前回の私のブログではdeep learningのdeepの意味を説明しました。
今回はlearningの意味を説明します。
learningは「学習」という意味です。
要するに、人が経験するように、分からなかったものを分かるようになるという過程です。
では、機械はどう学習するのでしょうか？
少し数学を利用して説明します。
例えば明日の天気を知りたい場合に、天気を”y”と表す。
数学上、明日の天気はこの算式で表示できます：
y = f(X)
f()は、運算のロジックです。
Xは、運算に必要な変数です。
だから、もしf()とXが完璧に分かれば、明日の天気は絶対に計算できます。
でも、現実には残念ながら、f()とXは分からないです。分かっているのは今までのｙ、歴史上の天気データのみです。
もし明日の天気を予測したい場合、まず仮説が必要です。
私は、明日の天気y’を設定します。y’の計算方法は：y’ = h(X’,θ)です。
h()は、仮設の計算ロジック。
X’は、仮設の変数。
θは、変数のウェイトです。
仮説ができたら、その後はこの仮説の評価をします。
評価も同じで、数学関数 p(y, y’)で表します。
yは現実の世界、y’は私の仮説の世界、p()は評価ロジックです。
一般的に、現実世界と仮説世界の差が評価基準となります。
この差が小さければ、この仮説はいい仮説といえます。
反対にもしこの差が大きければ、この仮説はあまり良くないです。
この差の計算方法は色々あり、p()を表示します。違う問題には違うp()が必要です。
どのp()を選択するかは機械学習における重要な問題です。
話を戻します。
機械学習の学習とは、仮説モデルを作り( h(X’,θ)のように)、現実世界と仮説世界(仮説モデル)の差を計算し、その結果から仮説モデルを調整し、またさらに現実世界と仮説世界の差を計算して。。。これを繰り返す過程です。
学習の目標は、現実世界と仮説世界の差をできるだけ小さくすること。
そうすれば、仮説モデルが本当に現実の世界を表示できるです。
中国広東省出身、京都オフィス勤務のエンジニア。機械学習に興味がある。京都大学留学生として来日して以来、京都の住みやすさが気に入っている。
