Python

Pythonのディープラーニング用フレームワーク Chainerとは【初心者向け】

初心者向けにPythonでディープラーニング用フレームワーク Chainerを活用する方法について解説しています。Chainerはディープラーニングフレームワークのひとつです。Chainterのインストール方法と他のいくつかの深層学習フレームワークについても紹介します。それぞれの特徴について見ていきましょう。

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のディープラーニング用フレームワーク Chainer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？

ディープラーニング用フレームワークChainerを活用する方法について詳しく説明していくね！

お願いします！

Chainerとは（メリットなど）

Chainerとは、 Python でディープラーニング(深層学習)を行うためのライブラリです。Python のディープラーニングのライブラリはいくつかあります。まずはそれぞれの特徴を見ていきましょう。

Chainer

日本の Preferred Networks という会社が主導して開発されています。チェイナーと読みます。「Define by Run」という機能により、柔軟な計算グラフ（ディープラーニングのモデル）の構築が可能であることが特徴です。自然言語処理の分野で多く使われています。実装は Python で書かれており、TensorFlowよりは低速ですが、 Python に慣れている人にとっては扱いやすいライブラリでしょう。

https://chainer.org/

TensorFlow

Googleが主導して開発されています。現在、最も多く利用されているディープラーニングのライブラリです。若干プログラムの書き方は難しいのですが、ディープラーニングのモデルの細かい部分まで調整できます。実装はC++で行われておりGPUにも対応しています。高速な計算が可能です。

TensorFlowとは

Keras

最も初心者向けのディープラーニングのライブラリです。ディープラーニングのモデルを簡単に記述できます。バックグラウンドで TensorFlow や Theano といったライブラリを動かして処理を行っています。現時点でディープラーニングの学習を始めるとしたら、Keras 一択でしょう。

Kerasとは

初学者の場合、はじめは Keras で記述し、オリジナルのモデルを作る必要が出てきた場合に TensorFlow や Chainer を利用すると良いでしょう。

Chainerを活用する方法

まずは Chainer をインストールしましょう。パソコンが Macならターミナル、Windowsならコマンドプロンプトから以下のコマンドでインストールします。なお、事前に Python のインストールが必要です。

pip install chainer

インストールが終わったら、チュートリアルや公式リポジトリに掲載されているプログラムで学習を進めましょう。なお、学習するにあたっては、 Python とディープラーニングの基礎知識が必要となりますので、ここではリンク先の紹介を行います。

公式ドキュメント

https://docs.chainer.org/en/stable/index.html

公式リポジトリ

chainer のプログラム本体とともに、多くのサンプルプログラムが格納されています。

https://github.com/chainer/chainer

公式リポジトリの中のMNIST

機械学習で良く使われるデータセットを用いたディープラーニングのサンプルです。

https://github.com/chainer/chainer/blob/master/examples/mnist/train_mnist.py

日本語チュートリアル(Chainer Tutorial Book)

Preferred Networks 社が提供しています。Colaboratoryというツールで作成されており、チュートリアル自体でプログラムを実行しながら学習を進めることができます。

https://play.chainer.org/

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。

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。

プログラミングを独学で学習していて、このように感じた経験はないでしょうか？

・調べてもほしい情報が見つからない
・独学のスキルが実際の業務で通用するのか不安
・目標への学習プランがわからず、迷子になりそう

テックアカデミーでは、このような学習に不安を抱えている方へ、マンツーマンで相談できる機会を無料で提供しています。
30分間、オンラインでどんなことでも質問し放題です。

「受けてよかった」と感じていただけるようカウンセラーやエンジニア・デザイナーがあなたの相談に真摯に向き合います。

「自分に合っているか診断してほしい」
「漠然としているが話を聞いてみたい」
こんなささいな悩みでも大丈夫です。

無理な勧誘は一切ありませんので、まずはお気軽にご参加ください。
※体験用のカリキュラムも無料で配布いたします。（1週間限定）

今なら参加者限定の割引特典付き！無料相談を予約する

Pythonにおけるwikipedia APIについて現役エンジニアが解説【初心者向け】

Pythonにおけるwikipedia API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

開発効率をあげる！Pythonでpickleを使う方法【初心者向け】

今回は、Pythonでpickleを使う方法を解説します。チームでの開発や複雑なプロジェクトなどの開発効率をより上げることができるので、使い方を覚えてお...

