AWS Deep Learning
0⃣ コースの概要
1⃣ 機械学習の概要
2⃣ 深層学習(ディープラーニング)の概論
3⃣ Apach MXNet の紹介
4⃣ AWS における ML/DL アーキテクチャ
5⃣ コースのまとめ
トレーニング学び
ペンがあるだけで聞きやすさUP
全体的に非常に丁寧
MLのデータ基盤はBigData のトレーニング
機械学習資格に対応したトレーニングになっている
重要性
まずはデータが必要
なんでMLが必要なの?
無かったらどう困るの?
IF/Thenルールで良くない?
曖昧の判断が必要
周りのルールが変わる度に変更が必要
従来との違い
Bef:ロジックを設計
Aft:データを覚えさせる(モデル)
ロジックは不要
データを流す
データ ⇒ パイプライン ⇒ モデル
ex. 誰がドローンを買ってくれるか?
マーケティングの鬼が「ここだ!」を当てる
おもちゃを買った人じゃないか?
機械学習の構成要素
予測
抽出(データマイニング)
要約
最適化
適応
ユースケース
パーソナライズ
不正検出
ターゲティング
コンテンツ推奨
予測コンテンツ読み込み
UX向上
カスタマーサポート
コンテンツの分類
解約予測
機械学習の種類
1⃣ 教師あり学習(ディープラーニング)
2⃣ 教師なし学習
3⃣ 強化学習
お手本となるようなデータを登録しておく
データの類似度を基にグルーピング(クラスタ化)
似てるグループ同士にグルーピングしてくれる
似た購買顧客を特定することに使えそうだ
従来の機械学習の課題
課題:難易度が高い、遅い、高価、リスキー
解決:クラウド活用
AWSでの機械学習
マネージド型サービス
Polly:音声読み上げ
Rekognition:画像認識
モジュール型
SageMaker
Lex:チャットボット
制御
EC2でOSレベルから構築
Translate:翻訳
Transclibe:文字お越し
Comprehend:感情分析
目標
DLとは
深層学習って何?
SageMakerの特徴を理解
AI > 機械学習 > ディープラーニング
人工ニューラルネットワーク(脳回路)
を使用してタスクを学習するよ
脳神経細胞の動きを参考に処理
DLを理解する
In;樹状突起 ⇒ 体細胞 ⇒ Out:軸索終末
入力/樹状突起
Bias:W0
Cost:W1
Rating:W2
要約関数/体細胞
出力/軸索終末
ΣWiXi
Y
活性化関数/軸索
いきなりぱにっく
ディープの所以:ニューラルネットワークの深さ
要は統計的アプローチ
SageMaker
課題:大規模な配列演算を高速に処理できるのか?
主要機能
ノートブック:開発環境提供
トレーニング:学習モデルをつくる
推論機能:モデルを使って推論環境をつくる
テンプレでノンコーディングで学習も可能
GrandTrueth:教師あり学習のラベリング
DL用のフレームワーク
フレームワーク比較
「命令型」「宣言型」両方のプログラミングが可能
API群
C++と同じように処理宣言 ⇒ bind実行とする
Gluonインタフェース
画像 ⇒ 一次元配列化 ⇒ あ
深層学習モデルをデプロイ
環境おさらい
開発:Jupyter
トレーニング
推論
なぜ機械学習が必要か?
現状の課題
解決するAWSサービス
click to edit