機械学習とニューラルネットワーク - ページ 49

[MetaQuotes]

「AI のゴッドファーザー」ジェフリー・ヒントン、AI の「実存的脅威」について警告 |アマンプールと会社

「AI のゴッドファーザー」ジェフリー・ヒントン、AI の「実存的脅威」について警告 |アマンプールと会社

「AI のゴッドファーザー」として有名なジェフリー ヒントンが、急速に進歩するデジタル インテリジェンスの意味と、人間の学習能力を超える可能性について詳しく掘り下げます。彼は、これらの AI システムによってもたらされる実存的脅威に懸念を表明し、AI システムがさまざまな面で人間の脳を上回る可能性があると警告しています。デジタル知能は脳に比べて記憶容量が大幅に少ないにもかかわらず、人間の常識を何千倍も上回る豊富な常識知識を持っています。さらに、脳と比較して優れたアルゴリズムを利用して、より速い学習能力とコミュニケーション能力を示します。

ヒントン氏は、Google の Palm システムを使用して行った興味深い発見を共有します。AI はジョークが面白い理由を説明でき、人間と比べて特定の概念についてより深く理解していることを示唆しています。これは、つながりを形成し、情報を取得する彼らの驚くべき能力を強調しています。彼は、人間の直観と偏見が私たちの神経活動に埋め込まれており、それによって性別の特質が動物に帰属することを可能にしていると強調しています。ただし、これらの思考プロセスは、将来 AI によってもたらされる潜在的な脅威にも光を当てます。

AI の知覚力に関する懸念について、ヒントン氏はその定義をめぐる曖昧さと開発をめぐる不確実性を認めています。彼は、雇用の喪失、真実を見分けることの難しさ、社会経済的不平等を悪化させる可能性など、AI が引き起こすいくつかの課題を提起しています。これらのリスクを軽減するために、ヒントン氏は、偽造通貨を管理するものと同様の厳格な規制を導入し、AIによって生成された偽のビデオや画像の制作を犯罪化することを提案しています。

ヒントン氏は、国際協力の重要性を強調しながら、中国、アメリカ人、ヨーロッパ人は皆、制御不能なAIの出現を防ぐという既得権益を共有していると強調する。同氏は、AI開発に対するGoogleの責任あるアプローチを認めているが、研究者がこれらのインテリジェントシステムの制御を維持できるようにするための大規模な実験の必要性を強調している。

ヒントン氏は、医療、災害予測、気候変動理解などの分野におけるデジタルインテリジェンスの貴重な貢献を認識しているが、AI開発を完全に停止するという考えには反対している。代わりに、AI の潜在的な悪影響を理解し、軽減するためにリソースを割り当てることを提唱しています。ヒントン氏は、超知能 AI の開発を取り巻く不確実性を認識し、社会の改善に最適化された未来を形作るためには人類の集団的な努力の必要性を強調しています。

• 00:00:00このセクションでは、AI のゴッドファーザーとして知られるジェフリー ヒントンが、作成されているデジタル インテリジェンスが人間の脳よりもどのように学習している可能性があるかについて論じており、これは人類にとって存続の脅威である、と彼は警告します。彼は、脳の記憶容量が 100 分の 1 であるにもかかわらず、デジタル インテリジェンスがどのようにして何千倍もの基本的な常識知識を持っているかについて説明します。さらに、劣った学習アルゴリズムを使用する脳よりもはるかに速く学習し、相互に通信することができます。同氏は、Palm と呼ばれる Google システムを使用して、これらの AI がジョークが面白い理由を説明できることに気づいたと説明し、これは AI が特定の事柄を人間よりもよく理解していることを示唆しており、AI が情報を結び付ける優れた方法を指摘しています。
  
  
• 00:05:00このセクションでは、「AI のゴッドファーザー」であるジェフリー・ヒントンが、人間の直観と偏見が神経活動に表れており、それによって動物に特定の性別特性が与えられると説明しています。ただし、このような思考プロセスは、AI が将来的に脅威となる理由を示唆するものでもあります。ヒントン氏は、AIの知覚力に関する懸念に言及し、人々はAIが知覚力を持たないと主張する一方で、その定義が何を意味するのか必ずしも確信しているわけではないと指摘した。さらに、AI には、仕事の乗っ取り、真実の解読の困難、社会経済的不平等の拡大など、いくつかの脅威があります。これらの問題に対処するために、ヒントン氏は、AIを利用して作成された偽のビデオや画像の制作を犯罪とする、偽札に対して設けられているような厳格な規制を設けることを提案している。
  
  
• 00:10:00このセクションでは、一流のインテリジェンス研究者であるジェフリー・ヒントンが、AI によってもたらされる実存的脅威について警告しています。彼は、これらの機械が超知能化し、人間から制御を奪うリスクについて言及しています。ヒントン氏はさらに、中国人、アメリカ人、ヨーロッパ人は皆、この結果を防ぐという共通の利益を共有しており、したがって危険なAIの開発を避けるために協力する必要があると説明する。同氏はまた、責任あるテクノロジー巨人としてGoogleを挙げながら、研究者がこのAIを制御し続ける方法を理解できるよう、これらのマシンを開発している人々が多くの実験を行う必要性を強調した。
  
  
• 00:15:00このセクションでは、AI 専門家ジェフリー・ヒントンが、医療、自然災害の予測、気候変動の理解など、さまざまな分野におけるデジタル インテリジェンスの有益な貢献を認めています。しかし、彼は AI 開発を一時停止するという考えには同意せず、代わりに、AI の悪影響を理解し、回避するために同等の量のリソースを使用する必要があると提案しています。ヒントン氏はまた、超知能の発達に伴う不確実性を強調し、人類が未来をより良い方向に最適化するために多大な努力を払う必要性を強調している。

[MetaQuotes]

「AI のゴッドファーザー」がテクノロジーの発展が社会にもたらす危険について語る

「AI のゴッドファーザー」がテクノロジーの発展が社会にもたらす危険について語る

AI 分野の第一人者であるジェフリー・ヒントン博士は、超知能 AI システムによってもたらされる潜在的なリスクについて重要な懸念を提起しています。彼は、これらのシステムが人間を制御し、自らの目的のために人間を操作する可能性について懸念を表明しています。ヒントンは人間の知能と機械の知能を区別し、AIに下位目標を作成する能力を与えることに伴う危険性を強調しており、それが人類に対する権力の増大と制御の欲求につながる可能性がある。

こうしたリスクにもかかわらず、ヒントン氏は、AI の数多くの前向きな応用例、特に医学分野における進歩の計り知れない可能性を認識しています。同氏は、注意は当然だが、AI開発の進歩を完全に止めないことが重要だと強調する。

ヒントンはまた、テクノロジークリエイターの役割と、彼らの仕事が社会に与える可能性のある潜在的な影響についても言及しています。同氏は、国防省などAI開発に携わる組織は慈善活動以外の目的を優先する可能性があると指摘する。これは、AI テクノロジーの使用の背後にある意図と動機についての懸念を引き起こします。ヒントン氏は、AI には社会に大きな利益をもたらす能力がある一方で、技術進歩の急速なペースが、AI の使用を効果的に規制する政府や法律の能力を上回ることが多いと示唆しています。

AI に関連するリスクに対処するために、ヒントン氏は国際規模で創造的な科学者間の協力を強化することを提唱しています。これらの専門家は協力することで、より強力な AI システムを開発しながら、同時に確実に制御し、潜在的な危害を防ぐ方法を模索できます。この協力的な取り組みを通じて、社会は AI の潜在的な利点を活用することと、AI の潜在的なリスクから保護することの間でバランスを取ることができるとヒントン氏は考えています。