Python

Pythonのif文でNoneかどうかを判定する方法を現役エンジニアが解説【初心者向け】

Pythonのif文でNoneかどうかを判定する方法について、テックアカデミーのメンター（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のprint関数でタブを出力する方法を現役エンジニアが解説【初心者向け】

Pythonのprint関数でタブを出力する方法について、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case文に相当する処理を実装する方法を現役エンジニアが解説【初心者向け】

Pythonでcase文に相当する処理を実装する方法について、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でアニメーションを作成する方法を現役エンジニアが解説【初心者向け】

Pythonでアニメーションを作成する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...

Python

あわせてよく読まれている記事

eラーニングシステムを比較！成功事例も紹介

時間や場所を選ばないことで話題のeラーニング研修。日本能率協会マネジメントセンターが2015年に行った調査によると、国内におけるeラーニング研修導入企業は8割となっています。まだeラーニングを取り入れていないけれど、取り入れようか迷っている人事の方のために、本記事では、eラーニングの概要、種類から集合研修との違い、各研修のメリットデメリット更にはサービス紹介もしています。是非参考にしてみてください！なお本記事は、TechAcademyの法人向けIT研修での実績をもとに紹介しています。目次 eラーニングとは「集合研修」と「eラーニング研修」の相違点 eラーニング研修成功事例 eラーニングシステム紹介 eラーニングとは？ eラーニングとはパソコンを利用した学習のことを指します。（参考：コトバンク）ですが、最近では技術発展の影響もあり、パソコンだけでなくスマートフォンやタブレットなど、媒体を問わず利用するというケースが広く見られるようになっています。 eラーニングの種類 eラーニングの種類は2種類あります。自社に専用のサーバを設置し、eラーニング環境を構築し実施する「イントラネット型」 ASPサービスを利用してシステムを社外に委託運用する「アウトソーシング型」使用ツールとして、PCとモバイル端末が挙げられます。 PCは、職場や自宅内で学習する為、モバイル端末は、職場や自宅以外の場所で学習できるという各々の利点があります。近年のeラーニング活用傾向は？近年における活用の傾向を見ると、講義・テキスト学習・問題演習などすべてeラーニングで実施する方法に加え、集合研修とeラーニングを連動する方法、更にテキスト（紙媒体）とeラーニングを連動する方法があります。すべてeラーニングで実施する方法資格取得や語学教育などで行うケースが多く、文字だけでなく、動画などで視聴覚に訴えることが効果的な場合に有効。集合研修とeラーニングを連動させる方法まず、集合研修の概要について解説していきます。集合研修は、参加者を一か所に集め、人対人で行う研修方法になります。メリットとして、他人の目があるので緊張感が生まれ、一人で勉強するよりも同じ目的を持った人たちと一緒に勉強するのでモチベーションの向上に繋がります。次に、集合研修とeラーニングを連動させる方法として、集合研修の前にｅラーニングを適用する場合と、集合研修の後に適用する場合の2パターンをご紹介します。重要な教育内容は集合研修で受講者を集めて実施し、その前後にeラーニングで個別学習を行う方法個別学習では、ケース研究やワークシートを使用し、送られてくる課題に回答し、返送する。会社（解説者）は回答済みシートにコメントを行い、受講者へ返信します。このような学習を繰り返す中で、途中あるいは最後に集合研修を実施し、eラーニングでの学習効果をお互いで検証します。紙媒体とeラーニングの連動基本テキストは紙教材を送付し、受講生はまずこれを使って基本学習を行います。そして、添付課題やケース課題、質問応答などをeラーニングで行います。