機械学習

RNN,LSTMは時系列から予測することができるディープラーニングの手法です。この記事ではRNN,LSTMがどういった仕組みで動くのか簡単に説明したあと、Pytorchを使用して実装してみます。おおよその仕組みを理解してコードを理解することができたら自分なりに応用させていくことができます。

ディープラーニングについてなんとなくわかっても実際にコードをみてみないと理解できない部分も多いと思います。この記事ではPyTorchを使用してディープラーニングの基礎の基礎をサンプルコードで説明します。

AIでは主にディープラーニングが使用されています。この記事では文系・技術者でない方でもディープラーニングの仕組みを理解できるように説明していきます。ディープラーニングができることや具体的な仕組みについて説明していきます。

機械学習のうちの「教示あり学習」でクラス識別する方法を解説します。カーネル法という線形分離、非線形分離を行いデータをカテゴライズしていきます。クラス識別とはどういうものなのか、サンプルコードを含めて解説していきます。

逐次処理では必要以上に時間がかかってしまいます。Pythonの並行処理は「マルチプロセス」と「マルチスレッド」があります。この記事では並行処理がどういったものか、それぞれの並行処理の違いについてサンプルコードを使って説明します。

データを分析するにはまずデータを分類することが必要です。相関関係のあるデータを見つけることができたら統計から将来を予測することができるようになります。機械学習には非階層クラスタリングにてデータを分類することができます。この記事では「シルエット法」を利用してデータを分類するやり方を説明します。

k-means法を利用した非階層クラスタリングはクラスター数を指定して、それに合わせてデータを分類していきます。この記事ではエルボー法を用いて最適なクラスター数を求める方法を紹介します。実際にサンプルデータを使用して分類するまでのコードも紹介します。

機械学習の１つ「グループ分類」には「階層化クラスタリング」「非階層化クラスタリング」があります。この記事ではそれぞれの違いを説明した上で、「非階層クラスタリング」の計算方法と実際の実装コードを紹介していきます。