Python

Pythonで最適化問題を解く方法を現役エンジニアが解説【初心者向け】

初心者向けにPythonで最適化問題を解く方法について解説しています。ナップザック問題は、商品の重さが色々ある中で何を入れればナップザックの価値が最大化するのかという問題です。解法には動的計画法など様々なものがあります。

テックアカデミーマガジンは受講者数No.1のプログラミングスクール「テックアカデミー」が運営。初心者向けにプロが解説した記事を公開中。現役エンジニアの方はこちらをご覧ください。 ※ アンケートモニター提供元：GMOリサーチ株式会社　調査期間：2021年8月12日～8月16日　調査対象：2020年8月以降にプログラミングスクールを受講した18～80歳の男女1,000名　調査手法：インターネット調査

Pythonで最適化問題を解く方法について解説します。

そもそもPythonについてよく分からないという方は、Pythonとは何なのか解説した記事を読むとさらに理解が深まります。

なお本記事は、TechAcademyのオンラインブートキャンプPython講座の内容をもとに紹介しています。

今回は、Pythonに関する内容だね！

どういう内容でしょうか？

最適化問題を解く方法について詳しく説明していくね！

お願いします！

最適化問題（数理最適化問題）とは

数理最適化問題(Mathematical Optimization Problem)とは、ある制約条件の中で、最もよい解(最大値や最小値)を選択することです。

有名なものが「ナップザック問題」です。これは「積載量の決まったナップザックに、複数種類の荷物(価格と重量が異なる)を入れる時、最も価格の高くなる組み合わせは何か」という問題を解くものです。

「ナップザック問題」の場合はナップザックの積載量という制約条件のもとで、荷物の合計価格という目的関数を最大化することになります。

制約条件や目的関数を線形方程式や線形不等式で表せるので、「ナップザック問題」は線形計画問題というパターンに分類されています。

最適化問題を解く方法

最適化問題には様々なバリエーションがあるので、解き方も様々です。ここでは、PuLPというモジュールを使って、線形計画法の問題を解いてみます。

以下のコマンドでPuLPをインストールします。

pip install pulp

[PR] 未経験からWebエンジニアを目指す方法とは

実際に書いてみよう

線形計画法を使った例題

こちらの線形計画法の例題を用います。以下に内容を転記します。

あるレストランで、手持ちの材料からハンバーグとオムレツを作って利益を最大にしたいと考えています。手持ちの材料は以下の通りです。

ひき肉 3800 [g]
タマネギ 2100 [g]
ケチャップ 1200 [g]

商品を作るのに必要な材料の量は以下の通りです。

ハンバーグ 1 個あたり、ひき肉 60 [g]、タマネギ 20 [g]、ケチャップ 20 [g]
オムレツ 1 個あたり、ひき肉 40 [g]、タマネギ 30 [g]、ケチャップ 10 [g]

販売価格は以下の通りです。

ハンバーグ 400 [円/個]
オムレツ 300 [円/個]

総売上を最大にするには、ハンバーグとオムレツを幾つずつ作れば良いでしょうか。

ソースコード

from pulp.pulp import LpProblem
from pulp.pulp import LpVariable
from pulp.constants import LpMaximize


# 今回の問題では総和を最大化するので LpMaximize を指定する
problem = LpProblem('Restaurant', LpMaximize)

# 使用する変数
hamburg = LpVariable('Hamburg')
omelet = LpVariable('Omelet')

# 目的関数
problem += 400 * hamburg + 300 * omelet

# 制約条件
problem += 60 * hamburg + 40 * omelet <= 3800  # ひき肉の総量は 3800g
problem += 20 * hamburg + 30 * omelet <= 2100  # 玉ねぎの総量は 2100g
problem += 20 * hamburg + 10 * omelet <= 1200  # ケチャップの総量は 1200g

# 解く
problem.solve()

# 結果表示
print('ハンバーグの個数: {hamburg}'.format(hamburg=hamburg.value()))
print('オムレツの個数: {omelet}'.format(omelet=omelet.value()))

実行結果

ハンバーグの個数: 30.0
オムレツの個数: 50.0

解説

最初にpulpモジュールをインポートしました。売上最大化が目的なので、LpMaximizeを指定しました。

目的関数と制約条件を設定し、線形計画法を解きました。ハンバーグ30個、オムレツ50個という最適解を得られました。

監修してくれたメンター

橋本紘希

システムインテグレータ企業勤務のシステムエンジニア。

開発実績: Javaプログラムを用いた業務用Webアプリケーションや、基幹システム用バッチアプリケーションなどの設計構築試験。

内容分かりやすくて良かったです！

ゆかりちゃんも分からないことがあったら質問してね！

分かりました。ありがとうございます！

TechAcademyでは、初心者でもPythonを使った人工知能（AI）や機械学習の基礎を習得できるオンラインブートキャンプPython講座を開催しています。

挫折しない学習方法を知れる説明動画や、現役エンジニアとのビデオ通話とチャットサポート、学習用カリキュラムを体験できる無料体験も実施しているので、ぜひ参加してみてください。

Pythonの配列要素数を取得する方法について現役エンジニアが解説【初心者向け】

Pythonの配列要素数を取得する方法について、TechAcademyのメンター（現役エンジニア）が実際のコードを使用して初心者向けに解説します。そもそ...

Python

Pythonのリストの要素をmap関数を利用して一括で型変換する方法を現役エンジニアが解説【初心者向け】

Pythonのリストの要素をmap関数を利用して一括で型変換する方法について、TechAcademyのメンター（現役エンジニア）が実際のコードを使用して、初心者...

Python

Pythonで四則演算をする方法を現役エンジニアが解説【初心者向け】

Pythonで四則演算をする方法について、TechAcademyのメンター（現役エンジニア）が実際のコードを使用して、初心者向けに解説します。 ...

Python

PythonでMatplotlibで作成したグラフを保存する方法を現役エンジニアが解説【初心者向け】

PythonでMatplotlibで作成したグラフを保存する方法について解説します。目次 Matplotlibで作成したグラフ...

Python

Pythonでrandomモジュールを使ってランダム配列を作成する方法を現役エンジニアが解説【初心者向け】

Pythonでrandomモジュールを使ってランダム配列を作成する方法について、TechAcademyのメンター（現役エンジニア）が実際のコードを使用して、初心...

Python

Pythonでべき乗を計算する方法を現役エンジニアが解説【初心者向け】

Pythonでべき乗を計算する方法について、TechAcademyのメンター（現役エンジニア）が実際のコードを使用して、初心者向けに解説します。 &nbs...

