NTT R&Dフォーラム2013
の２月１５日にあった、ワークショップ
「Big dataを活かす機械学習技術」
についてメモメモ。
メモを基に書いているので、書き漏らしがあると思う
間違いもあるかも。
まちがってたら、ごめん、
■データ量の増大
２０１１年１．８ＺＢ→２０２０年４０ＺＢ
理由：
スマートセンシングの普及
ビッグデータの経済効果
アメリカ：ビッグデータ研究イニシアチブ
■アジェンダ
１．従来のデータ分析とどう違うか
２．機械学習とは
３．研究ビジョン
■１．従来のデータ分析とどう違うか
・分析対象の多様化
構造化データ＋非構造化データ
蓄積データ＋ストリームデータ
・Twitterで株価予測
インディアナ大 J.Bollen 86.7％あてた
・色情報を自動復元
・量を活かした分析
まったく異なるアプローチ
自然のデータ
分析のシナリオが独創的
・ビッグデータ分析
単一種類のデータ分析→多種多様から新価値創造
■２．機械学習とは
１９５０～８０ 人工知能研究の開花 記号処理
８０ 人工知能 エキスパート、ニューラルネット
９０ データマイニング 計算機
２０００～ 統計的機械学習 非構造データ、データマイニング
・機械に学習能力をもたせる 文字認識とか
学習能力：未知データでも性能を発揮する汎化能力
学習スキーム
教師有り
教師なし
半教師＊
アンサンブル
半教師：ラベルなしデータをつかう
収集コストをさげ、識別能力が上げられる
教師：多重トピック分類
（１）スパースなデータ
（２）多重トピック
ＰＭＭ（パラメトリック混合モデル）
機械学習
汎用性
工学／数理アプローチ
・ビッグデータ
冗長性：ビッグデータの大半は役に立たない
信頼性：ノイズ多い
→確率モデル
・確率モデルの構成要素
生成モデル：仮説
潜在変数
古典的手法：アマゾンの協調フィルタリング
類似ユーザー
確率モデル
推薦者→コミュニティ→結果
↓
ベイズの定理
■３．研究ビジョン
・More is different アンダーソン
当時の行き過ぎた要素還元主義に反論
１つの法則で記述するのはＸ
・最新理論だけでなく、技術の融合とデザイン
・スマートコンバージェンス
異種情報の融合
・研究プラットフォーム
バッチ＋Jubatas（ゆばたす）
・関係データ解析
関係の類似性からクラスタ構造を自動抽出
例：オンラインコミックデータの分類
・生成モデルの考え方
グルーピング：ディリクレ過程に基づく分類
β分布によるパラメータ生成
ベルヌーイ分布に基づく０／１
非負値行列因子分解を応用
・予兆発見
センサデータ
・クラウド、ビッグデータ、モバイル、ソーシャル
の２月１５日にあった、ワークショップ
「Big dataを活かす機械学習技術」
についてメモメモ。
メモを基に書いているので、書き漏らしがあると思う
間違いもあるかも。
まちがってたら、ごめん、
■データ量の増大
２０１１年１．８ＺＢ→２０２０年４０ＺＢ
理由：
スマートセンシングの普及
ビッグデータの経済効果
アメリカ：ビッグデータ研究イニシアチブ
■アジェンダ
１．従来のデータ分析とどう違うか
２．機械学習とは
３．研究ビジョン
■１．従来のデータ分析とどう違うか
・分析対象の多様化
構造化データ＋非構造化データ
蓄積データ＋ストリームデータ
・Twitterで株価予測
インディアナ大 J.Bollen 86.7％あてた
・色情報を自動復元
・量を活かした分析
まったく異なるアプローチ
自然のデータ
分析のシナリオが独創的
・ビッグデータ分析
単一種類のデータ分析→多種多様から新価値創造
■２．機械学習とは
１９５０～８０ 人工知能研究の開花 記号処理
８０ 人工知能 エキスパート、ニューラルネット
９０ データマイニング 計算機
２０００～ 統計的機械学習 非構造データ、データマイニング
・機械に学習能力をもたせる 文字認識とか
学習能力：未知データでも性能を発揮する汎化能力
学習スキーム
教師有り
教師なし
半教師＊
アンサンブル
半教師：ラベルなしデータをつかう
収集コストをさげ、識別能力が上げられる
教師：多重トピック分類
（１）スパースなデータ
（２）多重トピック
ＰＭＭ（パラメトリック混合モデル）
機械学習
汎用性
工学／数理アプローチ
・ビッグデータ
冗長性：ビッグデータの大半は役に立たない
信頼性：ノイズ多い
→確率モデル
