1,-2)

インスタンスの属性へのアクセス

code:python

print(p1.x, p1.y)

print(p2.x, p2.y)

draw関数の呼び出し

code:python

p1.draw()

p2.draw()

plt.xlim(-4,4)

ply.ylim(-4,4)

plt.show()

クラスの継承

先ほどのPointクラスを再利用し円を描画する

code:python

class Circle(Point):

def __init__(self, x, y, r):

super().__init__(x, y)

self.r = r

def draw(self):

c = patches.Circle(xy=self.x, self.y), radius=self.r, fc='b', ec='k')

ax.add_patch(c)

インスタンスの生成

code:python

c1 = Circle(1,0,2)

ax = plt.subplot()

p1.draw

p2.draw

c1.draw

plt.xlim(-4,4)

ply.ylim(-4,4)

plt.show()

インスタンスを関数として使う

__call__を使う

code:python

class H:

def __call_(self, x):

return 2*x**2 + 2

呼び出し

code:python

h = H

y = h(x)

pytorchの基本機能

tensor変数の生成時には、必ず後ろにfloat関数の呼び出しをつけてdtypeを強制的にfloat32に変換する

code:python

r0 = torch.tensor(1.0).float()

print(r0.dtype)

例外）多値分類用の損失関数は、損失関数呼び出し時に第二引数に整数型を指定する必要がある

code:python

r1 = torch.tensor(r1_np).float()

r2 = r1.long()

numpy tensor

reshape = view

code:python

torch.manual_seed(123)

r3 = torch.randn((3,2,2))

r4 = r3.view(3, -1)

r5 = r3.view(-1)

item関数

item関数は、一階のテンソルまたは、要素が一つしかないテンソルにのみ有効

max関数

テンソル内で最も大きい数字を抜き出す

code:python

# 2つめの引数はどの軸で集約するかを意味する

torch.max(r2,1)

pytorchからnumpy

code:python

r2.data.numpy()

r2.data.numpy().copy()

自動微分機能

勾配＝偏微分

変数xの定義

code:python

x_np = np.arange(-2,2.1,0.25)

x = torch.tensor(x_np,requires_grad=True,dtype=torch.float32)

y = 2 * x**2 + 2

z = y.sum

z.backward()

print(x.grad)

x.grad.zero_()