昨日チャレンジしたAI Academy、ちょっと腰を据えて再チャレンジしました。
結果、初歩の初歩となる知識が不足しているっぽく理解が追いつかない点があったので、もうちょっと他で勉強して出直そう、と。
AI Academyで分かったこと
- 人工知能とは何なのか
- 機械学習の流れ（データの収集、前処理(クレンジング)に時間を要する）
- 機械学習とディープラーニングの違い
- ディープラーニングの何がすごいか
AI Academyで理解が追いつかなかった点
以下、次回再チャレンジに向けて、分からなかったところのメモです。(復習機能が便利！)
機械学習プログラミング体験編> 機械学習プログラミング体験編
ここで、svm.LinearSVC()とfit()に関して説明します。
→ svm.LinearSVC()の説明を見つけられず。。。（これは今後修正されるかも）
Deep learning入門編> 手書き数字認識
プログラムを写経して実行。実行した結果、Accuracyも99%とかなり高い結果となりました。
→お、おぅ。としか･･･
→写経して実行したものの、テキストと同じ結果にならず、グラフもテキストのように綺麗な形ではなく凸凹でした。（う〜ん、環境のせいかな・・・？）
機械学習プログラミング入門編> 機械学習アルゴリズムとマップ
下記マップをみることで、どの手法を使うと良いのかといった、アルゴリズムの選定をすることが出来ます。スタート→次元削減が必要かどうか？
→ これも知識がある人には便利なマップなんでしょうね。自分には最初の条件分岐で「次元削減が必要かどうか」の判断基準が分からず、「う〜ん･･･」となってしまいました。
機械学習プログラミング入門編> 2. Iris（アヤメ）の品種分類
ここで、svm.LinearSVC()とfit()に関して説明します。
→ svm.LineeSVC()の説明を見つけられず。。。（あ、これ前でも出てましたね。）
機械学習プログラミング入門編> 3. 住宅価格を予測する part3
二乗平均平方根誤差(Root Mean Squared Error/RMSE)および、決定係数(Coefficient of Determination)という評価指標にて予測モデルの良し悪しを検討していきます。
→ そもそも、何でこの2つの善し悪しを検討するのかが分かりませんでした。。。
次の章では、今まで進めてきたこのチュートリアルのまとめを見ていきましょう。
→ 次の章を見つけられず。。。（有償コースなのかも？）
機械学習アルゴリズム編> 回帰分析とは (単回帰と重回帰)
新たにテストデータを作成して、寄与率を計算してみましょう。
→テストデータとしていくつかの数値が突然登場するものの、このデータをどうやって作成したのかよく分からず。。。なので、結論として”重回帰の方が寄与率が高い”と言われても、「重回帰の方がテストデータの制度が高い、とかじゃないの？」と疑問が。。。
機械学習アルゴリズム編> 多項式回帰
これは明らかに、良いモデルとは言えません。
→ これも初歩的な知識不足だと思うけど、「なぜ明らかなの？」と。。。
まだリニューアル直後なので、改善されるかも。ということで無料公開してくれている期間に再チャレンジできれば。
コメント