・確率モデルの構成要素
生成モデル：仮説
潜在変数
古典的手法：アマゾンの協調フィルタリング
類似ユーザー
確率モデル
推薦者→コミュニティ→結果
↓
ベイズの定理
■３．研究ビジョン
・More is different アンダーソン
当時の行き過ぎた要素還元主義に反論
１つの法則で記述するのはＸ
・最新理論だけでなく、技術の融合とデザイン
・スマートコンバージェンス
異種情報の融合
・研究プラットフォーム
バッチ＋Jubatas（ゆばたす）
・関係データ解析
関係の類似性からクラスタ構造を自動抽出
例：オンラインコミックデータの分類
・生成モデルの考え方
グルーピング：ディリクレ過程に基づく分類
β分布によるパラメータ生成
ベルヌーイ分布に基づく０／１
非負値行列因子分解を応用
・予兆発見
センサデータ
・クラウド、ビッグデータ、モバイル、ソーシャル
デブサミ２０１３に、
２月１５日行ってきたメモメモの続き。
ＴＯＣを基にした？ＴＯＣｆＥ：ＴＯＣ Ｆｏｒ Ｅｄｕｃａｔｉｏｎのお話。話の中で、
吉田さんの例は、ドッチボールについて
川野さんの例は、至急への対応
と例を上げて説明されたのですが、あえて、その例については、ふれずに
（触れるとＴＯＣｆＥの手法が判りにくくなる）、
エッセンスだけを書きます。
＜吉田さんのまき＞
・こどもにも現場の悩みがある
何で、そうしたかったのか聞く
どうなるといいのか
・対立解消図（クラウド）
対立の状況を提示する
箱を埋めるだけ(下図参照）
＜＜かわのさん＞＞
・クラウド（対立解消図）は、問題を特定し、解決策を出すために使う
・作って読む
[1]特定する（作る）
（１）問題の特定
（２）対立している行動の特定（上図D,D'を埋める）
（３）要望の特定（D、D’をもとにB,Cを埋める）
（４）共通目標の特定（B,CをもとにAを埋める）
[2]読む
「共通目標」のためには「要望」が必要である
「要望」のためには、「行動」すべきである
読んでみて、しっくりこなかったら修正
当事者がしっくる来ればＯＫ、こなかったら、[1]→[2]を繰り返す
要望とは行動の結果であり、得られるものであり、満たされるもの
[3]ヒントを探す
「なぜならば」を探す（要望と行動の間）
（要望、行動が上下にあるから、２箇所でる）
[4]解決
各なぜならばを崩す方法を考える
（上下）２つを解決する方法を考える
・実際にやってみる
＜＜このほかに：中さんから＞＞
クラウド
ブランチ
アンビシャスターゲットツリー
Ｐ．Ｓ
でも、なんで、司会者の人（男）は、メイド服着てたんだろう・・・
・・・よくわからん？？？
２月１５日行ってきたメモメモの続き。
ＴＯＣを基にした？ＴＯＣｆＥ：ＴＯＣ Ｆｏｒ Ｅｄｕｃａｔｉｏｎのお話。話の中で、
吉田さんの例は、ドッチボールについて
川野さんの例は、至急への対応
と例を上げて説明されたのですが、あえて、その例については、ふれずに
（触れるとＴＯＣｆＥの手法が判りにくくなる）、
エッセンスだけを書きます。
＜吉田さんのまき＞
・こどもにも現場の悩みがある
何で、そうしたかったのか聞く
どうなるといいのか
・対立解消図（クラウド）
対立の状況を提示する
箱を埋めるだけ(下図参照）
＜＜かわのさん＞＞
・クラウド（対立解消図）は、問題を特定し、解決策を出すために使う
・作って読む
[1]特定する（作る）
（１）問題の特定
（２）対立している行動の特定（上図D,D'を埋める）
（３）要望の特定（D、D’をもとにB,Cを埋める）
（４）共通目標の特定（B,CをもとにAを埋める）
[2]読む
「共通目標」のためには「要望」が必要である
「要望」のためには、「行動」すべきである
読んでみて、しっくりこなかったら修正
当事者がしっくる来ればＯＫ、こなかったら、[1]→[2]を繰り返す
要望とは行動の結果であり、得られるものであり、満たされるもの
[3]ヒントを探す
「なぜならば」を探す（要望と行動の間）
（要望、行動が上下にあるから、２箇所でる）
[4]解決
各なぜならばを崩す方法を考える
（上下）２つを解決する方法を考える
・実際にやってみる
＜＜このほかに：中さんから＞＞
クラウド
ブランチ
アンビシャスターゲットツリー
Ｐ．Ｓ
でも、なんで、司会者の人（男）は、メイド服着てたんだろう・・・
・・・よくわからん？？？
アクセス
トータル
ランキング