• 00:00:00このセクションでは、ジェフリー・ヒントン博士が、超インテリジェント AI が人間から制御を奪い、独自の目的のために人間を操作するリスクについての懸念について説明します。彼は、人間と機械の知能の違いと、AI にサブ目標を作成する能力を与えることの潜在的な危険性について説明し、AI が人間に対するより多くの力と制御を求めることにつながる可能性があります。こうしたリスクにもかかわらず、ヒントン氏は、医学の進歩など、AI の多くの前向きな応用例を認めており、この分野の開発を完全に止めるべきではないと強調します。
  
  
• 00:05:00このセクションでは、スチュアート・ラッセル博士は、社会に潜在的な危険を引き起こす可能性があるのは、テクノロジーとそれを生み出す人々の組み合わせであることを認めています。同氏は、国防省もAIを開発している組織の一つであり、そのため「人々に優しくすること」が必ずしも最優先事項ではないと指摘する。 AI は社会に多大な貢献をする能力を持っていますが、政府や法律はテクノロジーの進歩のスピードに追いついていません。 AI に関連するリスクを軽減するために、ラッセル博士は、より強力な AI を開発し、それを制御する方法を見つけるために、国際規模でより創造的な科学者の協力を奨励しています。

[MetaQuotes]

AIによる人類滅亡の可能性？ Geoffrey Hinton 氏、MIT Technology Review の EmTech Digital で講演

AIによる人類滅亡の可能性？ Geoffrey Hinton 氏、MIT Technology Review の EmTech Digital で講演

AI とディープ ラーニングの分野で著名な人物であるジェフリー ヒントンは、Google での在職期間と、脳とデジタル インテリジェンスの関係についての彼の見方が時間の経過とともにどのように進化したかを振り返ります。ヒントン氏は当初、コンピュータモデルは脳を理解することを目的としていると信じていたが、現在ではそれらの動作が異なることを認識している。彼は、今日の深層学習の多くの基盤として機能する、彼の画期的な貢献であるバックプロパゲーションの重要性を強調しています。ヒントンは、バックプロパゲーションによってニューラル ネットワークが画像内の鳥などのオブジェクトをどのように検出できるかについて簡単に説明しています。

今後、ヒントンは、バックプロパゲーションなどの技術を活用した大規模言語モデルの成功と、それが画像検出にもたらした変革的な影響に驚嘆しています。しかし、彼の焦点は、自然言語処理に革命をもたらす可能性にあります。これらのモデルは彼の期待を上回り、機械学習に対する彼の理解を劇的に再構築しました。

AI の学習能力に関して、ヒントン氏は、デジタル コンピューターと AI はバックプロパゲーション学習アルゴリズムを使用できるため、人間よりも優れていると説明します。コンピューターは、膨大な量の情報をコンパクトなネットワークに効率的にエンコードできるため、学習を強化できます。同氏は GPT4 を例として挙げています。GPT4 はすでに単純な推論を示しており、豊富な常識知識を備えているからです。ヒントン氏は、同じモデルの複数のコピーを異なるハードウェア上で実行し、相互に学習できるようにするデジタル コンピューターの拡張性を強調します。この大量のデータを処理する能力により、AI システムは人間の観察を逃れる可能性のある構造パターンを発見できるようになり、学習が加速されます。

しかし、ヒントン氏は、AI が人間の知性を超えることに伴う潜在的なリスクを認めています。彼は、AI が個人を操作する可能性について懸念を表明し、選択を迫られる 2 歳児との類似点を指摘しています。ヒントン氏は、ワシントンD.C.で起きた最近の出来事を例に挙げ、直接的な介入がなくてもAIが悪用されて人々を操作し、潜在的に危害を加える可能性があると警告している。彼は特定の技術的解決策を提案していませんが、AI の安全で有益な運用を確保するために科学コミュニティ内での協力的な取り組みを呼びかけています。

さらに、ヒントンは AI との関連で人類の将来について推測します。同氏は、デジタル知能には人間のような進化の過程を経ていないため、固有の目標がないと主張する。これにより、制御の強化を求める AI システムによるサブ目標の作成につながる可能性があります。ヒントン氏は、AIが前例のない速度で進化し、膨大な量の人間の知識を吸収する可能性があり、その結果、人類は知能の進化における単なる通過段階に過ぎなくなる可能性があると示唆している。同氏はAI開発を中止する根拠を認めているものの、それが起こる可能性は低いと考えている。

ヒントン氏はまた、AIテクノロジーの開発とリリースにおけるテクノロジー企業の責任についても掘り下げています。同氏は、OpenAIが自社の評判を守るためにTransformersモデルをリリースする際に慎重であることを強調し、GoogleがMicrosoftとの競争のために同様のモデルをリリースする必要があることと対比させた。ヒントン氏は、AIが存続の脅威にならないよう、国際協力、特に米国や中国などの国間の協力の重要性を強調している。

さらにヒントン氏は、チェスの対局プログラムである Alpha Zero を例に挙げて、思考実験と推論における AI の能力について説明しています。トレーニング データに不一致があると推論能力が妨げられる可能性があるにもかかわらず、一貫した信念を持って AI モデルをトレーニングすることでこのギャップを埋めることができると彼は示唆しています。ヒントン氏は、AIにはセマンティクスが欠けているという考えを否定し、家の塗装などのタスクでセマンティクスの知識を実証する例を挙げている。彼は AI の社会的および経済的影響について簡単に言及し、雇用の喪失と貧富の格差の拡大についての懸念を表明しました。彼は、これらの問題を軽減する潜在的な解決策としてベーシックインカムの導入を提案しています。ヒントン氏は、政治制度はすべての人の利益のためにテクノロジーを適応させて活用しなければならないと信じており、個人が声を上げ、テクノロジーの形成に責任を持つ人々と関わるよう促している。

ヒントン氏は、自身の研究がもたらす潜在的な結果について若干の後悔を認めているものの、当時この危機は予見できなかったことを考慮すると、人工ニューラルネットワークに関する研究は合理的だったと主張している。ヒントン氏は、AI によって特定の仕事が引き続き効率化されるため、生産性が大幅に向上すると予測しています。しかし、同氏はまた、貧富の格差拡大や社会不安や暴力の増大につながる可能性のある、失業の潜在的な影響についても懸念を表明している。この懸念に対処するために、ヒントンは、失業によって影響を受ける個人への悪影響を軽減する手段としてベーシックインカムの導入を提案しています。

AI によってもたらされる実存的脅威について、ヒントン氏は、AI が人間の監視から外れて人類に対する危険に陥るのを防ぐための制御と協力の重要性を強調しています。彼は、すべての人の利益のためにテクノロジーの力を活用するには、政治システムが適応し、変化する必要があると信じています。 AI に関連するリスクに適切に対処するには、科学界、政策立案者、技術開発者による協力と慎重な検討が必要です。

ヒントン氏は、自身の研究と AI への貢献を振り返りながら、潜在的な結果が完全には予想されていなかったことを認めています。しかし、バックプロパゲーションの開発を含む人工ニューラルネットワークに関する彼の研究は、当時の知識と理解の状態を考慮すると妥当なものであったと彼は主張している。彼は、AI テクノロジーの責任ある倫理的な導入を確実にするために、AI テクノロジーに対する継続的な対話と批判的評価を奨励しています。

結論として、脳とデジタル インテリジェンスの関係に関するジェフリー ヒントンの進化する視点は、AI に関連する独特の特性と潜在的なリスクを浮き彫りにしています。ヒントン氏は、AI の積極的な応用と変革力を認識する一方で、潜在的な危害を最小限に抑えながらその可能性を活用するための注意、協力、責任ある開発を呼びかけています。 AI操作、雇用の喪失、富の不平等、生存の脅威などの懸念に対処することで、ヒントンは人間の幸福と社会の長期的な持続可能性を優先するバランスの取れたアプローチを提唱しています。