Python

あわせてよく読まれている記事

PythonでPuLPを利用し線形計画を解く方法を現役エンジニアが解説【初心者向け】

PythonでPuLPを利用する方法について、TechAcademyのメンター（現役エンジニア）が実際のコードを使用して、初心者向けに解説します。 Pythonについてそもそもよく分からないという方は、Pythonとは何なのか解説した記事を読むとさらに理解が深まります。なお本記事は、TechAcademyのオンラインブートキャンプ、Python講座の内容をもとに紹介しています。田島悠介今回は、Pythonに関する内容だね！大石ゆかりどういう内容でしょうか？田島悠介 PythonでPuLPを利用する方法について詳しく説明していくね！大石ゆかりお願いします！ PuLPとは PuLPとは、線形計画問題を解くためのPythonライブラリです。線形計画問題とは、目的関数と制約条件が1次式で表される最適化問題のことをいいます。例えば次のようなパターンが線形計画問題の一つです。コストと利益が異なるいくつかの製品を、決まった数量作るときに、利益が最大になるような量の組み合わせを見つけるパズルを解く Pulpライブラリの主要な関数次にPulpライブラリで使われる関数を紹介します。 pulp.LpProblem：線形計画問題のオブジェクトを定義します。引数には問題の名前と目的関数を最小化するか最大化するかを書きます。（最小化するときは、pulp.LpMinimize、最大化するときは、pulp.LpMaximize） pulp.LpVariable：線形計画で使う変数を定義します。引数には変数名、変数の最小値、変数の最大値、変数の種類を指定します problem.solve：pulp.LpProblemで定義した問題を解く関数です。 [PR] 未経験からWebエンジニアを目指す方法とは実際に使ってみようそれでは、実際にPulpを使って線形計画問題を解いてみましょう。まずは、ライブラリのインストールを行います。pipでインストールできますので、以下の1行を実行します。 pip install pulp 続いてサンプルの以下のサンプルコードを任意のフォルダに保存します。今回は最適化問題で有名なナップザック問題というものを解いていきます。ナップザック問題とは、ナップザックの中にはいる限度内で荷物の価値を最大になる組み合わせを求める問題です。冒頭で紹介した利益を最大になる組み合わせを求めることと同じです。というわけで、問題は「以下の表の荷物が存在するとき、重さが10を超えず価値が最大となる組み合わせを求める」というものです。重さ価値 2 3 1 2 3 6 2 1 1 3 4 8 コレをPulpで解く場合は以下のコードになります。 from pulp # 重さ w = [2, 1, 3, 2, 1, 4] # 価値 v = [3, 2, 6, 1, 3, 8] # 限度：10kg W = 10 r = range(len(w)) # 数理モデル m = pulp.LpProblem(sense=pulp.LpMaximize) # 変数 x = [pulp.LpVariable('x%d'%i, cat=pulp.LpBinary) for i in r] # 目的関数 m += pulp.lpDot(v, x) # 限度を設定し、問題を解く m += pulp.lpDot(w, x) <= W m.solve() print('最大価値:{} / 組み合わせ:{}'.format(pulp.value(m.objective), [i for i in

Python

3つの事例から学ぶ！適切なパンくずリストの使い方

本稿は、Webdesigner Depotのブログ記事を了解を得て日本語翻訳し掲載した記事になります。本記事は、コピーライターのMarc Schenker氏によって投稿されました。「パンくず」と聞くとグリム童話の『ヘンゼルとグレーテル』を連想する人が多いかもしれません。物語の中で、ヘンゼルはパンくずを家に帰るときの道しるべとして道に置いていきました。 Webの世界でも同じように、サイト訪問者のためにより良いUXを創造するときに、パンくずリストがナビゲーションとして役立つようになっています。ユーザーがWebサイト内で現在どの位置にいるかを確認したいときに、パンくずリストは頼もしい存在です。パンくずリストは、ユーザーのアクセスしたページを追跡して表示することができます。アクセスした順にページを表示する場合もあれば、別の配置方法でページを表示する場合もあります。この記事では、適切なパンくずリストの使い方を紹介しています。パンくずナビゲーションの主な3タイプパンくずリストには主に3つのタイプがあり、そのうち最初の2タイプは、最後のタイプよりもよく使われているでしょう。位置型パンくずリスト位置型パンくずリストは、サイトの階層構造において現在どの場所にいるかをユーザーに示します。サイト内でユーザーをわかりやすく導くことができるため、広く利用されているパンくずリストです。位置型パンくずリストは、コンテンツが複数のレベルから構成され、ナビゲーションが複数のレイヤーから構成されているサイトで特によく利用されています。ユーザーは、現在より前の、より上位のレベルの階層にあるコンテンツに、1クリックで戻ることができます。位置型パンくずリストは静的であるため、ユーザーがサイト内での現在位置を確認するのに役立ちます。基本的な使い方の例として、1-800 Flowersのサイトを見てみましょう。ユーザーは「私の誕生日（It’s My Birthday）」というフラワーアレンジメントのページにアクセスすると、このサイトが、トップページ（Home）、誕生日（Birthday）の順にページを辿って、「私の誕生日」のページに辿り着くことができる構造になっていると一目でわかります。ユーザーはこれらの上位の階層にあるページにアクセスすることもできます。属性型パンくずリスト属性型パンくずリストは、位置型パンくずリストとは異なり、静的ではなく、ユーザーの操作によって絶えず変化し、検索フィルタのように機能します。サイト内での現在位置を示すことはない代わりに、ページのコンテンツのメタデータを表示します。そのため、属性型パンくずリストはユーザーが「何を買いたいか」をフィルタでカスタマイズして検索できるような、ECサイトによく使用されています。例えば、車の販売サイトなどです。属性型パンくずリストは、すでにアクセスしたページに戻るために役立つとは限りません。具体的な例として、Cars.comで使われているパンくずリストを見てみましょう。ユーザーが車の「メーカー」、「モデル」の検索条件からオプションを選択して検索すると、ページ左上にあるサイトのロゴのすぐ下に、パンくずリストが現れます。検索条件の「製造年」、「メーカー」、「モデル」からユーザーが選択したオプションが表示されますが、前のページに戻ることはできません。このように、属性型パンくずリストは、前にアクセスしたページに戻ることができる位置型パンくずリストとは異なっているという点が重要です。パス型パンくずリストパス型パンくずリストは、パンくずリストの主な3つのタイプの中で最も人気のないものです。その理由は、率直に言うと、このパンくずリストはブラウザの「戻る」ボタンを再表示したものに過ぎないからです。 UXを改善する効果はなく、むしろ余分な繰り返しなのです。履歴型のパンくずリストとも呼ばれているパス型パンくずリストは、サイトの階層構造の深いレベルにあるページにアクセスしたユーザーに対して、追加的なコンテキストや情報を与えることはできないため、役に立つとはいえません。例として、ユーザーがすでにクリックした検索結果から商品ページにアクセスする場合などがあります。パス型パンくずリストにはこのようなUX上の問題があるため、現在ではサイトに使われることもますます稀になっています。パンくずリストごとに使用が適したサイトとはパンくずリストの3つのタイプは各々どのようなサイトに使用するのが適しているのでしょうか？まず最初に、パス型パンくずリストについては考える必要はないでしょう。少なくともUXを向上する効果はなく、最悪の場合にはユーザーが混乱する原因となる可能性さえあります。というのもサイトの階層構造そのものを正確に表示するものではないからです。ここでは、他の2つについて考えます。位置型パンくずリスト位置型パンくずリストは、複数のレベルのコンテンツから成る、深い階層構造の大型サイトに適しています。大型サイトの例として、数多くのアイテムが販売・オークションのために出品されているeBayが挙げられます。したがって、ユーザーにとって、サイトの階層構造がわかりやすくページを行き来するのに役立つため、位置型パンくずリストは、コンテンツの階層構造が深いサイトに最適です。属性型パンくずリスト次に、属性型パンくずリストに注目しましょう。すでにCars.comのサイトの例で見たように、ユーザーに検索条件について数多くのカスタマイズ可能なオプションを提供しているeコマースのサイトには、属性型パンくずリストのようなナビゲーションが適しています。ユーザーは、検索や注文のときに加えた数多くの変更を確認したいと思うことが多いため、位置型パンくずリストを使用するよりも、属性型パンくずリストによってフィルタを表示する方が効果的です。 [PR] 未経験からWebエンジニアを目指す方法とはパンくずリストのベストプラクティスあなたがクライアントのサイトでパンくずリストのナビゲーションを設計するときには、これらの手法を実践すれば、間違いなく上手くいくでしょう。パンくずリストの構造の中に、重複する要素がないかどうか確認します。ユーザーを混乱させる元となるため、1つのページが複数のカテゴリまたはコンテンツの複数のレベルに重複して分類されることのないように注意します。パンくずリストの各リンク部分を区分するときには、記号(>) を使います。なぜなら、このスタイルが数年来の伝統であり、多くのユーザーが慣れていて使いやすいものだからです。パンくずリストの中の各カテゴリには、検索順位に反映したいと思うキーワードを設定します。SEO対策として有効です。パンくずリストは、正しく実装することが重要ですデザインやUXの多くのコンセプトと同様に、正しく実装されていなければ、本来ユーザにとって非常に役立つ素晴らしい技法もかえって障害となります。 UXに何の効果ももたらさない、あるいはUXに悪影響を与えるようなパンくずリストではなくて、UXを最適化できるパンくずリストを設計するために正しい知識を身につけることが、このガイド記事の目的です。パンくずリストは、様々なサイトで絶対的に必要となるわけではありません。しかし、サイトのコンテンツが数多くのレイヤーから構成されている場合や、検索条件に数多くのオプションを設置した方が良いような場合には、パンくずリストを使用すれば、ユーザーにとって役立つナビゲーションを加えることが可能です。パンくずリストのタイプ別の目的を理解することで、設計するサイトに合ったパンくずリストを実装できます。適切なパンくずリストを選択できれば、ユーザーの満足度を向上させ、集客の効果も高まるでしょう。次にパンくずリストを実装するときには、これらのことを考えてみてください。 TechAcademyでは初心者でもエンジニアになれるオンラインブートキャンプを開催しています。これからプログラミングやデザインの勉強をしてみたいと思っている方は、ぜひご覧ください。過去に独学で始めてみたけど挫折してしまった人でも、現役のエンジニアやデザイナーの元でサポートを受けながら進めることができます。その場ですぐ聞けるので、つまずくことなく習得できるはずです。

