こんな内容の発表会が終了しました。同級生かな、数名が聴講参加してくれたお陰で、程よい緊張感もある中での発表になったかと思います。ありがとう！ 3年次の学生実験ということで位置づけ的には「ミニミニ卒研」。シラバス的にはエンジニアリングデザイン演習ということで、 ○これまでの科目履修で身に付けた情報技術を駆使したモノづくり (D 論理性, F-2 実践性) ○テーマ毎の目標達成に必要となる更なる専門知識の獲得（A-1 積極性, H 専門性） ○新しい発想や工夫に基づくユニークなモノづくり（G-1, G-2 創造性） ○グループ作業を通したチームワーク力を身に付ける (C-3 コミュニケーション能力と国際性) あたりが達成目標。データマイ …

続きを読む

2020年度後期の3年次実験、データマイニング班の発表を以下の通り実施します。興味のある人はどうぞ参加ください。 日時: 2021年2月2日(火), 4限目。 場所: Zoom, Mattermostのwelcome_random_eventに周知します。 プログラム予定: 14:40-14:45, 流れ説明 14:45-15:05, Group 1 15:05-15:25, Group 2 15:25-15:45, Group 3 15:45-16:00, 振り返り、残タスク確認 発表内容 Group 1: 機械学習を用いた文字認識 機械学習を用いた文字認識は主に畳み込みニューラルネットワーク(CNN)を用いた方法と、文字の特徴を …

続きを読む

今日の3限目〜4限目にかけて、データマイニング班の最終発表があります。ZoomリンクはMattermostのwelcome_random_eventに流すつもりなので、興味ある人は覗きに来てください。質問とかしてもらってもOK。 日時：2020年7月30日(木), 12:50〜16:10 ＊冒頭5分程度で進め方を説明。 その後は1グループあたり発表＆質疑20分＋當間指摘数分の予定。 G1 タイトル：嵐の誰に似てるか識別する 概要：有名人の誰に似ているかを元にアプリ構成を考えました。しかし、今回は学習時間の都合で、嵐のメンバー5人の誰に似ているかを第一目標としてこのツールを作成しました。 方法としては、顔や目を検出できる学習済みのファ …

続きを読む

試験期間中ですが、データマイニング班の発表会があります。興味のある人はどうぞ〜。 日時：2/4(火), 4限目 場所：地創棟508 Group 1：幸福の定義 概要：kaggleから拾ってきた「世界幸福度調査」を元に,約150ヶ国の幸福度データをとても高い(幸福),高い(準幸福),低い(準不幸),とても低い(不幸)の4つのグループに分類し,機械学習によってどのようにグループ分けされるかを決定木分析によって調査する。拾ってきた初期状態(前処理等をしていない状態)のまま学習させた結果と,前処理(One-hot, 特徴の追加)を行なった後の制度の比較を行い,どのような特徴が幸福度に影響を与えるかを考察する。 Group 2：表情識別実験~ …

続きを読む

明日になりますが、データマイニング班の発表会があります。興味のある人はどうぞ〜。 日時: 8/1(木), 3限目 場所: 地創棟508 Group 1: LinearRegressionを用いたアニメタイトルの略語予測 概要: アニメのタイトルなど様々なものの略称には何かしらルールがあるものと仮定する。我々は略前略語のタイトル群を教師データに、主に回帰分析などの様々な機械学習手法を用いてその法則性を発見することを目的としている。さらに略前のタイトルから、これから略されるであろう略称を予測し提供することを最終目標にしている Group 2: インスタ映えする画像の判別機 概要: インスタグラムユーザがよく使う「インスタ映え」を投稿され …

続きを読む

3年次の学生実験は、教員一人あたり数人〜10数人程度での実施になることが殆どなので、その分細かい指導がしやすくて。データマイニング班前半はこんな感じで、授業寄りの基礎演習をやってて、後半はグループ単位での開発実習をやらせてます。 これも単に「やってて疑問に思う所あったら聞いてね」とか、「たまに見て回る」ではなく、進捗確認を兼ねた作業レビューをしています。ここでいう作業レビューとはペアプロとかモブプロに近いもので、大型モニタに接続して貰った状態で、内容確認しながら作業してもらい、その様子を見て気になる点へアドバイスし、実際に一緒に問題発見してみたり、修正してみたり、場合によってはググり方とか考え方を提示するに留めて考えさせてみたり、と …

続きを読む

データマイニング班の目標の一つが、 [ 解説記事: 怪奇!! 次元の呪い – 識別問題、パターン認識、データマイニングの初心者のために ] を読んで、ある程度のイメージを得られること。これまでの流れとしては、 ・簡単なモデルを例示し、 ・そのモデルを仮説としたときの適切なパラメータを求めたい。 ・そのために損失関数を定義し、 ・その関数が最小となるパラメータをOLS/GDで求める。 ・これだけでは「そもそも仮定としたモデルがどの程度妥当なのか」を説明できない。 ・それ以前にデータセットにはエラーやノイズが交じる。 ・データセットを信用しすぎて学習した状態を過学習と予備、それをどうにか避けたい。 ・代表的なアプローチがペナルティ項の導 …

続きを読む

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 …

続きを読む

デジタル大辞泉でいうところの3番目、「ある事象について、諸要素とそれら相互の関係を定式化して表したもの。」の方。 3年次実験のデータマイニング班で、ツールの一つとして機械学習外観する流れでモデルの話を。概念的な話だけでは伝わらないし、概観したいので、例示として線形回帰を題材に、 ・何がモデルで、 ・モデルを導入することで何をしたいのか、 ・このモデルにおいて何をすることが学習なのか、 ・機械的に学習させるにはどうしたら良いのか、 といった話をしてました。 実験なので手を動かす部分も用意しましたが、今はまだ勉強部分がメインですね。

続きを読む

データマイニング班の最終発表が終わりました。内容的には「機械学習を使ってみよう」で、応用を通してどこにどういう手間がかかるのか、問題や評価の設計の難しさを味わってもらってます。 Group 1: 人気ツイートのトレンド予測器 Group 2: クラスタリングを用いたおすすめ授業の選出と考察 Group 3: 機械学習によるセンター試験解答正誤分析 Group 4: 犬か猫の判別器 身の回りにあるデータを選ぶグループはデータ準備自体にも時間かかりますし、それ以前のどういうデータを集めるべきかがなかなか決められないこともあります。結果的にダミーデータでやってみるケースもありますが、それでも「一度通して最後までやってもらい、その最後から次 …

続きを読む