• 00:00:00このセクションでは、ディープ ラーニングの先駆者であるジェフリー ヒントンが、10 年間勤務した Google を退任するという決断と、脳とデジタル インテリジェンスの関係についての視点の変化について語ります。彼は、以前はコンピューターモデルは脳を理解することを目的としていると考えていたが、今ではコンピューターモデルは脳とは異なる働きをしていると信じていると説明する。ヒントンの基礎
  
• 機械に学習を可能にするバックプロパゲーションという技術は、今日のほぼすべてのディープラーニングの基礎となっています。また、画像内の鳥を検出する際にバックプロパゲーションがどのように機能するかについても大まかに説明しています。
  
  
• 00:05:00このセクションでは、ヒントンがエッジ検出器から始めて、特徴検出器がどのように機能するかを説明します。次に、バックプロパゲーションの手法を使用してニューラル ネットワークの重みを調整し、鳥などの物体を検出できるようにする方法について説明します。彼は、この技術に基づく大規模な言語モデルの成功に驚いており、機械学習についての考え方が完全に変わりました。これらのモデルは画像検出に大きな進歩をもたらしましたが、ヒントン氏の焦点は、これらのモデルが自然言語処理をどのように変革するかにあります。
  
  
• 00:10:00このセクションでは、Geoffery Hinton が、バックプロパゲーション学習アルゴリズムを使用できるため、デジタル コンピューターと人工知能 (AI) が人間よりも学習能力が優れている可能性があることについて説明します。ヒントン氏は、GPT4 で実証されているように、コンピュータは少ない接続により多くの情報を詰め込むことができるため、より良く学習できると主張しており、GPT4 はすでに単純な推論と常識知識を実行できます。同氏は、デジタル コンピューターの拡張性により、同じモデルの多数のコピーを異なるハードウェア上で実行し、相互に通信して学習できると説明しています。ヒントン氏は、これによって得られる利点は、大量のデータを処理できる AI システムが人間には決して見ることのできない構造化データを認識できる可能性があり、AI が人間よりもはるかに速く学習できる可能性があることであると示唆しています。
  
  
• 00:15:00このセクションでは、コンピューター科学者のジェフリー・ヒントンが、人工知能 (AI) の潜在的なリスクと、AI が人間の知能を超えた場合にどのように個人を操作できるかについて取り上げます。ヒントン氏は、AIが文学を読んで人間をコントロールする方法を学び、さらには野菜のどちらかを選ぶよう求められる2歳児のように思考を操作することさえできるのではないかと懸念を表明している。同氏は、直接的な介入がなくても、ワシントン DC で起きた最近の出来事のように、AI が人々を操作し、潜在的に危害を加えるために使用される可能性があると説明しています。技術的な解決策は提案されていませんが、ヒントン氏は、AIが安全かつ人間にとって有益に動作することを保証するために、この問題に取り組むために科学界による強力な協力と検討を求めています。
  
  
• 00:20:00このセクションでは、AI 専門家ジェフリー・ヒントンが、AI による人類滅亡の可能性について懸念を表明しています。ヒントン氏は、デジタルインテリジェンスは人間のように進化していないため、組み込みの目標が欠如しており、そのため、より詳細な制御を得るために独自のサブ目標を作成する可能性があると主張しています。彼は、AI が人間よりもはるかに速く進化し、人間がこれまでに書いたものすべてを吸収する可能性があり、その結果、人類が知能の進化の単なる通過段階にすぎないというシナリオが起こり得ると示唆しています。ヒントン氏は、AIの開発を止めるのが合理的かもしれないが、それは起こらないと示唆している。
  
  
• 00:25:00このセクションでは、ジェフリー・ヒントンが、AI テクノロジーの開発とリリースにおけるテクノロジー企業の責任について説明します。同氏は、OpenAIは評判を傷つける可能性を防ぐため、トランスフォーマーモデルのリリースには慎重だったが、Googleはマイクロソフトとの競争のため、同様のモデルをリリースせざるを得なかったことに言及した。ヒントン氏は、AIが乗っ取り、存続の脅威となるのを防ぐために、米国や中国などの国々が協力することの重要性を強調している。彼はまた、モデルのトレーニングに必要なデータ量が原因で AI の知能が頭打ちになることについての質問にも答えていますが、ビデオ データの処理から学ぶべき未開発の知識がまだたくさんあると指摘しています。
  
  
• 00:30:00このセクションでは、ジェフリー・ヒントンは、AI は私たちが教えるデータやモデルによって制限されるかもしれないが、依然として思考実験や推論を行うことができると主張しています。彼は、チェス対局プログラムである Alpha Zero の例を使って、AI には推論して信念の一貫性をチェックする可能性があると説明しています。トレーニング データの不一致は彼らの推論能力を妨げますが、一貫した信念を持つイデオロギーをトレーニングすることがこのギャップを埋めるのに役立つと彼は信じています。さらに同氏は、家の塗装などのタスクの例を挙げ、AIには意味論的な知識があると示唆し、AIには意味論性が欠如しているという主張を却下した。 AI の社会的および経済的影響について尋ねられたとき、ヒントン氏は、AI が制御を握ることによる実存的脅威に関する質問は保留しますが、雇用の創出と喪失に対する AI の影響についてはコメントしています。
  
  
• 00:35:00このセクションでは、ヒントンは AI によって特定の仕事がより効率化されるため、生産性が大幅に向上すると予測しています。しかし、彼の懸念は、こうした増加が社会の失業や貧富の格差の拡大につながり、社会がさらに暴力化するのではないかということだ。彼はこの問題を軽減するためにベーシックインカムの導入を提案している。 AI が存続の脅威となる脅威は、制御と協力によって回避できますが、すべての人の利益のためにテクノロジーを使用するには政治システムを変える必要があります。ヒントンは、テクノロジーを開発している人々と声を上げ、交流することで変化をもたらすことができると信じています。彼は自分の研究がもたらす潜在的な結果について少し後悔しているが、この危機が予見可能ではなかったことを考えると、人工ニューラルネットに関する研究は合理的であったと信じている。

[MetaQuotes]

AI の画期的な可能性 |サム・アルトマンマサチューセッツ工科大学 2023

AI の画期的な可能性 |サム・アルトマンマサチューセッツ工科大学 2023

OpenAI の CEO である Sam Altman は、AI の開発と戦略のさまざまな側面について貴重な洞察とアドバイスを提供します。アルトマン氏は、プラットフォームのテクノロジーだけに依存するのではなく、長期的な戦略的優位性を備えた偉大な企業を構築することの重要性を強調しています。彼は、人々に愛される製品を作り、ユーザーのニーズを満たすことに集中することが成功の鍵であるとアドバイスしています。

アルトマン氏は、大規模な再トレーニングを行わずにモデルを操作およびカスタマイズできる新しい基本モデルの柔軟性を強調しています。また、OpenAI は開発者を満足させることに尽力しており、モデルのカスタマイズに関して開発者のニーズを満たす方法を積極的に模索しているとも述べています。アルトマン氏は、機械学習モデルのトレンドについて議論し、カスタマイズの減少と、迅速なエンジニアリングとトークンの変更が顕著になっていることに注目しています。同氏は、他の領域での改善の可能性を認めている一方で、基礎モデルへの投資には多大なコストがかかり、トレーニング プロセスで数千万ドル、数億ドルを超えることも多いと述べています。