プログラミング

具体的な方法を学ぶ！優れたアプリのデザインプロセスとは

本稿は、Studio by UXPinのブログ記事を、了解を得て日本語翻訳し掲載した記事になります。「問題を解決するためには、まず最初に、問題が存在すると認識することです。」- ジグ・ジグラー製品の問題定義は、製品開発の土台であり、ひいては製品の成功のための鍵となります。デザインに関する問題の解決策も、この問題定義を土台として導くことができるのです。つまり製品のデザインは、深い理解と定義が要されるような問題から始めるべきです。最初に何となく正しいと思える問題から、深く考えずにデザインを始めるとしたら、良い結果は期待できません。画像：「理解」→「定義」→「アイデアの形成」→「デザイン」→「テスト」の循環。UXPinからMarcin Treder氏による「デザインプロセス」より問題定義を中心としたアプリのデザインプロセスについて見ていきましょう。身近な問題を解決するアプリをデザインすることを想定します。 1つは「ストレス過多」の問題です。私は友人を集めて、ストレスの問題を抱えているかどうか聞いてみたところ、12人中9人が「はい」と答えました。「いいえ」と答えた3人は、超人的な禅僧のような精神の持ち主ではないかと思えたくらいです。アプリのデザインにおいて考えるべき問題を見つけたら、次は問題定義（解決するべき問題の範囲を定める宣言文）を書きます。チームのメンバーに上手く問題を提示できるような、質の高い問題定義の書き方をご紹介します。あなたが素晴らしい製品アイデアを思いついたり、フィードバックを受け取ったときには、次の方法が思考の指針として役立ちます。問題を認識する私は、DAPPER GENTLEMENという会社でアプリのチーム開発の仕事をしていますが、アプリのデザインや機能の設計方法についての話題をよく聞きます。創造意欲やアイデアを得られるような良いデザインのアプリの話もあれば、時には全てにおいて出来の悪いアプリの話もあります。最近、私の妻が新生児の育児サポートアプリについて「これは悪いアプリね。」と話していました。私はデザイナーとしての直感から、何か問題がありそうだと思いました。私が「解決の必要な問題があるの？」と聞くと、妻は「いいえ、ただ話を聞いて共感してもらいたかっただけ。最後まで話をさせてくれる？」と言いました。「もちろん力になるとも！まず最初に、問題をより深いレベルで理解する必要があるね。」私は声を大にして言いました。「・・・（ため息）」多くの開発者やデザイナーは、ユーザーの声に耳を傾けて問題をよく考える時間を取らないため、ユーザーの抱えている問題の解決方法を知らないようです。これは彼らが怠惰だからではなく、問題の本質的な原因を深く考える術を知らないからです。デザインプロセスも何らかの始点が必要ですが、このような問題が始点となることも多いのです。私の妻の例では、彼女の使っているアプリが「悪いアプリ」であることが問題でした。問題を認識したら次にすべきこと：問題を理解する問題を認識するだけでは解決できません。問題についてよく知る必要があります。ユーザーの声に耳を傾けて考える問題の解決へと一気に急いではなりません。まずユーザーの声に耳を傾けて、現状を把握する必要があります（私と妻のやりとりの例を考えてみてください。）。一方的な質問も構いませんが、現状を把握する前に、解決策を提案すべきではありません。また問題に疑問を投げかけて、さらに深く掘り下げてみましょう。「私はストレス過多である」という最初の問題に戻りましょう。「アプリの出来が悪い」という問題は、おそらく「ストレス過多」の問題と同じように考えることができます。ストレスを管理する方法はいくつあるだろう？ストレスの量が、本質的な原因なのだろうか？それとも、もっと深くにある問題の兆候に過ぎないのだろうか？出来の悪いアプリを改良する方法はいくつあるだろう？アプリの全体的なデザインが、本質的な原因なのだろうか？それとも、もっと深くにある問題の兆候に過ぎないのだろうか？兆候と問題を見分ける兆候とは、製品においては機能性や使用感が「標準」的な品質を満たしていないと、ユーザーが主観的に感じることです。より分かりやすい例では、疲労感は睡眠不足の兆候です。疲労感は、元気に活動できるという「標準」の状態から外れていると感じる主観的な感覚であり、睡眠不足という問題の兆候となっているのです。「ストレス過多」の問題でも、ストレスを感じないという「標準」の状態から外れていると、本人が主観的に感じているのです。ストレスの対処方法には、夜にグラス1杯のワインを飲んだり、音楽を聴いたり、テレビを観たりなど色々あるでしょう。ストレス発散のために、精神崩壊や癇癪を起こすに至る人もいるかもしれません。静かな場所に座って、深呼吸をして、ストレスの原因について考えることもできます。もっとも、多くの人はストレス状態にあることに気づいてすらいないため、原因を認識することは難しいのです。では、「ストレス過多」は根本の問題でしょうか？もしかしたら、もっと深い問題の兆候に過ぎないかもしれません。問題を解決するには、それ自体が根本の問題なのか、それとももっと深い問題の兆候に過ぎないのか考える必要があります。 [PR] 未経験からWebエンジニアを目指す方法とは根本原因を見つける問題の根本原因を見つけることはなぜ重要なのでしょうか？それは兆候を解決するだけでは、問題を完全に解決したことにならないからです。例えば、脚の痛みを感じたときにアスピリンを服用して痛みを緩和できても、痛みの根本の原因を解決したことにはなりません。問題の兆候として現れる痛みを何度も経験することになります。病院に行って「骨折が脚の痛みの原因です。」と診断されて初めて、骨折という根本原因を見つけることができるのです。では、「ストレス過多」の問題の根本原因を見つけるにはどうしたらいいでしょうか？トヨタ生産方式の「5つのなぜ」による分析を応用することができます。 5つの「なぜ」による分析 5つの「なぜ」による分析とは、「なぜ」から始まる疑問を繰り返すことにより、問題の根本に存在する因果関係を探り出すテクニックです。私の妻の話を思い出してみましょう。「これは悪いアプリね。それから、私が話をしているときには、もう少しよく聞いてくれても…。」彼女の抱えていた問題は、新生児の育児のための生産性向上アプリの使い方がよく分からないことでした。消費されたおむつの数や、ミルクの量などを楽しく管理できるアプリです。「5つのなぜ」による分析によって、このアプリの問題の深くにある根本的な問題を見つけてみましょう。