기계 학습을 배우기 시작한 지 한 달 만에 일했습니다.

Advent Calendar에 처음 참여합니다.

기계 학습을 어떻게 배웠는지 by 닛케이 xTECH 비즈니스 AI② Advent Calendar 2019의 캘린더가 묻혀 있다고 생각했습니다만, 비어 있었으므로 급히 쓰기로 했습니다.

경위

향후의 안건에 대비해 2019년 12월부터 본격적으로 공부하기 시작했습니다. 이계의 대학 나오고 있기 때문에 수식 봐도 우는 되지 않습니다.

학습의 흐름

다음 순서로 학습했습니다.

통계

기계 학습

DeepLearning

TensorFlow ← 최근

통계를 미리 이해해 두는 편이, ML/DeepLearning을 간단하게 이해할 수 있을까나와 나중에 Kaggle 하고 싶다고 하는 곳으로부터 통계를 처음으로 학습했습니다.
실제로 회귀당 최소 제곱법이라는 이야기를 이해해두면 DeepLearning에서 손실 비용을 최소화해 가는 흐름도 확실히 이해할 수 있을까라고 생각합니다.

통계

통계 WEB를 이용했습니다. 링크는 아래 참조
대학에서 확률의 기대치·분산·분포당의 증명은 했던 기억이 있습니다만, 실제로 어떤 것에 이용되고 있는지의 인식은 없었기 때문에, 상당히 즐거웠습니다. (더 빨리 배우는 것이 좋았다,,,)

한번에 한 뒤 scipy 를 이용하면서 python으로 문제를 해결하면서 python을 사용하는 방법이라든지 얼른 기억했습니다. 기본적으로 Google Colaboratory를 사용했습니다. 편리

기계 학습

『Python 기계 학습 프로그래밍 달인 데이터 사이언티스트에 의한 이론과 실천』에서 들어왔습니다.
기계 학습 전반의 지식을 익히는 목적이었습니다. 사경하면서 임했습니다만, 꽤 좋은 책이라고 생각합니다.

DeepLearning

『제로부터 만드는 Deep Learning ―Python에서 배우는 딥 러닝의 이론과 구현』을 읽었습니다.
실제로 처음부터 만들기 때문에

활성화 함수

손실 함수

오차 역전파법

근처는 꽤 알기 쉽다고 생각했습니다.

TensorFlow

DeepLearning이 꽤 재미있을 것 같기 때문에 TensorFlow 사용해 보자! 같아요.
간단하게 tutorial 한 후에는 CycleGAN 튜토리얼에서 직접 준비한 이미지에 맞게 학습시켜 놀고 있습니다.

미래

앞으로 Kaggle의 경쟁에 참여하기를 목표로 할 것입니다

참고

WEB

통계 웹

TensorFlow tutorials

TensorFlow tutorials CycleGAN

책

아마존의 링크입니다.

Python 머신 러닝 프로그래밍 전문가 데이터 과학자의 이론과 실천

처음부터 만든 Deep Learning - 파이썬에서 배우는 딥 러닝의 이론과 구현