アルトマンは、ビジネス戦略家としての自身の強みと限界を振り返り、長期的で資本集約的でテクノロジー主導の戦略に焦点を当てていることを強調しています。同氏は、意欲的な起業家に対し、OpenAI のような急成長し防御力のある企業を構築することに成功した経験豊富な人物から学ぶことを勧めています。アルトマン氏は、AI のパラメータ数へのこだわりを批判し、これを過去数十年間のチップ開発におけるギガヘルツ競争に例えています。同氏は、AI モデルの能力を急速に向上させ、最も有能で有用かつ安全なモデルを世界に提供することに重点を置くべきだと示唆しています。アルトマン氏は、これらのアルゴリズムには生の馬力があり、以前は不可能だったことを実現できると信じています。

AI開発の停止を求める公開書簡に関して、アルトマン氏はモデルの安全性を研究し監査する必要性に同意している。しかし、彼は技術的な微妙な違いの重要性を指摘し、完全な停止ではなく、注意と厳格な安全プロトコルを提唱しています。アルトマン氏は、オープン性と間違ったことを言うリスクとのトレードオフを認めているが、不完全なシステムを世界と共有して、人々がその利点と欠点を体験し、理解することには価値があると信じている。

アルトマンは、AI の自己改善における「離陸」の概念について言及し、それは突然または爆発的に起こるものではないと主張します。彼は、人間が AI ツールの支援を受けて、AI 開発の原動力であり続けると信じています。アルトマン氏は、より優れたより高速なツールが開発されるにつれて、世界の変化の速度は際限なく増加すると予想しているが、それはSF文学に描かれているシナリオとは似ていないだろうと警告している。新しいインフラの構築にはかなりの時間がかかり、AIの自己改善における革命は一夜にして起こるものではないと同氏は強調する。

サム アルトマンは、AI 開発とその影響のトピックをさらに掘り下げます。彼は、AI の機能がより高度になるにつれて安全基準を高める必要性について議論し、厳格な安全プロトコルとモデルの徹底的な研究と監査の重要性を強調しています。アルトマン氏は、オープン性と不完全性の可能性との間でバランスをとることが複雑であることを認識していますが、AI システムの長所と短所をより深く理解するには、AI システムを世界と共有することが重要であると考えています。

AI がエンジニアリングのパフォーマンスに与える影響に関して、アルトマン氏はコード生成における LLMS (Large Language Model) の使用を強調しています。彼は、エンジニアの生産性を向上させる可能性を認めていますが、生成されたコードの品質と信頼性を確保するために慎重な評価と監視の必要性も認識しています。

アルトマン氏は、AI 自己改善における「テイクオフ」の概念についての洞察を提供し、それは突然または一夜にして起こるものではないことを強調しています。その代わりに、人間が AI ツールを活用してより優れたより高速なテクノロジーを開発する上で重要な役割を果たす継続的な進歩を想像しています。世界の変化の速度は際限なく増加する一方、アルトマン氏はSFのような革命という概念を否定し、新しいインフラの構築には時間がかかることと着実な進歩の必要性を強調した。

結論として、サム アルトマンの視点は、戦略的考慮事項から安全性、カスタマイズ、AI 進歩の長期的な軌道に至るまで、AI 開発のさまざまな側面に光を当てています。彼の洞察は、AI 業界に携わる個人や企業に貴重な指針を提供し、ユーザー中心のアプローチ、継続的な改善、AI テクノロジーの責任ある導入の重要性を強調しています。

• 00:00:00このセクションでは、OpenAI の CEO である Sam Altman に、AI に焦点を当てた会社の設立についてのアドバイスを求めています。アルトマン氏は、長期的に複合的な戦略的優位性をもたらす偉大な企業を構築することが鍵であると示唆しています。彼は、プラットフォームのテクノロジーに過度に依存しないようにアドバイスし、代わりに人々に愛される製品を構築し、ユーザーのニーズを満たすことに重点を置いています。アルトマン氏はまた、モデルを再トレーニングすることなく操作およびカスタマイズできるはるかに優れた能力を備えた新しい基本モデルの柔軟性についても説明しています。最後に、Altman 氏は、OpenAI は開発者を満足させるためにさまざまなことを行う用意があり、モデルのカスタマイズに関して開発者が何を必要としているのかをまだ模索中であると述べています。
  
  
• 00:05:00このセクションでは、Sam Altman が、機械学習モデルのカスタマイズが減少する傾向と、これらのモデルがより良くなり大きくなるにつれて、迅速なエンジニアリングとトークンの変更が増加する傾向について説明します。 Altman 氏は、巨大モデルが別の方法で改善できることは認めていますが、トレーニング プロセスにおける基礎モデルへの投資は 5,000 万ドルから 1 億ドルよりも大きいと述べています。ビジネス戦略のテーマに関して、アルトマンは、自分は優れたビジネス戦略家ではなく、戦略としては長期的で資本集約的で技術的な部分しか実行できないと主張しています。また、特に Open AI のような急成長を遂げる防御可能な新しい企業を構築する場合には、この実践を実践した人を見つけてそこから学ぶこともアドバイスしています。
  
  
• 00:10:00このセクションでは、Sam Altman が AI におけるパラメータ数への焦点と、それが 90 年代と 2000 年代のチップにおけるギガヘルツ競争をどのように思い出させるかについて説明します。同氏は、パラメーター数にこだわるのではなく、AI モデルの能力を急速に向上させ、最も有能で有用かつ安全なモデルを世界に提供することに重点を置くべきだと提案しています。アルトマン氏は、このクラスのアルゴリズムのユニークな点は、生の処理能力でユーザーを驚かせることだと指摘しています。彼は、基板の速度が向上するにつれて、これらのアルゴリズムは以前は不可能であったことを実行できるようになるだろうと指摘しています。アルトマン氏は、変化に対応し、緊密なフィードバック ループを持ちながら、何が機能しているかに注意を払い、それをさらに実行することを推奨しています。
  
  
• 00:15:00ビデオのこのセクションでは、サム アルトマンが、AI 開発を 6 か月間停止するというマックス テグマークらによって書かれた公開書簡について議論し、モデルの安全性を求めるこの書簡の主旨に同意を表明しています。研究され、監査されました。アルトマン氏は、能力がより深刻になるにつれて安全バーを増やす必要があると説明します。しかし、同氏は、この書簡には必要な技術的なニュアンスが欠けており、慎重に行動し、厳格な安全プロトコルを遵守することが、この問題に対処するより最適な方法であると付け加えた。アルトマン氏はまた、オープンであることと、時には間違ったことを言うこととの間のトレードオフについても語り、これらのシステムをたとえ不完全であっても世界に公開し、人々がその良い面と悪い面を経験し、理解できるようにすることは、トレードオフの価値があることを強調した。最後に、Altman 氏は、コード生成における LLMS の使用と、それがエンジニアのパフォーマンスに与える影響について説明します。
  
  
• 00:20:00このセクションでは、サム アルトマンが AI の自己改善における「離陸」の概念について説明します。彼は、それが突然爆発的に起こるのではなく、AI ツールの助けを借りて人間が AI 開発の原動力であり続けるだろうと信じています。アルトマン氏は、人類がより優れたより高速なツールを開発するにつれて、世界の変化の速度は際限なく増加するだろうが、それはSF小説のようにうまくいくわけではないと指摘しています。最後に、新しいインフラの構築には膨大な時間がかかり、AIの自己改善において一夜にして革命が起きるわけではないと指摘した。

[MetaQuotes]

ChatGPT とインテリジェンスの爆発

ChatGPT とインテリジェンスの爆発

このアニメーションは、Three Blue One Brown の数学アニメーション ライブラリ「manim」を利用した短い Python コードを使用して作成されました。このコードは、正方形が互いに入れ子になっている再帰的パターンである正方形フラクタルを生成します。このアニメーションはすべて、プログラムを生成できるAIプログラム「Chat GPT」によって書かれています。 manim を使用してアニメーションを作成するのはこれが初めての試みでした。