なぜ出来の悪いアプリなのか？答え：正しく作動しないから。（より深い問題）なぜ正しく作動しないのか？答え：どこを操作したらいいのか分からないから。（より深い問題）なぜどこを操作したらいいのか分からないのか？答え：アイコンが上手く機能していないから。（より深い問題）なぜアイコンが上手く機能していないのか？答え：アイコンの選択後に、思っていたページに進まないから。（より深い問題）なぜアイコンの選択後に、思っていたページに進まないのか？答え：一見アイコンに見えるものがアイコンではない一方、アイコンには見慣れない要素が使われているから。（「問題解決につながる行動」が見つかりました！）私からこのアプリのデザイン担当者に意見を送ったため、この問題の根本原因には早く気づいてもらえたと思います。問題の根本原因はいつも「5つのなぜ」の5番目で見つかるとは限りません。では、根本原因を特定するにはどうしたらいいでしょうか？その鍵となるのが、「プロセスの欠け」または「問題解決につながる行動」を見つけ出すことです。これらは複数見つけられることもあります。「ストレス過多」の問題も同じように分析してみましょう。なぜ私はストレス過多なのか？答え：ストレス過多を起こす思考を多く抱えているから（より深い問題）なぜストレス過多を起こす思考を多く抱えているのか？答え：思考を鎮めることができないから（より深い問題）なぜ思考を鎮めることができないのか？答え：思考を鎮める練習をしていないから。（より深い問題、「問題解決につながる行動」が見つかりました！）なぜ思考を鎮める練習ができないのか？答え：思考を鎮める方法を知らないから。（「プロセスの欠け」が見つかりました！）なぜ思考を鎮める方法を知らないのか？答え：思考を鎮める方法が必要だと自覚していないから。（より深い「プロセスの欠け」が見つかりました！）この問題の根本原因は、思考を鎮めて精神を集中するプロセスが欠けていることだと判明しました。この問題では思考を鎮めることが、ストレス緩和、さらに問題解決につながるでしょう。次は、問題定義を発展させてみましょう。問題の再定義新しい問題定義：「ユーザーのストレスを緩和するために、精神を鎮められるように支援する」先の例では、5番目の「思考を鎮める方法が必要だと自覚していない」問題よりもさらに深い問題は見つけることができるでしょうか？「プロセスの欠け」をさらに深く考えることが、製品デザインに役立つことがあります。より深く抽象的な問題定義を書くことで、最初の兆候のみならず、より広い範囲の兆候を解決できるからです。また、デザインのプロセス全体を通して、問題定義は発展させ続けることができます。問題定義が深く具体的になり過ぎたときには、1段階元に戻して抽象化し、再定義すればいいのです。さらに新しい問題定義：「ユーザーのストレスを緩和するために、自分自身にもっと意識を向けられるように支援する」また、問題の再定義と組み合わせることで、根本原因を見つけて解決策を導くのに大いに役立つ手法があります。これらはチームでデザインの問題を深く考えるときにも応用できます。ブレインストーミングを実践する問題に取り組む全員（デザイナー、開発者、マーケティング担当、経済アナリストからセールス担当に至るまで）を集めます。デザインの問題を最終的に解決する仕事は、デザイナーに委ねられていますが、他の部門の人も役に立つ洞察力で貢献できるかもしれません。セールス担当はユーザーに最も近い存在であるため、問題をより深く理解しているかもしれませんし、経済アナリストは市場の読みにおいて優れているでしょう。問題のリサーチを実践するすでに似たような問題が発見されていないか調べるために、競合製品の市場分析を行うのも有効です。あるいは、消費者調査を実施することもできます（ストレスについて私が友人に聞いたように）。すでに市場に売り出している製品であれば、データ解析、ヒューリスティック分析、ユーザーテストなどを行うこともできます。モバイルアプリと正しい問題定義例として、問題定義が優れている3つのアプリを見てみましょう。 1. Enlight Enlight（iOSの写真加工アプリ）のStav Tishler氏によると、「これまでプロの写真家だけがデスクトップでのみ利用していた創造的なツールを、モバイル端末を使う写真家にも提供すること」がこのアプリの問題定義です。 Enlightは、優れたデザインとテクノロジーによってこの問題を解決しました。Lightricksが商標権を有する画像処理エンジンによって、Enlightの各種ツールでは、一貫性のあるUI（ユーザーインターフェース）が実現され、ユーザーは1つのツールで行った処理を、他のツールに継承させることも可能です。 2. PureChat PureChatのCEOであるHamid Shojae氏によると、「小規模ビジネスの運営者が、彼らのWebサイト上で訪問者とのコミュニケーションを円滑に行うことを支援すること」がこのアプリの問題定義です。 App StoreとGoogle Playの両ストアにおいて4.5星の評価を保持していることが、問題解決に成功した証といえるでしょう。 3. Crowd Mics Crowd MicsのCEOであるTim Holladay氏によると、「ユーザーに会議、ミーティングなどライブ形式の会合で自分の声が周囲によく通ることを可能とすること」がこのアプリの問題定義です。 Crowd Micsは、ユーザーのスマートフォンをワイヤレスのマイクに変えてくれるアプリです。結論あなたが製品によって解決したい問題を考えるために少しの時間をかけることで、将来、デザインを決定するときに役立つ強力な土台を築くことができます。ステップのおさらい問題定義製品によって解決したいと思う問題のリストを作成することから始めて、これらを考え合わせて問題定義を書きます。「5つのなぜ」による分析次に、「5つのなぜ」による分析を行い問題定義をより深く考えます。ブレインストーミングと問題定義の発展最後に、チームのメンバー全員を集めて、問題について議論と再評価を行います。より明確な問題定義が必要であれば、問題定義は繰り返して書きましょう。良い問題定義を作成できても、それにとらわれる必要はありません。デザインのプロセスが進む中で、新たに考えるべき事が発生すれば、問題を再定義しなければならない場面もあるでしょう。 [お知らせ]TechAcademyでは初心者でもUI/UXデザインができるようになるUI/UXデザインオンラインブートキャンプを開催しています。現役UI/UXデザイナーのサポートで学びたい場合はご参加ください。