この方法は、企業が通信教育や集合研修に代わる教育方法として導入するケースが増えています。さて、前にも「集合研修」と「eラーニング研修」というワードが出てきたと思いますが、この2つの違いについて詳しく説明していきます。 [PR] Pythonで挫折しない学習方法を動画で公開中「集合研修」と「eラーニング研修」の相違点 eラーニングは、モバイル端末を利用すれば時間や場所の制約を受けずに学習できます。一方、集合研修では会場の設置、講師の調達といった手間とコスト、参加者のスケジュール調整や移動費など時間と場所の制約が大きく、参加者の人数が増えるほど大きなコストが発生してしまいます。また、全国展開する企業では、頻繁に集合研修を実施するのが難しいため、スピード感に欠けてしまいます。しかし、eラーニングは全拠点で統一した研修内容の提供が可能で、スピーディに対応できますが、集合研修は、講師やほかの参加者と対面することで、個人学習では味わえない臨場感と相互啓発などの利点があります。それによって理解度がさらに深まり、新しい気づきに繋がるのは集合研修にしかないメリットとなります。まず初めに、eラーニング、集合研修双方の受講者側のメリットについてまとめてみました。メリット【受講者】eラーニング研修時間や場所に制約されず、受講できる自分のペースで繰り返し受講可能必要な部分だけ抜粋して学習することができる苦手分野の克服に繋がる【受講者】集合研修非日常と臨場感が味わえる人対人のため、直接学ぶことができる受講者同士学習意欲を高めることができるその場でフィードバックがもらえる次に双方の主催者側のメリットをまとめてみました。【主催者】eラーニング時間や場所、人数の制約を受けず提供できる必要な情報を速くに提供できる多様なコンテンツの提供が可能学習の進捗状況や履歴を完全管理できる→ 社内問題の早期発見、解決につながる運用コストの削減ができる社員の習熟度格差が埋まり、生産性向上に繋がる【主催者】集合研修強制力がある一定カリキュラムを確実に学習できる学習者の反応を確認しながら進められる帰属意識の醸成ここまでメリットのみ述べてきましたが、もちろんデメリットもあります。デメリット【eラーニング研修デメリット】個人のモチベーション低下強制されないので自己学習が苦手な人には向かないインターネット環境が必要【集合研修デメリット】コストが大幅にかかる学習履歴の管理が大変時間や場所が限られてしまう提供コンテンツが限られる受け身学習になりやすい以上がeラーニング研修と集合研修のメリットとデメリットについてです。さて、ここまでの内容を抑えた上で、eラーニング研修の効果って出ているの？という疑問をお持ちの方の為に企業が導入し成功した事例を2つ程紹介します。 eラーニング研修成功事例株式会社ロッテリア(サイト内インタビュー一部抜粋) 「クレーム数の軽減のような具体的な効果はおそらく次の段階で、現時点では実施状況をしっかり把握、管理できることにメリットを感じています。受講履歴を見れば、実施していない社員がひと目で分かるので、こちらから電話やメールで、アプローチすることができます。現場の問題をいち早く察知できるといった副次的効果も期待できるかもしれませんね。」株式会社トップ教育センター(サイト内インタビュー一部抜粋) 「授業の内容を何度も復習できるので生徒さんの学力向上につながったのはもちろんのこと、一番の効果は保護者の皆さんにより安心していただける教育体制が実現できたことでしょう。苦手科目はマンツーマン指導で徹底的にフォローできますが、それ以外の科目がなおざりになってしまうことを保護者の方はとても気にされるんですね。そこをeラーニングで補完できるので、得意教科と苦手教科をバランスよくフォローできる教育体制となり、結果、保護者の方にも安心していただくことができました。」（参考：WARK）コラムコスパとタイパ、両方結果的に良くなる良くなる学び方とは？「スクールは高いし時間も縛られて効率が悪い」と考える方は多いと思います。もちろん、時間も費用もかかることは間違いありません。ただ結果的に無駄な学びにお金も時間もかける方がリスクが高いという考えもあります。コスパ・タイパ最適化の参考として、テックアカデミー卒業生がスクールを選んだ理由をご紹介します。

