OLS vs GD

までやったという訳でもないですが、データマイニング班の機械学習の基礎を抑えるということで、線形回帰モデルを例に前回「モデルとは何か、パラメータを求めたら良いのか」みたいな話をしてて。

今回はそれを実際に実装してみようということで、クラス設計〜テスト駆動開発〜OLSの実装に向けた式展開〜実装、を体験してもらい。GDについては式展開だけをしておき、fit関数を実装してみてる演習時間にしました。流石にいきなりの実装は難しかったっぽいが、ま、内部のイメージを少しでも持ててもらえれば。

機械学習のイメージを持たせるモデルをパーセプトロンにした方が良いかなと思いつつ、今の所は毎回線形回帰にしてます。特に主義があるというよりは、線形回帰の考え方を知らずに卒業させるのに抵抗があるぐらいの気持ち。ただ、知能情報コースになってからはデータサイエンス基礎の中でやってるようなので、より実装中心の設計にして時間を短くすることはできそうかな。とはいえ、モデルの背景やら含めた考え方を忘れた人が、そのまま実装っぽいことをやってみたとしても無駄な時間になりがちなので、最低限の説明はどうしても必要になりそうではある。

同じく「知らずに卒業させたくない」という理由で、主成分分析もやりたいと思いつつ、実験がメインの授業でそこまで講義時間取るのもなということでやれてないな。あれこれ細かい部分については後期に新しくやる専門科目に取り込んでみる予定ですが、予定は未定ともいうな（何）