アプリデザイン

仮想通貨の保管！ウォレットの種類と違い【初心者向けに解説】

今回は、ウォレットとウォレットの種類について解説します。仮想通貨を管理する上でそれぞれのウォレットでどういった特徴、違いを持っているのか理解しておくと良いでしょう。どういった管理の仕方だとハッキングリスクがあるのか知っておくことも重要です。田島悠介今回はウォレットの種類について解説するよ。大石ゆかり田島メンター！ウォレットは仮想通貨を保管するものですよね。そんなに色々な種類があるんですか〜？田島悠介そうだね。ここでは各ウォレットの紹介と、公式サイトがあるものはそのリンクを用意するのでそれぞれの内容をよく調べてみよう。大石ゆかり分かりました。お願いします！目次ウォレットとはアドレス等を管理するウォレットコールドウォレットとはホットウォレットとはウォレットの種類ウォレットとは仮想通貨におけるウォレットとは、日常生活で使用するお金が入った財布の意味ではありません。仮想通貨のウォレットは、2種類の意味があります。秘密鍵を管理するウォレットビットコインに代表される仮想通貨には、公開鍵と秘密鍵が存在します。公開鍵とは第3者に知られても大丈夫なデータです。これに対して秘密鍵は、所有者であることを証明する唯一の証明書です。そのため、秘密鍵は自分以外の誰にも知られてはいけません。その秘密鍵を管理するためのウォレットが存在ます。公開鍵秘密鍵についての記事も合わせて参考にしてみてください。 [PR] 未経験からWebエンジニアを目指す方法とはアドレス等を管理するウォレットアドレスとは、ビットコインに代表される仮想通貨において口座番号のような意味があります。アドレス等を管理するウォレットには次のような機能があり生成管理しています。アドレス等を管理するウォレットの機能例送金トランザクションの生成・管理残高の確認公開鍵の生成・管理秘密鍵の生成・管理バックアップ用のアドレス作成 p2pネットワークへの接続管理ビットコインアドレスとはビットコインアドレスは、1か3から始まる27-34文字の英数字で構成されます。通常のビットコインアドレスは、先頭の数字が1です。マルチシグアドレスは、先頭の数字が3です。マルチシグアドレスとは、マルチシグという複数のカギを利用した、通常のビットコインアドレスに比べるとセキュリティが高いアドレスです。ビットコインアドレスの生成方法（公開鍵とアドレスはあくまで例ですので実在のものとは無関係です）楕円曲線公開鍵暗号（ECC）を利用して生成された公開鍵 0450863AD64A87AE8A2FE83C1AF1A8003CB53F53E486D8511DAD8A04887E5B23522CD470243453A299FA9E00007716103ABC11A1DF38855ED6F2EE187E9C582BA6 ↓ 2度ハッシュ関数を利用したハッシュ化を行い、チェックサムを行い、BASE58でフォーマットを行うことでビットコインアドレスという物を生成します。 ↓ アドレス 1EHNa6Q4Jz2uvNExL000mE43ikXhwF6kZm コールドウォレットとはコールドウォレットとは、インターネットに接続されていない状態で管理するウォレットです。実際にビットコイン等の仮想通貨との取引を行う際には、機器を通じてインターネット接続する必要があります。また、秘密鍵はオフライン上に保管されています。ハードウェアウォレットはコールドウォレットと言えます。また、それ単体でインターネットへの接続ができないペーパーウォレットやブレインウォレットもコールドウォレットに該当します。ホットウォレットとはホットウォレットとはインターネットに接続された状態で使用するウォレットです。インターネットに常時接続されることが多いことから、必要な時にすぐ利用できるというメリットがあります。一方で、常時接続されているということでセキュリティリスクも存在します。パソコンで管理するウォレットやスマートフォンで管理するウォレットをホットウォレットと言います。また、取引所で管理している状態も、取引所自体が常時インターネットに接続しているためホットウォレットに分類されます。田島悠介まずコールドウォレット・ホットウォレットふたつの分類についての説明だね。大石ゆかり普段ある場所がコールドウォレットだとオフライン、ホットウォレットだとオンラインといった感じでしょうか。田島悠介次に各ウォレット管理方法の特徴について解説しよう。ウォレットの種類パソコンで管理するウォレットパソコン上で管理することができるウォレットです。例えばBitcoin Coreというウォレットであれば、Windowsだけでなく、macOSや、Linuxにも対応したアプリケーションがあります。 Linux版に関しては、一般的なLinux用だけでなく、ARM Linux版やUbuntu版も用意されています。 Bitcoin Coreの公式サイトを参考にしてみてください。ただし、Bitcoin Coreは初回にダウンロードする必要があるデータが100GBをゆうに超えるサイズである点に注意が必要です。スマートフォンで管理するウォレットスマートフォン端末にインストールして利用することができるウォレットのアプリです。 Bread Wallet iPhoneアプリとAndroidアプリが用意されています。秘密鍵を利用することで、端末を紛失した場合でも他の端末からアクセスすることが出来ます。 Bread Walletはこちらを参考にしてみてください。 Coin.Space iPhoneアプリ、Androidアプリ、Windows Phoneアプリ等に提供されています。 Coin.Spaceはこちらを参考にしてみてください。取引所で管理するウォレット企業が取引所を運営し、その取引所でウォレットを代わりに管理してくれます。企業がまとめて管理してくれるので手間がありません。そして企業側がセキュリティを万全にしてくれることで、自分自身は取引所にログインするためのIDとパスワードだけ保管していれば大丈夫ということです。しかし、企業側がセキュリティを重要視していない場合は、安全性を確保することが出来ません。事例として、2018年1月26日にコインチェック社から580億円相当のNEMが盗難されました。これは、コインチェック社がマルチシグではなくシングルシグによる単一鍵を使用した取引所管理を行っていたためです。ペーパーウォレットペーパーウォレットとは、パソコンやスマートフォンやハードウェアウォレットが故障した時に備えて、紙媒体にデータを記録しておく方法です。紙媒体ですので、なくしてしまえば終わりです。それでも、電子データに比べると紛失・盗難リスクだけでなく、ハッキングされマルウェアによりデータが無くなることなどのリスクを考えると非常に安全です。ペーパーウォレットには秘密鍵とアドレスが記載されています。 bitaddress.orgというサイト等で発行することが可能です。ブレインウォレット人間の頭のなかで記憶している状態のウォレットです。ペーパーウォレット等の内容を自分で暗記することで実現できます。ハードウェアウォレットビットコイン等の仮想通貨を管理する専用の端末です。通常はオフライン状態ですので、オンライン状態のウォレットに比べるとウィルス対策等の面からも安全です。例えば、TREZORというハードウェアウォレットがあります。 TREZORはTREZOR自体を紛失してもアクセスすることができる様に管理されており、決定的ウォレットとも呼ばれます。端末を紛失や盗難にあった場合、ニモニックコードと呼ばれる12-24個のランダムなキーワードを新しい端末に入力することで、以前の状態の端末と同様に利用できます。ただし、ランダムに生成されたキーワード自体はペーパーウォレット同様に厳重に管理する必要があります。キーワードという側面もあり、ペーパーウォレットよりも分かりやすい為、ペーパーウォレットよりも漏洩には注意が必要になります。 TREZOR 今回は、ウォレットとウォレットの種類について解説しました。ウォレット自体いくつも種類があり、管理の仕方によってメリット・デメリットも分かれます。毎年のようにハッキングされた事件が発生しているので、自分で仮想通貨を持っている人は管理方法をよく理解しておくことが大事でしょう。田島悠介ウォレットそれぞれの概要と使い方を見てみたよ。大石ゆかりかなり色々な管理の仕組みがありますね。実際は何を選んだらいいんでしょうか？田島悠介取り扱う金額や期間、目的などに応じて合ったものを見つけてみよう。もちろんセキュリティの面も考えて選ぶといいね。大石ゆかりなるほど、了解です。ありがとうございました！この記事を監修してくれた方中本賢吾（なかもとけんご）アジマッチ有限会社　代表取締役社長開発実績：PHPフレームワークを利用した会員制SNS・ネットショップ構築、AWSや専用サーバー下でLinuxを使用したセキュアな環境構築、人工知能を利用したシステム開発、店舗検索スマホアプリ開発など。その他にも地域の職業プログラマー育成活動を行い、2018年には小学生がUnityで開発したオリジナルAndroidアプリをGooglePlayでリリース。ゲームで遊ぶより作ろうぜ！を合言葉に、小学生でも起業できる技術力を育成可能で有ることを証明し続けている。