ツール系

概念を理解しよう！深層学習（ディープラーニング）とは

最近、人工知能（AI）関連のニュースでキーワードとしてよく取り上げられる深層学習（ディープラーニング）について解説します。 2010年代から、コンピューターの性能向上とともに、人工知能が盛り上がりを見せています（第3次人工知能ブーム）。この人工知能の盛り上がりのきっかけとなったのが、深層学習（ディープラーニング）という技術です。人工知能の実態を知るためにも深層学習（ディープラーニング）技術の理解は欠かせないでしょう。深層学習（ディープラーニング）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のか、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。目次深層学習（ディープラーニング）とは深層学習（ディープラーニング）の仕組み、原理とは深層学習（ディープラーニング）の事例深層学習（ディープラーニング）のライブラリ田島悠介今回は深層学習（ディープラーニング）について解説するよ。大石ゆかり田島メンター！深層学習というのは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学習方法の1つなんだ。詳しく見ていこう。大石ゆかり分かりました！深層学習（ディープラーニング）とは人工知能（AI）を活用したテクノロジーが次々と発表されています。例えば以下の事例はニュースとして聞いた方も多いのではないでしょうか。囲碁AIのAlphaGo（アルファ碁）が囲碁チャンピオンを破った自動運転技術の発展グーグルのAIが動画を見て猫の概念を学習したこれらに共通して使われているのが深層学習（ディープラーニング）という技術です。人工知能とは、「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（マシーンラーニング）と呼び、その中でも、より人間の脳に近い学習手法の1つが、深層学習（ディープラーニング）という技術です。 [PR] Pythonで挫折しない学習方法を動画で公開中深層学習（ディープラーニング）の仕組み、原理とは深層学習（ディープラーニング）とは、人や動物の脳の神経回路をモデルにした、多層のニューラルネットワーク（ディープニューラルネットワーク）による機械学習の手法です。「神経回路」「ニューラルネットワーク」「多層」、いろんなキーワードが出てきましたね。まずは、神経回路から確認していきましょう。神経細胞（Wikipedia）こちらが神経細胞です。神経回路は、この神経細胞が複数接続されたものです。神経細胞は、他の細胞からの入力を樹状突起（左側の紫色の部分）で受け、他の細胞に軸索（右側の紫色の部分）で出力します。このとき神経細胞では、複数の細胞からの入力を受けたり、内部で入力信号を変化させることで、情報の修飾が行われます。この情報の修飾が、神経回路全体として行われることで、感覚の伝達、視覚の認識、そして脳の知覚、すなわち知能が実現されています。例えば、人間が「0」や「1」といった数字を目で見たとしましょう。この時、1つ1つの視覚細胞では、入力された視覚信号をもとに情報を修飾し、他の細胞に伝達することが行われています。この時の情報の修飾により、「0」であれば「丸い円」、「1」であれば「縦方向の直線」といった「特徴」が認識されます。また人間は、その視覚情報に対して、「0」や「1」といった概念（正解、機械学習ではラベルといいます）を教えてもらうことで、「数字の特徴」と「数字」という概念を対応づける「学習」を行うことができます。この学習を繰り返すことで、人間は、少し違った形の数字であっても、視覚情報から得られる特徴から「数字」と認識できるようになります。では次に、神経回路をモデルにしたニューラルネットワークについて確認します。こちらはニューラルネットワークにおいて、神経細胞と同等の役割を果たすものです。パーセプトロンと呼ばれます。個々のパーセプトロンでは、人間の神経細胞と同様に、他のパーセプトロンからの入力を左側のInputで受け、他のパーセプトロンに右側のOutputで出力します。また、複数のパーセプトロンからの入力を、内部で変化（数学的な計算）させることで、情報の修飾を行っています。ニューラルネットワーク（Wikipedia）パーセプトロンを複数接続したのがニューラルネットワークです。個々のパーセプトロンでは、人間の神経細胞と同様に、入力された値をもとに情報の修飾（数学的な計算）を行い、他のパーセプトロンに伝達することが行われています。