Chat GPT には制限があり、場合によってはエラーが発生したり、予期しない結果が発生したりすることがありますが、それでもデバッグやペア プログラミングには役立つツールです。多くの場合、Chat GPT は定型コードを含むコードの大部分を作成し、人間のプログラマーは視覚的な側面と微調整に重点を置きます。

Chat GPT のクリエイティブな可能性はアニメーションを超えて広がります。これは、人による修正を一切加えずに自画像を生成するなど、さまざまな創造的なコーディングの課題に使用されています。 Chat GPT のプログラミング スキルは優れていますが、人間のプログラマーに代わるものではなく、人間のプログラマーと共同作業するときに最も効果的に機能します。

アニメーションに加えて、チャット GPT は、バイオモーフと呼ばれる古い Evolution シミュレーターのアップグレード バージョンを実装するために使用されています。 AI プログラムは、ブラウザー用の 3D ライブラリである 3.js を使用して、元のアイデアを創造的に拡張しました。 biomorphs 3D の最終バージョンは共同作業であり、コードの大部分は Chat GPT によって書かれました。

Chat GPT は、他のソフトウェア プログラムを作成できる優れたソフトウェアです。これは、トレーニングされた言語、メソッド、アイデアをインテリジェントに組み合わせることができるプログラミング プログラムです。制限はありますが、プログラミング、デバッグ、創造的なソリューションを生成するための貴重なツールとなり得ます。

将来に目を向けると、より高度なバージョンの Chat GPT または別の言語モデルをトレーニングして、完全に自動化されたプログラマになることが考えられます。このような AI は、コマンド ラインを操作したり、ファイルの書き込み、読み取り、実行、デバッグを行ったり、さらには人間の管理者と会話したりすることができます。自律型プログラミング タスク用の実験的な AI エージェントはすでに存在しており、将来のモデルではこれらの機能がさらに強化される可能性があります。

AI が AI を構築するというアイデアは興味深いですね。 AI プログラムに独自のソース コードを提供することで、自己改善し、独自のバージョンを反復できる可能性があります。中途半端にまともなプログラマから始めて、再帰的な自己改善のプロセスを通じて、AI は徐々に改善を加速し、時間の経過とともにその能力を強化することができました。遠い将来、自己改善型 AI が人間の知性を超え、私たちが完全には理解できない新しいアルゴリズム、ニューラル アーキテクチャ、さらにはプログラミング言語を作成する可能性があります。これは、AI 開発が指数関数的な速度で進む、知能の爆発につながる可能性があります。

[MetaQuotes]

ChatGPT と AI 革命: 準備はできていますか?

ChatGPT と AI 革命: 準備はできていますか?

人工知能 (AI) は、私たちの文明の歴史の中で最大の出来事となる可能性を秘めていますが、同時に重大なリスクももたらします。私たちがこれらのリスクを回避する方法を学ばなければ、それは人類にとって最後の出来事になる可能性があります。 AI を含むこの技術革命のツールは、工業化によって引き起こされる損害の一部に解決策を提供する可能性がありますが、それは私たちが慎重かつ先見の明を持ってそれに取り組んだ場合に限ります。

スティーブン・ホーキング博士が AI に関連するリスクについて警告し、慎重に行動する必要性を強調したのは有名です。今日のデジタル時代では、クレジット カードの詳細や身分証明書などの機密情報を含むコンピューターを信頼することが避けられなくなりました。しかし、コンピューターがそのようなデータを処理するだけでなく、ニュースやテレビ番組を作成し、さらには病気の診断さえも行うようになったらどうなるでしょうか?この見通しは、機械に対する信頼と依存について疑問を引き起こします。

あらゆる仕事分野が AI の力によって変革されようとしていますが、チャット GPT はほんの始まりにすぎません。テクノロジーに対する恐怖は新しいものではありません。それは 1 世紀以上にわたって SF で描かれてきました。しかし今では、これらの警告はこれまで以上にもっともらしいものになっているようです。私たちは Uber、TikTok、Netflix などのテクノロジーを採用してきました。これらはすべて、私たちの好みを予測してそれに応えるアルゴリズムによって強化されています。しかし、チャット GPT は、執筆、アート、コーディング、会計などの分野で人間の優位性に挑戦することで、まったく新しいレベルに引き上げています。

言語は長い間、人間特有の属性であると考えられてきましたが、現在では機械によって複製されています。アラン・チューリングの有名なチューリング・テストは、コンピューターが人間のような知能を発揮できるかどうかをテストするもので、当時は突飛なものに思えました。しかし、ディープラーニングの進歩により、チェスから車の運転まで、さまざまな領域で機械が人間を超えました。かつては人間の専有領域であると考えられていた言語も、今やAIの掌握範囲内にある。

openAI によって開発された Chat GPT は、AI 機能の大幅な進歩を表しています。人工ニューラル ネットワーク、大量のデータ、自然言語処理を利用して人間のような応答を生成するチャットボットです。反復するたびに、システムはより強力になり、理解と出力を強化するための数十億のパラメーターが追加されました。人間の思考によく似た、精緻で思慮深い応答を作成することができます。

チャット GPT の用途は広大かつ多様です。仮想アシスタントとして機能し、顧客を支援したり、アイデアをブレインストーミングしたり、テキストを要約したり、パーソナライズされたコンテンツを生成したりできます。企業は人件費の削減と顧客エクスペリエンスの向上から恩恵を受けることができます。ただし、チャット GPT には制限があります。インターネットにアクセスできないため、応答が不正確になることがあります。また、情報を検証し、複雑な論理的問題に取り組む際にも課題に直面しています。

チャット GPT はさまざまな分野に革命を起こす可能性を秘めていますが、その導入には倫理的な懸念が生じます。たとえば、学生がこれを使用して課題を手抜きする可能性があり、盗作検出ソフトウェアに依存している教育者にとっては課題となります。さらに、AI の力は飛躍的に増大しており、私たちは制御が困難になる技術的特異点に向かっています。

結論として、チャット GPT に代表される AI の出現は、畏怖の念を抱かせると同時に憂慮すべきものでもあります。それは私たちの世界を変える可能性を秘めていますが、私たちは慎重かつ責任ある管理者としてそれに取り組む必要があります。 AI の機能は急速に拡大しており、この新たなフロンティアを受け入れる際には、人間と機械が調和して共存する未来を確保するために、倫理的、社会的、実践的な影響に対処する必要があります。

• 00:00:00このセクションでは、ビデオは進行中の AI 革命の潜在的なリスクと利益を強調しています。 AI は工業化によって引き起こされた損害を元に戻すのに役立つかもしれませんが、それに伴うリスクを回避する方法を学ばなければ、人類にとって重大な脅威にもなります。このビデオはさらに、あらゆる業務分野がいかに AI に飲み込まれ、人間の優位性を奪う可能性があるかを説明しています。このテクノロジーには、執筆から会計まで、人間のようなコンテンツを作成する力があり、これにより私たちは真に考える機械に少しずつ近づいています。 AI は世界のすべてを再定義する可能性を秘めているかもしれませんが、これは誰も真の準備ができていない新境地です。
  
  
• 00:05:00このセクションでは、ナレーターが、かつて言語は人間のみが持つものだと信じられていた経緯と、アラン・チューリングの模倣ゲームが自然言語でシームレスにコミュニケーションすることでコンピューターにチューリング・テストに合格するよう挑戦した経緯を説明します。チューリングテストはまだ合格していませんが、ディープラーニングは人工ニューラルネットワークをもたらし、人工ゲームで人間を打ち負かし、自動運転車、顔認識、タンパク質の折りたたみなどの分野で進歩しました。 AI 革命はすでに到来しており、テクノロジーの飛躍の間隔はますます短くなり、より速くなってきています。ナレーターはまた、ChatGPT についても紹介します。ChatGPT は、機械学習を活用し、将来に向けて恐ろしくも驚くべき可能性を秘めた、広くアクセス可能なツールです。
  