ブロックチェーン

【徹底解説】機械学習（マシンラーニング）とは！まずはここから理解しよう

現在、幅広い業種で人工知能（AI）が使われています。またニュースや新聞でも、人工知能の報道を目にしない日はありません。このような状況の中、人工知能に興味・関心を寄せるエンジニアが増えてきています。また企業においても、人工知能のスキルを持ったエンジニアの採用が活発に行われています。機械学習は、その人工知能の中核をなすテクノロジーであり、現代のエンジニアにとっては、ほぼ必須の知識とも言えるでしょう。この記事では、機械学習の概要、各種手法についての解説、ディープラーニングとの違いなどを紹介します。機械学習とはどのような技術か、実際にどのようなサービスに使われているか、ぜひ知っておきましょう。なお本記事は、TechAcademyのAIオンライン講座の内容をもとに作成しています。目次機械学習とは教師あり学習とは教師なし学習とは強化学習とはディープラーニングとの違いとは機械学習の代表的なライブラリ田島悠介今回は機械学習について解説するよ。大石ゆかり田島メンター！機械学習って最近よく耳にしますね。具体的にどのような技術なんですか〜？田島悠介人工知能の中核をなす技術の1つなんだ。詳しく見ていこう。大石ゆかり分かりました！機械学習とは人工知能（AI）とは、「コンピューターが物事やルールを理解するための仕組み」の様々な技術の総称です。コンピューターが物事やルールを理解するためには、人間が学習するプロセスと同様に、情報を与えて物事の特徴やルールを学習させなくてはなりません。この学習方法のことを機械学習（マシンラーニング）と呼びます。機械学習は、従来のプログラミングと違い、開発者が全ての動作をプログラミングするわけではありません。開発者はコンピューターにデータと分け方を与えます。コンピューターはその情報を元に、データの特徴を学習し、新たなデータに対する正解を予測します。例えば、以下のような手書き数字の画像データがあったとします。 MNIST 開発者は、この画像データに対する正解、「0」や「1」といった数値をペアで与えます。コンピューターは、画像データと正解の数値をもとに、数値毎の画像データの特徴を学習します。例えば「画像データのどの位置が濃い」といった特徴です。この学習の成果を「モデル」と言います。 tensorflow.org また、このことは、機械学習はデータの特徴をモデル化（数式化）できることを前提としている、とも捉えることができますね。そして、このモデルをもとに、新たな画像データの正解を「予測」します。これが機械学習の大まかな流れです。なお、人工知能の精度を高めるには、大量のデータでコンピューターに学習させることが必要です。2000年代に入り、高速・高性能なコンピューターが容易に入手できるようになりました。また、インターネットの発展により、従来より格段に多くのデータを収集できるようになりました。このことが、現代の機械学習の技術を支えています。それでは、次に機械学習の種類について確認して行きましょう。機械学習は大きく「教師あり学習」、「教師なし学習」、「強化学習」の3つに分けることができます。 [PR] 未経験からWebエンジニアを目指す方法とは教師あり学習教師あり学習とは、データと正解を与えて、コンピューターに学習させる方法です。前出の手書き数字の学習例も教師あり学習です。教師あり学習は、分類問題と回帰問題に分けることができます。分類問題分類問題は、データを種類ごとに分けることを目標とします。例えば画像データを与えて花の種類を予測する、音声データを与えて文字を予測する、これらは分類問題となります。 Iris_flower_data_set 回帰問題回帰問題は、データの特徴から、新しいデータに対する値を予測することを目標とします。例えば株価の予測や、天気予報、これらは回帰問題となります。教師あり学習の手法次に代表的な教師あり学習の手法について紹介します。線形回帰、線形分類データを直線で予測するのが線形回帰、直線で分けるのが線形分類です。線形回帰（分類）は、学習も予測も高速で、モデルをシンプルに構築できる特徴があります。また古くから研究されており、以外に線形回帰（分類）できるデータは多いため、まず最初に検討してみるべき機械学習の手法の1つでしょう。 Wikipedia SVM(サポートベクターマシン) SVMは線形回帰（分類）の手法の1つです。線形回帰（分類）は直線で分類を行うのに対し、SVMは超平面分離定理という考え方をもとに、空間をねじれさせることで、最終的に曲線で回帰（分類）を行う手法です。 SVMは優れた機械学習の手法の1つで、ディープラーニングが登場するまでは、とても多く使われていました。モデルをシンプルに構築出来、精度も良いことから、現在でも多く使われている手法です。決定木木構造のモデルにより分類する手法です。決定木は機械学習の手法としてだけでなく、意思決定を助けるためのツールとしてもよく用いられます。他の手法に比べて、人間が見てもモデルを理解しやすいことから、リスクマネジメントのような、人間の判断が必要な分野の予測によく用いられます。 Wikipedia ニューラルネットワークニューラルネットワークは、重回帰分析（多変数解析）の手法の1つです。人の神経回路をモデルとしており、機械学習の手法としては、最も古く(1950年代)から研究された来たものの1つです。 Wikipedia ロジスティック回帰「回帰」と書いていますが「分類」の手法です。ニューラルネットワークのモデルの一部を変更（活性化関数をシグモイド関数に変更）したものです。ディープラーニングの1層版です。ディープラーニングはこのロジスティック回帰を複数層組み合わせたモデルです。教師なし学習とは教師なし学習とは、データだけ与えて、コンピューターにデータをグループ化（クラスタリング）させる方法です。例えば通販サイトで商品を購入した時「この商品を買った人はこんな商品も買っています」という文章を見たことは無いでしょうか。これは、コンピューターに「購買履歴」のデータを与えることで、教師なし学習により「商品Aを買った人は、商品Bを買う確率が高い」というようにユーザをグループ化することで実現しています。