この情報の修飾により、入力された情報の「特徴」が認識されます。ただしこれまでは、コンピューターの能力に限界があり、ニューラルネットワークの層（左から右に伝達する間に存在するパーセプトロン群）を増やすことができませんでした。そのため、パーセプトロン同士の接続が（人間の神経回路に比べて）単純であり、特徴を十分に学習させることができない問題がありました。ディープニューラルネットワーク（Wikipedia）しかし近年のコンピューターの著しい能力向上、そして情報修飾（数学的な計算）方法におけるブレークスルーなどがあり、ニューラルネットワークの層を増やしたモデルの構築が可能となりました。それがディープニューラルネットワークです。ディープニューラルネットワークでは、より人間の神経回路に近いパーセプトロンの接続を行うことができます。これにより入力された情報から、多くの特徴を認識できるようになり、機械学習の精度が飛躍的に向上しました。深層学習（ディープラーニング）の事例深層学習には、前出のAlphaGo（アルファ碁）や自動運転技術の他、多くの場面で利用されています。ここでは代表的な例を見ていきましょう。画像認識、映像解析ディープラーニングが大きく注目されるようになったきっかけは、2012年に開催された「ILSVRC2012」という画像認識の大会です。この大会では、ImageNetという大量のラベル付き画像（画像と写っている物の名前のセット）を基に画像認識率を競い会います。前年度までの正解率は、高くても70%台前半でした。ところが2012年、ディープラーニングを使ったモデルが、一気に約85%の正解率を叩き出します。翌年からは、ディープラーニングを使ったモデル同士が競い合うようになり、正解率もどんどん向上して行きました。現在では正解率95%以上、人間を超えるレベルにまで到達しています。現在は、この画像認識／映像解析の技術が、多くの製品で実装されています。 Deep Learning を応用した監視カメラソリューション（株式会社システム計画研究所）日立がカメラ映像の人物を深層学習で特定する技術 IBM Watsonによるガン診断（画像解析）音声解析日本でも、「LINE Clova」や「Google Home」、「Amazon Echo」といったスマートスピーカーが次々と発売されています。また、iPhone／Macの「Siri」やAndroidの「Googleアシスタント」、Windows10の「Cortana」などといった音声入力システム。これらには、ディープラーニングを使った音声解析技術が用いられています。音声解析は、リアルタイムに大量のデータを処理しなければなりません。また、一般用途向け製品、スマートフォンやスマートスピーカー、パソコン等、多くのコンシュマーデバイスから日々情報が入力されています。各社とも、具体的な規模は明らかにしていませんが、サーバ数万台が連携した音声解析のクラウドシステムを構築し、対応しているものと思われます。翻訳、言語解析 2016年の秋、Googleはディープラーニングを用いた、Google Neural Machine Translation(GNMT)と呼ばれる新しい翻訳システムを導入しました。これは、これまでの語句レベルでの翻訳から、文章全体を見た、より適切な翻訳を行うシステムです。実際、Google翻訳を使用すると、ほとんどの文章において、自然な文章で翻訳されているのが実感できると思います。また、翻訳の研究は、日本でも古くから行われています。NICT（独立行政法人情報通信研究機構）が開発した音声翻訳アプリには、NICTが開発した多言語翻訳エンジンが使われています。もう一つの事例として、Googleの絶滅危惧言語プロジェクトを紹介しましょう。これは、世界で絶滅の危機に瀕している言語の保存、ドキュメント化を目的としています。これまでの翻訳では、多数の人力を必要としていました。ところがディープラーニング技術を用いると、翻訳例をもとに、モデル自らが学習を進めていきます。そのため、より低コストで質の高い翻訳を行うことが可能になり、従来は費用などの制約から行われてこなかった、利用者の少ない言語の翻訳も行えるようになりました。コラムコスパとタイパ、両方結果的に良くなる良くなる学び方とは？「スクールは高いし時間も縛られて効率が悪い」と考える方は多いと思います。もちろん、時間も費用もかかることは間違いありません。ただ結果的に無駄な学びにお金も時間もかける方がリスクが高いという考えもあります。コスパ・タイパ最適化の参考として、