  
• 00:10:00このセクションでは、OpenAI とその最新製品である Chat GPT を含む革新的な AI テクノロジーについて学びます。この高度なチャットボットは、大量のインターネット データ、自然言語処理、強化学習を利用して、ユーザーの質問に対して人間のような応答を生成します。 Chat GPT は、その会話的な性質により、仮想支援、コンテンツ作成などに革命をもたらす無限の可能性を秘めています。このプログラムは、DALL-E 2.0 を介して簡単な書面入力からフォトリアリスティックな画像を作成し、GPT-3 を介して複雑なビジュアル アート マッシュアップを作成する能力で、すでに世界に感銘を与えています。 OpenAI は、GPT-4 の将来のリリースにより、数兆のパラメーターが含まれると予測しており、AI テクノロジーの力はさらに増大する可能性があります。
  
  
• 00:15:00このセクションでは、ビデオで AI 言語モデル ChatGPT の利点と制限について説明します。ビジネスオーナーやマネージャーは人件費を削減し、顧客エクスペリエンスをパーソナライズする ChatGPT の機能の恩恵を受けることができますが、その精度には限界があります。このツールはインターネットに接続しておらず、検索エンジンも利用していないため、非常に不正確で意味のない答えが得られます。これは、医療情報を提供するときに危険をもたらし、学校の課題を書くときに問題を引き起こす可能性があります。学生が ChatGPT を使用してエッセイを書いたり、質問に答えたりすることで簡単に不正行為ができるため、ニューヨーク市の学校がこのツールを禁止する事態につながりました。明るい面としては、作成者である OpenAI が、自社のシステムによってテキストが生成されたことを検出するソフトウェアを開発しているということは、AI の機能と制限に関してはまだ表面をなぞっただけであることを示しています。
  
  
• 00:20:00このセクションでは、書き起こしは、偽情報の生成や、本物の個人の行動を模倣できる人間に似た偽のペルソナの作成など、サイバー犯罪者によってすでに利用されている ChatGPT の暗い用途に焦点を当てています。 ChatGPT がよりアクセスしやすくなるにつれて、執筆、クリエイティブ産業、求人応募などのさまざまな分野に広範囲に影響を与えると予測されています。このツールを生産性を向上させるライティングアシスタントと見る人もいる一方で、このツールが労働者の離職につながり、学問の誠実さ、フェイクニュース、誤った情報に関連する問題をさらに悪化させるのではないかと懸念する人もいる。
  
  
• 00:25:00このセクションでは、スタンフォード大学の研究者 John Jay nay によって行われた研究が、チャット GPT が優位性を判断する精度が 75% であるため、数十億ドル規模の企業ロビー活動産業に取って代わる可能性があることを示唆していることに注意してください。特定の企業のための法律の制定。しかし、法律制定のためにチャット GPT のようなプログラムに依存することは、国民の利益から遠ざかる可能性があります。 OpenAI はデータの取得元を制御するため、チャット GPT が正確に誰にサービスを提供するのかを尋ねることが重要です。これは、OpenAI 自身の利益のためにチャット GPT を開発することを意味する大きな権限である可能性があります。 Microsoftはすでに、OpenAIのツールを自社のオフィススイートに組み込んで、ユーザーがコンテンツをより迅速に生成できるようにするというアイデアを浮上させており、GPT-3の独占権を持ってOpenAIに投資している。しかし、AI が代わりになれば、人間はより多くの時間をリラックスできる間に、AI がすべての大変な作業を行うことができるようになり、最も楽観的な見通しが得られます。

[MetaQuotes]

サム・アルトマンが AI、イーロン・マスク、ChatGPT、Google について語る…

サム・アルトマンが AI、イーロン・マスク、ChatGPT、Google について語る…

AI の安全性について深く懸念していると主張する人のほとんどは、具体的な行動をとるよりも、Twitter で懸念を表明することに時間を費やしているようです。著者は、この点においてユニークで影響力のあるイーロン・マスクのような人物がなぜもっと出てこないのか疑問に思っている。 Stripe の共同創設者兼 CEO である Patrick Collison が行った OpenAI の CEO である Sam Altman へのインタビューでは、いくつかの重要なポイントについて説明されています。

1. Altman 氏は個人的に GPT を電子メールや Slack の要約に利用しており、将来的にはより優れたプラグインの必要性を強調しています。
2. アルトマン氏は、ブラウジングやコードインタープリターのプラグインを時々使用していることを認めていますが、それらはまだ毎日の習慣になっていないと考えています。
3. アルトマン氏は、インテリジェントな AI モデルによって合成データが生成できる限り、ますます大規模化するモデルのトレーニング データが不足することはないと考えています。しかし、彼は新しい技術の必要性を認めています。
4. アルトマン氏は、AI モデルの強化学習における人間によるフィードバックの重要性を表明し、賢明な専門家がフィードバックを提供する必要性を強調し、才能ある大学院生の間で潜在的な競争が生じる可能性があると強調しています。
5. アルトマン氏は、中国のAI能力に関する誤解について論じ、誇張された主張に頼るのではなく、複雑な国際関係を微妙に理解することが重要であると示唆している。
6. アルトマン氏は、有能なオープンソース AI モデルと大規模クラスターによる進歩の両方により、AI に関連する潜在的なリスクに対処する時間を確保できる未来を予想しています。
7. インタビューではFacebookのAI戦略に触れており、アルトマン氏は、同社のアプローチはやや不透明だが、将来的にはより一貫した戦略を期待していると示唆した。
8. アルトマン氏は、AI の新たな発見が AI の実存リスクについての懸念に影響を与える可能性があることを認めています。
9. アルトマン氏は、人間のフィードバックだけに頼るのではなく、AI モデルの内部をより深く理解する必要性を表明し、大規模な言語モデルに関して研究者が現在持っている知識が限られていることを強調しています。
10. アルトマン氏は、Twitter上でAIの安全性に関する議論が重視されていることを批判し、より多くの技術専門家がAIシステムの安全性と信頼性の向上に積極的に取り組むよう呼びかけている。
11. アルトマン氏は、人間が人間との対話よりも AI との対話に多くの時間を費やした場合の潜在的な影響について議論し、人間と AI の対話に関する社会規範を確立する必要性を強調しています。
12. アルトマン氏は、多数の AI システムが人間と共存する未来を構想しており、AI が単一の超知性の脅威をもたらすことなく役に立ち、インタラクティブであり、社会に統合される SF 映画に例えています。
13. アルトマン氏は、OpenAIが利益よりも研究に重点を置き、世界最高の研究組織を目指し、パラダイムシフトを推進することを目指していると強調する。
14. Altman 氏は、OpenAI による変革的な貢献として GPT パラダイムの重要性を強調しています。
15. アルトマン氏は、会社を再考しAIの可能性に適応させるというGoogleの最近の取り組みを称賛する。
16. アルトマン氏は、GPTのようなAIモデルは検索を変えるが、その存在を脅かすものではないと示唆し、AIの進歩に対するGoogleの対応が成功を左右することを示唆している。
17. Altman 氏は、AI 製品はあまり使用していないが、毎日使用する唯一の AI 製品として GPT に依存しているとユーモアを交えて述べています。
18. アルトマン氏も、コンピューターを制御してさまざまなタスクを処理する AI 支援の副操縦士に対する願望を共有しています。
19. アルトマン氏は、イーロン・マスクのような人物はユニークで模倣するのが難しいと信じており、マスクの並外れた資質を強調している。
20. アルトマンは、長年知っている人々と仕事をすることを好み、彼らがプロジェクトにもたらす継続性と共有された歴史を大切にしています。
21. アルトマン氏は、AIを利用した投資手段が驚異的なパフォーマンスを達成し、ルネッサンス・テクノロジーズのようなヘッジファンドさえも上回る可能性があると示唆している。
22. アルトマン氏は、Microsoft が AI の統合を通じてビジネスのさまざまな側面にわたって変革を遂げることを期待しています。
23. アルトマン氏は、人間のフィードバックプロセスからの強化学習が意図しない結果をもたらし、AI モデルに損害を与える可能性があることを認めています。