また、教師なし学習には主成分分析といって、データ分析をより行いやすくするための方法もあります。教師なし学習には以下のような手法があります。 k平均法クラスタ（分類するグループ）の数を決め、クラスタの数分、ランダムな点を起きます。各データは一番近い点に所属させます。所属が決まったら、クラスタに属するデータの中心を新しい点とします。これを繰り返すことでデータをグループ化します。主成分分析機械学習でモデルを構築する際、その前段階として、データの次元（説明変数の数）を削減するために用いられます。変数同士の相関度合いと寄与率をもとに、複数の変数を相関の少ない「主成分」と呼ばれる変数にまとめる手法です。これにより、機械学習のモデルをシンプルに構築することができるようになります。強化学習とは強化学習とは、よい結果には報酬を与えることにより、コンピューター自らに最適な方法を導き出させるようにする学習方法です。ゲームやロボットの学習によく用いられます。強化学習では、守るべきルールと、行動に対する報酬が与えられます。例えば、トランプのゲームにおいては、守るべきルールはゲームのルール、行動に対する報酬としては、勝つことに対する報酬、のようになります。コンピューターはその情報をもとに、考えられるパターンをランダムに試行していきます。最初は全く上手く行かないように見えますが、何度も試行していくうちに、コンピューターはより報酬を多く得られる行動を選択するようになります。代表的な手法として、Q学習といった手法が知られています。ディープラーニングとの違いとはそれでは、機械学習と並んでよく耳にする、ディープラーニングとは、どのような違いがあるのでしょう。結論としては、ディープラーニングは機械学習をより発展させたものです。機械学習はデータの特徴をモデルで表します。しかし、機械学習ではデータの特徴は何かを開発者が指示しなくてはなりません。手書き数字の画像データを例にすると、「画像データの濃淡」がデータの特徴である、ということを開発者が指示します。これに対して、ディープラーニングは、データの特徴自体をコンピューターが見つけます。つまり、データのどこに注目すれば良いかということをコンピューター自身が学習して見つけ出すことで、自動的にどんどん賢くなっていく、という訳です。 tensorflow.org 機械学習の代表的なライブラリそれでは最後に、機械学習の代表的なライブラリを紹介します。 scikit-learn 機械学習のライブラリと言えば、まずはscikit-learnです。教師あり学習・教師なし学習とも、基本的な機械学習の理解を深めるには、初学者はscikit-learnから学習することをおすすめします。 scikit-learnには、多くの機械学習のモデルとテスト用データセットが含まれており、初学者でもすぐ機械学習を試してみることができます。 scikit-learnの特徴は、ほんの少しのソースコードの変更だけで、モデルを変更した機械学習を行える点です。例えば、最初、SVM(サポートベクターマシン)でモデルを構築したとしましょう。こちらはソースコードの一部です。 from sklearn import svm clf = svm.SVC(gamma=0.001) clf.fit(X_train, y_train) 次に、モデルをロジスティック回帰に変更してみます。 from sklearn.linear_model import LogisticRegression # ロジスティック回帰 clf = LogisticRegression() # ロジスティック回帰 clf.fit(X_train, y_train) このように、わずか2行変えるだけでモデルを変更できます。現在、機械学習(非深層学習)のライブラリと言えばscikit-learn、ほぼ一択です。現在は深層学習（ディープラーニング）のライブラリが主流となっています。 Tensorflow 深層学習（ディープラーニング）のライブラリで最も有名なものと言えばTensorflowです。TensorFlowはGoogleが開発し、オープンソースで公開しています。オープンソースで公開されているため、私たちはGoogleの最新の研究成果を自分の手で試してみることができます。例えば、画像分類のInception-v3というモデルは、人間を超える、約96%の画像正解率を達成しています。 TensorFlow Image Recognition 田島悠介機械学習について、理解は深まったかな？大石ゆかり機械学習の仕組みやライブラリの種類など、勉強になりましたー！田島悠介機械学習は、これからエンジニアの必須の知識として必要になってくるよ。深層学習や画像認識、自然言語処理については、また別のところで説明するね。大石ゆかり分かりました。ありがとうございました！今回は、機械学習について解説しました。これから機械学習を勉強したい、機械学習を使って何か作ってみたいという方は最初に理解しておきたい内容でしょう。また、オンラインのプログラミングスクールTechAcademyでは、AIオンライン講座を開催しています。 AI（人工知能）の構築に必要な機械学習・ディープラーニングについて実践的に学習することができます。現役エンジニアがパーソナルメンターとして受講生に1人ずつつき、マンツーマンのメンタリングで学習をサポートし、習得することが可能です。この記事を監修してくれた方太田和樹（おおたかずき） ITベンチャー企業のPM兼エンジニア普段は主に、Web系アプリケーション開発のプロジェクトマネージャーとプログラミング講師を行っている。守備範囲はフロントエンド、モバイル、サーバサイド、データサイエンティストと幅広い。その幅広い知見を生かして、複数の領域を組み合わせた新しい提案をするのが得意。開発実績：画像認識技術を活用した駐車場混雑状況把握（実証実験）、音声認識を活用したヘルプデスク支援システム、Pepperを遠隔操作するアプリの開発、大規模基幹系システムの開発・導入マネジメント地方在住。仕事のほとんどをリモートオフィスで行う。通勤で消耗する代わりに趣味のDIYや家庭菜園、家族との時間を楽しんでいる。