機械学習

徹底解説！scikit-learnを使った教師あり・なし学習とは

今回は、教師あり学習と教師なし学習について解説します。ぜひ、この記事を参考に、教師あり・なし学習にチャレンジしてみてください。なお本記事は、TechAcademyのオンラインブートキャンプ、AI講座とデータサイエンス講座の内容をもとに作成しています。田島悠介今回は、scikit-learn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 scikit-learnを使った教師あり・なし学習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！教師あり学習とは教師あり学習とは、正解やより良い方法を膨大なデータとして用意しておき、その正解を元にコンピューターが学習することで、コンピューター自身を成長させる学習方法です。 Googleで開発されたAlphaGoという深層学習（ディープラーニング）により、世界最高峰のプロ囲碁棋士に勝利したプログラムがあります。このAlphaGoのうち、第3世代までの、AlphaGo Masterは教師あり学習を元に、自己学習を繰り返した結果、プロ棋士に勝てるようになりました。 [PR] Pythonで挫折しない学習方法を動画で公開中教師あり学習の手法ここでは、scikit-learnを使用した教師あり学習の手法とその表示グラフを紹介します。 Liner Model(線形回帰) 画像引用：http://scikit-learn.org Logistic Regression(ロジスティック回帰) 画像引用：http://scikit-learn.org Support Vector Regression(SVM) 画像引用：http://scikit-learn.org Perceptron(パーセプトロン) 画像引用：http://scikit-learn.org Decision Tree Regression(決定木回帰) 画像引用：http://scikit-learn.org Rondom Forests(ランダムフォレスト) 画像引用：http://scikit-learn.org Ada Boost 画像引用：http://scikit-learn.org KNeighbors 画像引用：http://scikit-learn.org Neural Network(ニューラルネットワーク) 画像引用：http://scikit-learn.org 教師なし学習教師なし学習といっても、最初の段階で教師あり学習のように、正解の大量のデータを教師として学習する部分が無いだけであり、基本的なルールは学習する必要があります。基本ルール部分を学びますが、その部分は教師として考えないという理論です。教師なし学習では、基本ルール内で勝つために、自分自身と戦い続けることで、性能を上げていきます。 AlphaGo Masterの次に開発されたAlphaGo Zeroは、教師なし学習を元に発展しました。 AlphaGo Zero では、ルール以外の知識は全く与えずに強化学習を行うことで、40日後に、AlphaGo Masterに89勝11敗しました。つまり、AlphaGo Zeroは世界最強の囲碁棋士に40日間で成長することができたということです。ここでは、scikit-learnを使用した教師なし学習の手法とその表示グラフを紹介します。 K-means(k平均法) 画像引用：http://scikit-learn.org PCA 画像引用：http://scikit-learn.org コラムコスパとタイパ、両方結果的に良くなる良くなる学び方とは？「スクールは高いし時間も縛られて効率が悪い」と考える方は多いと思います。もちろん、時間も費用もかかることは間違いありません。ただ結果的に無駄な学びにお金も時間もかける方がリスクが高いという考えもあります。

