2. CONFIDENTIAL
簡単なReNomの各製品紹介
This material is confidential and the property of GRID Inc.
ReNom DL
Deep Learningのフレームワーク
[エンジニア]
・Hyperparameter探索
・functionalモデルによる柔軟な記述
・renom.jpでDeep Learningの基本的な使い方
と過学習などについて習熟
[ビジネスマン]
・renom.jpに掲載されるユースケースを通した
新しいビジネス提案
・開発元に依頼することで必要な機能を
実装してもらえる
https://github.com/ReNom-dev-team/ReNom
ReNom TDA
Topological Data Analysisを使った
可視化のツール
・データから共通要素などを抽出
https://github.com/ReNom-dev-team/ReNomTDA
ReNom DP
Data Processing一般に関するツール
・時系列データの可視化
・時系列・数値データの補間
・説明変数の自動生成
・Feature Selection
https://github.com/ReNom-dev-team/ReNomDP
ReNom TAG & ReNom IMG
非プログラマ・非研究者に向けた物体検出用ツール
・画像に対する物体検出アルゴリズムの教師データは
XML形式など特殊なので教師データの作成に一苦労
・画像を使った異常検知などの需要はあるが、実装できる人材が少ない
・教師データをマウスで囲うだけで
教師ラベル用のXMLファイルを自動生成
・ クリックなど簡単な操作で検出アルゴ
リズムによる物体検出
3. CONFIDENTIAL
ReNom TAG & ReNom IMG
This material is confidential and the property of GRID Inc.
課題
・画像検出用の教師データはXML形式
でプログラマ以外には取り扱い難しい
・モデルの良し悪しをわかりやすく管理したい
人の検出などの検出アルゴリズムをプログラミング経験が無くても実行ができるように
ReNom TAGによる教師データ作成 ReNom IMGによる学習と予測・モデルの管理
ReNom TAGでマウスとキーボードさえあれば簡単作成
モデル毎の予測精度を可視化
4. CONFIDENTIAL
ReNom DP
This material is confidential and the property of GRID Inc.
時系列データに対する前処理
課題
・時系列データは欠損が多かったり、
壊れているセンサーが妙な値をずっと出して
いたりする
・ヒストグラムで変なデータが無いか、
元のデータの分布を確認
・欠損値を任意の手法で補間
5. CONFIDENTIAL
ReNomチュートリアル
This material is confidential and the property of GRID Inc.
ReNomチュートリアル
エンジニア
・必要最低限の仕組み・数学知識やpython
・ReNomの使い方
・外部研修
Algorithm
・最適化で使われるSGDやAdam, Adagradはどういう更新方法になっているのか
・よく出てくるパラメータとは何のことなのか
・そもそも中で何をやっているのか
Product
・ReNomはどんなことができる製品なのか
・ReNomの各製品でCNNを使った画像検品を行いたい場合はどのように実行するのか
Usecase
・Deep Learningには画像向きのCNN, 時系列向きのLSTMがあると聞いたが、実際はどのような応用があるのか
・AIを使ったシステム開発を依頼したいが、画像系のAI開発に強い会社はあるのか
ビジネスマン
・AIをどんな場面で活用するか想像がつく
6. CONFIDENTIAL
Deep Learningに必要になってくる情報
This material is confidential and the property of GRID Inc.
X軸:摂取カロリー
Y軸:血糖値
・入力と出力の関係が分かっている場合(例:1cal摂取で3mg/dL血圧上昇が起こる)
𝑦 = 3𝑥
・入力と出力の関係が分かっていない場合(例:0~1cal摂取ではほぼ変わらないが、32~33calで大きく変わる)
𝑦 = 0.2 ∙ 𝑟𝑒𝑙𝑢 0.23 ∙ 𝑥 + 0.44 + 0.1 ∙ 𝑟𝑒𝑙𝑢(0.55 ∙ 𝑥 − 0.5)
学習の必要性
7. CONFIDENTIAL
Deep Learningに必要になってくる情報
This material is confidential and the property of GRID Inc.
𝑦 = 0.2 ∙ 𝑟𝑒𝑙𝑢 0.23 ∙ 𝑥 + 0.44 + 0.1 ∙ 𝑟𝑒𝑙𝑢(0.55 ∙ 𝑥 − 0.5)
𝑤1, 𝑤2, ⋯ , 𝑤 𝑛, 𝑏
𝑥1, 𝑥2, ⋯ , 𝑥 𝑛
入力データ
(摂取カロリー、体温、身長、・・・)
係数(パラメータ)
1.スタートはwに適当な値をセットする
2.𝑦 = 𝑤1 𝑥1 + ⋯ + 𝑤 𝑛 𝑥 𝑛を計算する
3.yと正解(血糖値)を比較
4.yと正解の差を小さくなるようにwを更新
摂取カロリー 体温 血糖値
11:00 10 36.7 101
12:00 15 37.0 127
13:00 13 36.9 114
𝑦 出力データ(血糖値)
8. CONFIDENTIAL
Deep Learningに必要になってくる情報
This material is confidential and the property of GRID Inc.
loss function
𝑤1
𝑙𝑜𝑠𝑠
𝑦 = 𝑤1 𝑥1
摂取カロリー
(x1)
血糖値
(y)
11:00 10 101
12:00 15 127
13:00 13 114
loss=予測値yと真の値yの差
目標
・lossが0に近くようにwを更新したい
課題
・今のlossは計算できてもどう更新したらいいのか
分からない
・そもそも今のlossは0では無いが、既に最適解
なのではないか
アプローチ
・微分を計算することで値を少しずらしたときの
挙動が分かる
微分:lim
𝑛→0
𝑓 𝑥+∆𝑥 −𝑓(𝑥)
(𝑥+∆𝑥)−(𝑥)
xを少しだけ+にずらしたときの
f(x)の変化を表している
微分値0 微分値>0 微分値<0
13. CONFIDENTIAL
まとめ
This material is confidential and the property of GRID Inc.
・Deep Learningは学習によってLossを最小にするwを求める
・学習するときは微分で自分の位置を把握して更新
・活性化関数を使うことで複雑な関数を表現する