機械学習

機械学習のライブラリ！scikit-learnとは【初心者向け】現役エンジニアが解説

今回は、Pythonの代表的な機械学習のライブラリであるscikit-learnについて解説します。機械学習というと、複雑な数式を使ったり、なんだか難しそうなイメージですが、scikit-learnを使うと、とても手軽に機械学習を試してみることができます。ぜひ、この記事を参考に、機械学習にチャレンジしてみてください。目次 scikit-learnとは scikit-learnを利用するには scikit-learnの主な機能 scikit-learnを使った機械学習(1) scikit-learnを使った機械学習(2) scikit-learnとは scikit-learnは、Pythonの機械学習ライブラリです。「サイキット・ラーン」と読みます。 scikit-learnはオープンソース（BSD license）で公開されており、個人／商用問わず、誰でも無料で利用することができます。 scikit-learnは、現在も活発に開発が行われており、インターネット上で情報を探すのも容易です。多くの機械学習アルゴリズムが実装されていますが、どのアルゴリズムでも同じような書き方で利用することができます。また、サンプルのデータセット（トイデータセット）が付属しているため、インストールしてすぐ機械学習を試すことができます。このようなことから、初学者が機械学習を学び始めるには、最適のライブラリと言えます。他にもオープンソースで使えるPythonのライブラリをまとめているので、合わせてご覧ください。 [PR] 未経験からWebエンジニアを目指す方法とはscikit-learnを利用するには scikit-learnを利用するには、Anacondaなどの開発環境のパッケージを使うのが簡単です。 Anaconda Anacondaは、データ分析やグラフ描画など、Pythonでよく利用されるライブラリを含んだ開発環境です。もちろん、scikit-learnも含まれています。よって、Anacondaを導入するだけで、scikit-learnをすぐ利用することができます。 Anacondaにscikit-learnがインストールされているかは、メニュー画面のEnvironmentsから、Installedを選択し、検索BOXに「scikit-learn」と入力することで確認を行うことができます。なお、Anacondaなどの開発環境を利用せず、手動でscikit-learnをインストールして利用することもできます。中級者向けとなるため手順は省略いたしますが、その場合scikit-learnをインストールする前に、事前に以下のライブラリもインストールする必要があります。 NumPy Scipy Pandas scikit-learnの主な機能次にscikit-learnの主な機能、特に機械学習のモデルについて説明します。以下をご覧ください。これはscikit-learnのアルゴリズムチートシートと呼ばれます。 scikit-learnを用いて機械学習を行う際、自分が行いたい分析（分類／回帰／クラスタリングなど）について、適切なモデルを選択する際の手助けとなるものです。また、scikit-learnでは、簡単にモデルを取り替えて機械学習を行うことができます。モデルを取り替える方法については、以降の項で説明します。分類（classification）与えられたデータがどのクラスに属するかを判別するものです。教師あり学習の分類問題を解くアルゴリズムと表現できます。以下のような種類があります。 SGD（stochastic gradient descent）大規模データ（10万件以上）におすすめな、線形のクラス分類手法です。カーネル近似 SGDではうまく分類できない場合に利用する、非線形なクラス分類手法です。こちらも大規模データ向けです。 Linear SVC 中小規模（10万件未満）におすすめな、線形のクラス分類手法です。 k近傍法 Linear SVCではうまく分類できない場合に利用する、非線形なクラス分類手法です。こちらも中小規模データ向けです。この他、テキストデータの場合、ナイーブベイズという手法があります。回帰（regression）与えられたデータをもとに、目的とする値を予測するものです。教師あり学習の回帰問題を解くアルゴリズムと表現できます。以下のような種類があります。 SGD（stochastic gradient descent）大規模データ（10万件以上）におすすめな、線形の回帰分析手法です。 LASSO、ElasticNet 中小規模（10万件未満）で、説明変数の一部が重要な場合におすすめな、回帰分析手法です。 Ridge、Liner SVR 中小規模（10万件未満）で、説明変数の全てが重要な場合におすすめな、回帰分析手法です。 SVR（ガウスカーネル）、Ensemble Ridge、またはLinerSVRではうまく分析できない場合に利用する、非線形な回帰分析手法です。クラスタリング（clustering）与えられたデータを、なんらかの規則にのっとって分けるものです。教師なし学習のクラスタリング問題を解くアルゴリズムと表現できます。以下のような種類があります。 KMeans いくつのクラスタに分かれるのか、事前に決めることができる場合におすすめな、クラスタリング分析手法です。大規模データの場合、MiniBatchといって、データを分けながら学習させる手法を取ります。スペクトラルクラスタリング、GMM KMeansではうまく分析できない場合に利用する、非線形なクラスタリング分析手法です。 MeanShift、VBGMM いくつのクラスタに分かれるのか、事前に決めることができない場合におすすめな、クラスタリング分析手法です。その他の機能次元削減与えられたデータの次元数が多い場合、学習効率を上げるため、次元削減という前処理を行います。 PCA、カーネルPCA、Isomap、SpectralEmbeddingなどの手法があります。ハイパーパラメータの最適化機械学習を行う際、学習の方法などを調整する数値のことを「ハイパーパラメータ」と言います。グリッドサーチ、クロスバリデーションなどの手法があります。 scikit-learnを使った機械学習(1) それでは、scikit-learnを使った機械学習に挑戦してみましょう。今回は、scikit-learnのトイデータセットにある「手書き数字データセット」を使います。以下はanacondaを使った例で表示しています。データセットの読み込みはじめに、データセットを読み込み、どのようなデータが格納されているか、確認してみます。以下のコードを入力して実行して下さい。 # scikit-learn ライブラリの読み込み from sklearn import datasets # 手書き文字セットを読み込む digits = datasets.load_digits() # どのようなデータか、確認してみる import matplotlib.pyplot as plt plt.matshow(digits.images[0], cmap="Greys") plt.show() 実行結果は以下のようになります。数字の0のように見えますね。今回のプログラムでは、このような手書きの数字の画像データを使い、機械学習のモデルの学習と予測を行います。訓練データとテストデータの準備データセットには、「手書き数字の画像データ」と、それに対する「数字」が含まれます。データを訓練データとテストデータに分け、訓練データで学習した結果を、テストデータで検証します。 # 画像データを配列にしたもの(numpy.ndarray型) X = digits.data # 画像データに対する数字(numpy.ndarray型)。ラベルと言う y = digits.target # 訓練データとテストデータに分ける # 訓練データ：偶数行 X_train, y_train = X[0::2], y[0::2] # テストデータ：奇数行 X_test, y_test = X[1::2], y[1::2] 実行結果は特に表示されません。学習それでは、モデルに学習を行いましょう。以下ではSVMというアルゴリズムを選択しています。 # 学習器の作成。SVMというアルゴリズムを選択 from sklearn import svm clf = svm.SVC(gamma=0.001) # 訓練データとラベルで学習 clf.fit(X_train, y_train) 実行結果は以下のようになります。 SVMというアルゴリズムに対してどのような設定（パラメータ）を行ったかが表示されています。 SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,

機械学習

記事を検索

ニュース

インタビュー

テクノロジー

キャリア

お問い合わせ

Pythonで最適化問題を解く方法を現役エンジニアが解説【初心者向け】

最適化問題（数理最適化問題）とは

最適化問題を解く方法