機械学習

ディープラーニングにはPythonが適している理由【初心者向け】

ディープラーニングとPython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。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のディープラーニング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！ディープラーニングとは AIとは、コンピュータに人間の行動を模倣させることです。機械学習はAIのサブセット(一部)で、コンピュータがデータに基づき物事を判定するための技術です。さらにディープラーニングは機械学習の実装の一つで、コンピュータが何らかの複雑な問題を解決するための技術です。包含関係としては、AI > 機械学習 > ディープラーニングとなっています。ディープラーニングにPythonがよく使用される理由いくつか理由がありますが、一般に認知されていると思われるものをとりあげます。ライブラリが充実しているため特に機械学習では頻出の、行列計算を支援するNumPyライブラリの存在が大きいです。教育機関でよく利用されるため文法上の特性(コードの可読性や保守性が良い)からPythonは大学の理数系教育でよく採用されます。卒業生もそのままPythonを利用し続ける傾向があるので、自然とコミュニティが拡大します。 CやC++のプログラムを呼び出せるため大量のデータ処理では、1処理あたりの時間短縮が重要になります。少しでも高速にするため、CやC++といった機械語に近い言語の有利なケースがあります。 Pythonではこれら言語で作成したプログラムを呼び出し、局所的な処理の高速化を図れます。 [PR] Pythonで挫折しない学習方法を動画で公開中ディープラーニングに適したPythonのライブラリ（NumPyなど） NumPy 科学技術計算のライブラリ。多次元行列を用いる演算にたいへん便利です。 SciPy 前述のNumPyも含めた、ライブラリというよりはオープンソースツール群。科学技術計算の広範な分野をカバーし、統計処理、線形代数、微積分なども扱えます。 Pandas データを構造化し、データ解析を支援するライブラリ。数表や時系列データを扱う場合に頻繁に利用されます。 Matplotlib グラフ描画ライブラリ。ディープラーニングにとどまらず、理数系ではデータ視覚化の標準的な手段です。 Seaborn 前述のMatplotlibをベースとし、統計データの視覚化に特化したライブラリ。複数のデータの相関を示すのに利用されます。 Scikit Learn 機械学習のライブラリ。前述のNumPy, SciPy, Matplotlibなどに依存しています。データ分析、データマイニングを得意とします。 TensorFlow Googleが社内で開発し公開したことで有名になった、機械学習のライブラリ。数値解析やニューラルネットワークに対応しています。 TensorFlowとScikit Learnの違いですが、TensorFlowはどちらかというと低レイヤのライブラリで、機械学習を実装するための部品を提供します。一方でScikit Learnは機械学習で一般的なアルゴリズムを組み込んでいて、一般的な処理ならばライブラリを呼び出すだけでほぼ完結します。ディープラーニングの学習を始めてみよう（おすすめの書籍、講座など） Web上のサイト・Pythonによる機械学習入門～Deep Learningに挑戦～学会での講演資料で、Pythonでの機械学習の入口をわかりやすくまとめています。・ニューラルネットワークライブラリTensorFlow／Kerasで実践するディープラーニング (1/3) @ITの記事で、機械学習、ニューラルネットワークの概要に触れています。サンプルコードもあるので、気軽に試すのにも適しています。書籍ライブラリの使い方や、処理の流れを忘れてしまった時、すぐに見られる資料が手元にあると心強いです。この分野は進歩が早いので、ライブラリのバージョンアップなどにより、情報が古くなりやすいのが難点です。・ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装・はじめてのディープラーニング -Pythonで学ぶニューラルネットワークとバックプロパゲーション- (Machine Learning) ・Pythonで動かして学ぶ! あたらしい深層学習の教科書機械学習の基本から深層学習まで (AI & TECHNOLOGY) オンライン講座動画閲覧とコーディングを並行して進められる、オンラインの講座もあります。わからない点や、忘れてしまった点を、いつでもさかのぼって調べられるのが利点です。・ディープラーニング : Pythonでゼロから構築し学ぶ人工知能（AI）と深層学習の原理・【4日で体験しよう！】 TensorFlow x Python 3 で学ぶディープラーニング体験講座研修、セミナー、勉強会など TECH PLAYやconpassといった、IT系勉強会サイトで検索するとよいでしょう。機会学習は流行りのテーマなので、企業によるセミナー、有志による勉強会が多数開催されています。コラムコスパとタイパ、両方結果的に良くなる良くなる学び方とは？「スクールは高いし時間も縛られて効率が悪い」と考える方は多いと思います。もちろん、時間も費用もかかることは間違いありません。

Python

【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] Pythonで挫折しない学習方法を動画で公開中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。コラムコスパとタイパ、両方結果的に良くなる良くなる学び方とは？「スクールは高いし時間も縛られて効率が悪い」と考える方は多いと思います。もちろん、時間も費用もかかることは間違いありません。ただ結果的に無駄な学びにお金も時間もかける方がリスクが高いという考えもあります。コスパ・タイパ最適化の参考として、テックアカデミー卒業生がスクールを選んだ理由をご紹介します。