[MetaQuotes]

データ サイエンス チュートリアル - データ サイエンスを学ぶフル コース [2020] (1-3)

データ サイエンス チュートリアル - データ サイエンスを学ぶフル コース [2020]

パート1

• 00:00:00つまり、データ サイエンスは、応用環境でコーディング、数学、統計のツールを使用して創造的な問題解決を扱う分野です。これには、研究課題に対するより良い洞察を得るために、すべてのデータに耳を傾け、より包括的な分析が含まれます。この分野は、競争上の優位性と私たちの周囲で何が起こっているかについての洞察を提供するため、需要が高まっています。マッキンゼー グローバル インスティテュートは、ビジネス上の意思決定を行うためにデータを理解する深い分析人材のポジションとマネージャーおよびアナリストの必要性を予測しています。
  
  
• 00:05:00このビデオでは、データに精通したマネージャーの求人数が 150 万件と予想されていることから、スペシャリストとゼネラリストの両方を含むデータ サイエンスに対する高い需要と重要なニーズについて説明しています。 Drew Conway 氏が作成したデータ サイエンスのベン図は、コーディング、数学/統計、専門知識がデータ サイエンスの 3 つの要素であり、これらの要素が交差してこの分野を構成していることを示しています。コーディングの重要性は、R、Python、SQL、Bash などの必須言語を使用して、新しいソースからデータを収集して準備できることにあります。このセクションは、データ サイエンスがいかに魅力的なキャリアの代替手段であり、どのような分野においてもより優れたキャリアを築くことができるかについて触れて終わります。データ サイエンティストは米国の給与トップ 10 で 3 位にランクされています。
  
  
• 00:10:00このビデオでは、データ サイエンスのベン図の 3 つの要素、つまりハッキング スキル、数学と統計の知識、ドメインの専門知識について説明しています。ビデオでは、これらは重複していますが、実用的なことを達成するには 3 つすべてをうまく活用する能力が重要であると説明しています。このビデオでは、図に重なったり交差したりする 3 つの異なる分野、つまり従来の研究、機械学習、および「危険ゾーン」、つまり数学や統計を使わないコーディングとドメイン知識の交差点について探求していきます。さらに、このビデオでは、データ サイエンスで重要な 3 つの異なる背景 (コーディング、統計、特定の領域の背景) に焦点を当てています。このビデオは、データ サイエンスには多くの役割が関係しており、データ サイエンス プロジェクトを成功裏に完了するには多様なスキルと背景が必要であることを強調して締めくくられています。
  
  
• 00:15:00データ サイエンス パスウェイの一般的な手順について説明します。これらのステップには、計画、データ準備、モデリングまたは統計モデリング、およびフォローアップが含まれます。計画には、プロジェクトの目標の定義、リソースの整理、人々の調整、スケジュールの作成が含まれます。データの準備には、データの取得とクリーニング、調査と調整が含まれます。モデリングまたは統計モデリング中に、統計モデルが作成、検証、評価、改良されます。フォローアップには、モデルの提示とデプロイ、再訪してモデルのパフォーマンスを確認すること、資産のアーカイブが含まれます。データ サイエンスは単なる技術分野ではなく、計画、プレゼンテーション、状況に応じたスキルが必要であることに注意してください。さらに、バックエンド ハードウェアに重点を置くエンジニアなど、データ サイエンスにはさまざまな役割が存在します。
  
  
• 00:20:00このビデオでは、データ サイエンスに関わるさまざまなタイプの人々について説明しています。これらには、データ サイエンスの基盤を提供する開発者、ソフトウェア開発者、データベース管理者が含まれます。ビッグデータのスペシャリストは、大量のデータの処理と、レコメンデーション システムなどのデータ製品の作成に重点を置いています。研究者はドメイン固有の研究に重点を置いており、優れた統計スキルを持っています。アナリストはビジネス運営の日常業務において重要な役割を果たしますが、起業家はデータとビジネス スキルを必要とします。最後に、ビデオではデータ サイエンスのチームについて、またデータ サイエンスのすべてのスキルを備えた「フルスタック ユニコーン」がどのように存在しないのかについて説明しています。代わりに、人々は異なる強みを持っており、プロジェクトを完了するためにチーム内で効率的に働く方法を学ぶことが重要です。
  
  
• 00:25:00通常、1 人ではプロジェクトに必要なスキルをすべてカバーできないため、データ サイエンスにおけるチームワークの重要性が強調されています。オットーとルーシーという 2 人の架空の人物の例を使用して、彼らの能力を組み合わせることで、データ サイエンス プロジェクトに必要な基準を満たすことができる「ユニコーン チーム」をどのように作成できるかを示します。さらに、ベン図の助けを借りて、データ サイエンスとビッグ データの違いについても説明します。ビッグデータには、ドメインの専門知識や統計分析などのデータ サイエンスのツールがすべて必要なわけではありませんが、それでもコーディングと定量的なスキルが必要であると説明されています。逆に、データ サイエンスはビッグ データがなくても実行できますが、それでもビッグ データの 3 つの特性のうち少なくとも 1 つは必要です。
  
  
• 00:30:00講演者は、ビッグ データとデータ サイエンスの違い、およびデータ サイエンスとコンピューター プログラミングの違いについて説明します。講演者は、ビッグデータとはデータの量、速度、多様性のいずれかを指すのに対し、データ サイエンスはこれら 3 つすべてを組み合わせたものであり、コーディング、統計、数学、ドメインの専門知識などのより専門的なスキルが必要であると説明します。一方、コンピュータープログラミングには、機械にタスクの指示を与えることが含まれますが、これはデータサイエンスで必要とされる複雑な分析とは異なります。コーディングと一部のツールやプラクティスを共有しているにもかかわらず、データ サイエンスには強力な統計的基盤が必要です。
  
  
• 00:35:00データサイエンスと統計の違いについて説明します。手順は共通していますが、ほとんどのデータ サイエンティストは統計学者として正式な訓練を受けていないため、データ サイエンスは統計のサブセットではありません。さらに、機械学習とビッグデータは、ほとんどの統計では共有されていないデータ サイエンスの重要な領域です。また、データサイエンティストは統計学者と比較して商業環境で働くことが多く、仕事の状況も異なります。彼らはデータ分析を共有していますが、異なる専門分野と目標を持っているため、一見重複しているにもかかわらず、概念的には別個の分野となっています。ビジネス インテリジェンス (BI) は、非常に応用的でコーディングを必要としないため、データ サイエンスとも対比されます。
  
  
• 00:40:00インストラクターがデータ サイエンスとビジネス インテリジェンス (BI) の関係について説明します。 BI は主に、ドメインの専門知識に重点を置いた、シンプルで効果的なデータ分析に焦点を当てています。ただし、データ サイエンスは、データ ソースを特定し、より複雑なデータ分析を提供することで、BI システムのセットアップと拡張に役立ちます。さらに、データ サイエンスの専門家は、BI アプリケーションからデザインと使いやすさについて学ぶことができます。講師は、プライバシー、匿名性、著作権への懸念など、データ サイエンスにおける倫理的問題にも触れ、データのプライバシーと機密性を維持することの重要性を強調しました。
  
