Please enable JavaScript.

Coggle requires JavaScript to display documents.

+++ 今回の開発要件に適した開発環境を調査する (今回はどんな開発要件か？ (前提となる属性下記が会員登録時、必ず設定される。 …

- - - - 学習手法
        
        教師なし学習
        事前の正誤判定無しに、データの分析を行う
        (入力者が想定していないような、データの連続性、パターンを探る）
        
        クラスタリング :no_entry:
        
        パターン分析 :no_entry:
        
        教師あり学習
        事前に「この場合、こういう判断になる」という
        正しいデータを判断材料として格納する
        
        または、新規データを判断したことに対して
        人が正誤判定を行い、正しいデータとして格納する。
        上記を判断材料とし、新規に入ってきたデータの判断を行う
        
        分類
        離散したデータモデルを元に、新しいデータを分類分けする
        
        回帰
        連続したデータモデルを元に、未知のデータを予測する
        
        強化学習
        
        「行動の選択肢」と「報酬」を定時し、強化学習は一連の行動を通じて報酬が最も多く得られるような方策(policy)を学習する。
        
        試してみよう
        強化学習（ディープラーニング）チュートリアル:no_entry:
        http://qiita.com/Hironsan/items/56f6c0b2f4cfd28dd906
        
        単語
        
        Epsilon-Greedy
        確率ϵで探索、確率1−ϵでQ値が最大のものを選ぶという方法。
        
        Q学習 http://www.sist.ac.jp/~kanakubo/research/reinforcement_learning.html
        これは、或る環境状態sの下で、行動aを選択する価値（行動の価値）Q(s,a)を学習する方法となる。
        或る状態sのとき、Q(s,a)の最も高いaを最適な行動として選択すればよい。
        
        動作確認
        
        vagrantで動作確認を行う
        https://nndo.backlog.jp/file/BIZ_MA/vagrant(nginx_django_uwsgi)/
        django 1.11.3 py36_0 anaconda django-filter 1.0.4 <pip> djangorestframework 3.6.4 <pip> ipython 5.3.0 py36_0 pip 9.0.1 py36_1 python 3.6.1 2 uWSGI 2.0.15 <pip>
        root でnginxを起動
        nginx
        vagrantユーザでuwsgiを起動
        cd /usr/share/nginx/html/mySite/
        uwsgi --ini uwsgi.ini
        192.168.33.10/myappでdjango起動（Hello nginx）
        django不要なので
        /usr/share/nginx/html/mySite/mySite_nginx.conf
        のdjango設定系をコメントアウト
        uwsgi停止(ctrl+c)
        nginx再起動
        nginx -s reload
        /usr/share/nginx/html/がdocumentrootになっていることを確認
        ★★考えてみれば、ipython notebookで実行できるなら
        特にこのサーバ設定いらないかも・・・・
        
        vagrantで作ったVMでipython notebookを立ち上げてローカルからアクセスする
        http://qiita.com/wwacky/items/133e81bd5cd558b27b7b
        $vagrant up $vagrant ssh -- -L 8888:localhost:8888 [vagrant@localhost ~]$ ipython notebook
        下記URLからipythonNotebookにアクセスできる
        http://localhost:8888/
        
        チュートリアルの内容をcloneする
        cd /usr/share/nginx/html/ git clone https://github.com/satopirka/RL
        
        pythonファイルをスクリプト実行
        http://qiita.com/samacoba/items/0b54a1a469ad95f01991
        %run -i test.py
        によって、「test.py」のスクリプトでの実行ができる。
        
        printの書き方がpython2系
        書き直し
        pygameがない
        conda install pygame
        無かったので
        pip install pygame
        でok
        novideo
        pygame.error: No available video device
        https://ameblo.jp/nikukakuni/entry-11775487256.html
        （SDL_VIDEODRIVERはx11を指定する）
        起動しないのでホストにxserverをインストール
        この辺りから泥沼な気がしてくる
        brewでインストール
        http://blackswan.hateblo.jp/entry/2016/12/18/011448
        うまくいかねぇ・・・
        gnome入れる
        $ sudo yum -y groupinstall "GNOME Desktop"
        起動モードを graphical.target に変更する。
        $ sudo systemctl set-default graphical.target $ systemctl get-default graphical.target
        あとは再起動するだけ。
        $ sudo shutdown -r now
        ・・・GUIから実行したができない。
        本筋ではないので一度ストップする
        
        ディープラーニング:red_flag:
        Deep Learningとは、十分なデータ量があれば、人間の力なしに機械が自動的にデータから特徴を抽出してくれるディープニューラルネットワーク（DNN）を用いた学習のことです
        なので、ディープラーニングを使用した「教師あり学習」
        「教師なし学習」
        「強化学習」
        といったものが存在する
        
        ニューラルネットワークとは
        脳を模倣したモデルで、入力層、隠れ層、出力層の3種類の層から成る。入力に対して単純な変換を何回も繰り返し、予測結果などを出力する構造をしている。
        http://nnadl-ja.github.io/nnadl_site_ja/chap1.html
      - アルゴリズム
        
        アルゴリズム選定の注意事項
        https://docs.microsoft.com/ja-jp/azure/machine-learning/machine-learning-algorithm-choice
        精度
        可能な限り最も正確な回答を得ることが常に必要であるとは限りません。
        トレーニング時間
        評価にどの程度の時間が掛るか
        線形/非線形
        集合データの属性をチェックし、適切なアルゴリズムを用いる。
        時間や季節により変動するようなデータは、線形では望ましくない可能性がある
        
        種類
        
        2 クラス分類
        ロジスティック回帰
        デシジョンフォレスト
        デシジョンジャングル
        ブーストデシジョン
        ニューラルネットワーク
        平均化パーセプトロン
        サポートベクター
        ローカル詳細サポートベクター
        ベイズポイント
        
        多クラス分類
        ロジスティック回帰
        デシジョンフォレスト
        デシジョンジャングル
        ニューラルネットワーク
        
        回帰
        線形
        ベイジアン線形
        デシジョンフォレスト
        ブーストデシジョンツリー
        高速フォレスト分位
        ニューラルネットワーク
        ポワソン回帰
        序数
      - 基礎として覚えるべき数学の知識
        機械学習をこれから始める人の線形代数を学ぶモチベーション
        http://s0sem0y.hatenablog.com/entry/2017/07/14/223325
        １．線形代数
        ２．微分積分
        ３．確率・統計
        線形代数の基本・「スカラー」「ベクトル」「行列」の積
        http://qiita.com/mucunwuxian/items/10cb0f014964446fa2a3
        見たら瞬時に理解すべき数式
        http://s0sem0y.hatenablog.com/entry/2016/11/12/133617
      - 適したプログラミング言語
        どうもpython一択のように思われる。
        Deep learning はなぜ pythonで実装されることが多いのですか？
        https://teratail.com/questions/33373
        代表格のnumpyライブラリ（C、C++）が数学的計算が得意。ライブラリ部分はコンパイル言語なので、高速
        python自体はスクリプト言語だが、細かなパラメータ調整を行う場合、スクリプトの方が有利となる。
        
        python自体は簡潔なコードで機能を実装できるものなので
        実質、いかにライブラリを把握し、使いこなすかが重要