機械学習

テンソルフロー(TensorFlow)を利用したPythonによるAIプログラミングを現役エンジニアが解説【初心者向け】

テンソルフロー(TensorFlow)を利用したPythonによるAIプログラミング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。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？田島悠介テンソルフロー(TensorFlow)を利用したPythonによるAIプログラミング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！この記事では、TensorFlowと呼ばれるディープラーニング向けのライブラリを使って、Pythonで機械学習を実践してみます。機械学習を勉強中の方や、ディープラーニングを使ってみたい方は手を動かしながら読んでみると良いでしょう。 TensorFlowとは？ Pythonにおける通常の機械学習は、scikit-learnと呼ばれる機械学習に特化したライブラリを使うことによって、簡単に実践することができます。そして、通常の機械学習に加えて敷居が高いと思われがちなディープラーニングであっても、Pythonでは専用のライブラリを使えば誰でも簡単に実践することができます。 Pythonのディープラーニング向けライブラリにはいくつかありますが、今回はGoogle社が開発したTensorFlowというライブラリを使います。ディープラーニングの実践で注意しなければならないことは、通常のコンピュータを使ってディープラーニングを行おうとすると、計算量が多く、時間がかかっていつまで経っても終わらないことがあるという点です。このようなデメリットは、ディープラーニングを行う際には注意しておくことが大事です。今回行うディープラーニングではそれほど重い処理を行うわけではないので安心してください。機械学習・ディープラーニングの学習に最適な環境機械学習や、データ解析では、Jupyter Notebookというブラウザ上で開発できる環境を使うことが多いです。 Jupyter Notebookを使うメリットは、コードや実行結果をそのままの形で保存できるので、後で振り返りやすい点や、実験的にコードを実行したいときに便利などたくさんあります。今回はJupyter Notebookを使ってディープラーニングを実践していきたいと思います。 Jupyter Notebookをインストールしていない方は、Jupyter Notebookをインストールしてから行ってください。 [PR] Pythonで挫折しない学習方法を動画で公開中TensorFlowを導入してみようそれでは、TensorFlowを実際に導入してみましょう。この記事では、GPUではなく、CPUを使ったディープラーニングを行います。Windowsの場合はコマンドプロンプトで、Macの場合はコマンドラインで pip3 install tensorflow を実行してください。 Successfully installed tensorflow のようなものが表示されたら、TensorFlowのインストール完了です。 TensorFlowを使ってコードを書いてみよう今回は、Googleが公式に提供しているチュートリアルを参考にしてTensorFlowを動かしていきます。 MNISTファイルという手書き文字のデータを学習して、新しい手書き文字の数字を予測するというプログラムを書いていきます。それでは、順番にコードを書いていきましょう。まずは from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow as tf この部分は必要なライブラリをインポートをしています。 1行目は、__future__ というモジュールからabsolute_import, division, print_funvtion, unicode_literalsというパッケージを読み込むためのものです。 2行目ではPythonでTensorFlowを実行するための部分です。次は、 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 と書いて実行してください。すると、MNISTファイルをダウンロードします。 MNISTファイルというのは”Mixed National Institute of Standards and Technology database”の頭文字を取ったもので、手書き数字の画像のデータセットです。 AIプログラミングではよく使われる画像のデータセットで、学習の際によく出てくるものなので、覚えておくと良いかもれません。 x_trainという学習用のデータと、学習済みのAIの性能を評価するためのx_testというテスト用のデータから成り立っています。 mnist = tf.keras.datasets.mnist でMNISTファイルをダウンロードし、 (x_train, y_train), (x_test, y_test) = mnist.load_data() でデータを訓練用とテスト用に分けています。その次の、 x_train, x_test =

Python

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のディープラーニング用フレームワーク Chainerとは【初心者向け】