はじめての機械学習
AI Labo.で、いよいよ「AIポイ」ことを始めてみようと思います。
ゴールとしては、異常予測システムを、機械学習を使って作ってみたいと思います。
とはいえ、まずは、機械学習のド素人な私が、作り方を学んでみたことを、忘備録的に書いてみようと思います。
単回帰分析/重回帰分析を経て、その先まで進めて行きたいのですが、今のところ、重回帰分析までを、「はじめての機械学習」として取り組んでみます。
シリーズのコンテンツ
機械学習ことはじめ…
私が機械学習に取り組むきっかけとなったのは、「機器の故障予測がしたい！」という相談を受けたからでした。 365日24時間稼働している機器を運用していると、故障の連絡が来ると、即時対応が必要となります。これは、仕事とはいえ、休みなく続く仕事です。 機器の状態は、毎分データセンターに収集されており、故障の連絡と同時に機器の情報を確認することで、問題を把握することができます。 この機器情報を常に監視できれば、故障発生前の予兆を認識し、事前に対応することも可能だと考えられます。しかしながら、監視対象の数が膨大になると、故障の検出はできても、故障の予兆を事前に察知するのは、難しいと思われます。
このような背景から、今注目を集めているAIにデータを学習させて予兆を検出できれば、休日や夜間の緊急対応を軽減し、働き方改革も進められると思い、この取り組みを始めました。
機械学習を学ぶためには、最低限必要な数学的知識、実際の機器からの情報の統計処理のための知識、そしてシステムを動かすためのプログラミング知識が必要です。これらを整理していく必要があります。
具体的なプログラミングについては、Pythonを使用します。Pythonにはスカラー、ベクトル、行列を扱うための多くのパッケージがあり、機械学習の基礎となる数学知識が少ない私でも、手順に沿って進めれば、単回帰分析や重回帰分析、ディープラーニングなどを取り扱いやすいと思います。
このブログでは、学んだことを順番に要点だけ記載していきますので、参考にしていただければ幸いです。
機械学習の３大トピック
- 教師あり学習（Supervised Learning）:
- 教師あり学習は、ラベル付きのトレーニングデータを使用してモデルを学習する手法です。
- トレーニングデータには、入力（特徴量）と対応する出力（ラベル）が含まれます。
- モデルは、入力と出力の関係を学習し、未知のデータに対して予測を行うことができます。
- 教師あり学習の例としては、分類（Classification）や回帰（Regression）があります。
- 教師なし学習（Unsupervised Learning）:
- 教師なし学習は、ラベルのないデータからパターンや構造を抽出する手法です。
- トレーニングデータには、入力（特徴量）のみが含まれ、出力ラベルはありません。
- モデルは、データの特徴やクラスタを発見し、データを自己組織化することができます。
- 教師なし学習の例としては、クラスタリング（Clustering）や次元削減（Dimensionality Reduction）があります。
- 強化学習（Reinforcement Learning）:
- 強化学習は、環境との相互作用を通じて行動を学習する手法です。
- エージェントは、環境からのフィードバック（報酬または罰則）を受け取りながら、行動を選択していきます。
- エージェントは、報酬を最大化するように学習し、最適な行動方策を獲得します。
- 強化学習の例としては、ゲームAIやロボット制御などがあります。
これらの3つのトピックは、機械学習の主要なアプローチをカバーしており、さまざまな問題に対して応用されます。
注意点として、機械学習は内挿（学習データ範囲での予測）でのみ有効だということです。決して、外挿（学習範囲外）で予測を行ってはいけないということです。
「はじめての機械学習」では、単回帰分析や重回帰分析による予測を通じて、Pythonを使えるようになることを目標にします。
つまり、「教師あり学習」をターゲットとして学んでいきます。
次は、少し数学的な知識をおさらいしましょう。→「はじめての機械学習」-数学知識編へ