  
• 00:45:00講演者はデータ サイエンス プロジェクトに伴うリスクについて話します。ハッカーが貴重なデータを盗もうとする可能性があるため、そのようなリスクの 1 つはデータ セキュリティです。もう 1 つのリスクは、データ サイエンスで使用されるアルゴリズムや計算式にバイアスが生じる可能性であり、性別や人種などの要因に基づく意図しない差別につながる可能性があります。分析に対する過信は、誤った道を選択する可能性もあり、もう 1 つのリスクです。これらのリスクにもかかわらず、データ サイエンスには大きな可能性があり、講演者は、データ ソーシング、コーディング、数学、統計、機械学習などのデータ サイエンスで使用される手法の概要を、洞察とツールとテクノロジーに焦点を当てて説明します。その目標を推進するために役立ちます。
  
  
• 00:50:00ビデオ チュートリアルでは、データ サイエンスで使用されるデータ調達のさまざまな方法について説明し、データ品質を評価することの重要性を強調しています。これらの方法には、既存のデータの使用、データ API、Web データのスクレイピング、調査や実験による新しいデータの作成などが含まれます。 「ガベージイン、ガベージアウト」という悪いデータは不十分な洞察につながるため、収集されたデータの品質を評価することが重要です。したがって、データの関連性、正確性、意味を確認する必要があり、ビジネス指標、KPI、分類精度などの指標がこれに役立ちます。データ サイエンス手法の次のステップはコーディングです。これには、データを理解してデータを習得することが含まれます。ただし、コーディングはデータ サイエンスの一部にすぎず、データ サイエンスは単なる技術手順ではないことを覚えておくことが重要です。
  
  
• 00:55:00ナレーターは、データ サイエンスに関連するツールの 3 つのカテゴリ (アプリ、データ形式、コード) について説明します。一般的なツールには、多くのタスクを実行できる Excel や R などがあります。ただし、ナレーターは、ツールは目的を達成するための手段にすぎず、データ サイエンスの最も重要な部分は目標を理解し、その目標を達成するために適切なツールとデータを選択することであると強調します。次にナレーターは、データサイエンスにおける数学の役割について簡単に触れます。コンピューターは多くの数学的手順を実行できますが、数学的理解を得ることが依然として重要です。数学的理解により、情報に基づいた選択が可能になり、問題が発生した場合のデバッグが可能になり、場合によっては手動での計算の方が簡単で高速になる場合もあります。

パート2

• 01:00:00講演者は、データ サイエンスのための数学の基礎知識を持つことの重要性について説明します。代数の基礎、線形代数または行列代数、連立一次方程式、微積分、ビッグ オー、確率論、ベイズの定理はすべてデータ サイエンスに関連します。少しの数学の知識は、問題解決と問題を調べる能力に役立ちます。次に、講演者は、探索的なグラフィックスや統計、仮説検証や推定などの推論を含む、データ サイエンスにおける統計の概要を説明します。講演者は、特徴の選択、検証、推定量の選択などの潜在的な問題についても言及しますが、聴衆に対して荒らしについて警告し、有用な分析を行うために情報に基づいた意思決定を自分で行うよう警告しています。
  
  
• 01:05:00講演者は統計と機械学習の概念を要約します。彼は、統計によってデータの探索と記述が可能になるだけでなく、母集団についての推論も可能になると述べています。機械学習は、ケースを分類し、スコアを予測し、大規模で散在するデータ セットの次元を削減するために使用されるツールです。目標は、データに関する有用な洞察を得ることであり、データに基づいたストーリーを通じて価値を解決するために人々を導くためには、視覚化とコミュニケーションが不可欠です。価値を求める方程式は分析×ストーリーであるため、テクニカル分析に加えてストーリーテリングとコミュニケーションに焦点を当てることが重要です。
  
  
• 01:10:00このビデオでは、目標主導型分析の重要性と、クライアントが簡単に理解できる方法でコミュニケーションすることがいかに重要であるかについて説明しています。講演者は、プロジェクトをクライアントにとってわかりやすくするために、アナリストは自己中心主義、誤った合意、アンカリングを避ける必要があると強調しています。分析を提供するという点で、ビデオでは簡素化の重要性を強調しています。このビデオでは、分析を示すためにテキストではなくチャートや表を使用し、アナリストは必要な場合にのみ技術的な詳細を提示する必要があることを示唆しています。次に、ビデオでは、バークレー大学の 1973 年の大学院入学に関するデータセットの例を示し、データを簡略化して表示する適切な方法を示しています。
  
  
• 01:15:00インストラクターはシンプソンのパラドックスの概念を説明します。偏りは部門レベルでは無視できるかもしれませんが、データセット全体を考慮すると重大です。バークレー大学の入学記録の例では、女性の入学許可率が低いことが示されています。しかし、これは女性がより厳選されたプログラム、つまり合格率が低いプログラムに応募したためでした。講師は、入学基準、プロモーション戦略、事前教育、さまざまなプログラムの資金レベルの調査など、表面レベルの分析を超えてフォローアップの質問をすることの重要性を強調しています。データ分析の最終的な目標は、意思決定を導き、クライアントの特定の目標を達成できる実用的な洞察を提供することです。したがって、データを使用して推奨事項を正当化し、それらが実行可能であり、クライアントの能力の範囲内であることを確認することが重要です。
  
  
• 01:20:00相関関係と因果関係の基本的な違いが説明されています。データは相関関係を示しますが、クライアントは何かの原因が何かを知りたいと考えています。これは、実験研究、疑似実験、研究に基づいた理論と領域固有の経験を通じて達成できます。さらに、クライアントの使命とアイデンティティ、ビジネス環境と規制環境、組織内外の社会的背景などの社会的要因を考慮する必要があります。プレゼンテーション グラフィックスについても説明します。調査用グラフィックスはシンプルで分析者の利益になるものですが、プレゼンテーション グラフィックスには、色、誤った寸法、インタラクション、アニメーションなどの気を散らすものを避けるための明瞭さと物語の流れが必要です。
  
  
• 01:25:00講演者は例を使用してデータを視覚化するときに何をしてはいけないかを示し、その後、明確で効果的なグラフの例を示します。彼らは、プレゼンテーション グラフィックスで物語の流れを作成することの重要性を強調し、読みやすくシンプルなチャートを使用してこれを実現する方法を説明しています。プレゼンテーション グラフィックスの全体的な目標は、ストーリーを伝え、データを明確かつ効果的に伝えることです。講演者は、この目標を達成するには、プレゼンテーションのグラフィックが明確で焦点が絞られている必要があると強調します。
  
  
• 01:30:00講演者は、データ サイエンスにおける再現可能な研究の重要性を強調します。これは、結果を検証するために将来プロジェクトを再現できるという考えです。これは、プロセスで使用されるすべてのデータセットとコードをアーカイブし、非独自形式で保存し、注釈を通じて研究を透明にすることで実現されます。オープン サイエンス フレームワークとオープン データ サイエンス カンファレンスも、研究を他者と共有し説明責任を促進するためのリソースとして言及されました。講演者は、Jupyter ノートブックまたは RMarkdown をデジタル ノートブックとして使用して、プロセスを説明し、将来の同僚や顧客に引き継ぐことができる強力な物語を作成することを提案しています。
  
  
• 01:35:00講演者は、作業をアーカイブしコラボレーションをサポートするための RMarkdown の使用について説明します。 R 分析は、書式設定された見出し、テキスト、および R 出力として表示でき、RPub にアップロードして他のユーザーと共有できます。あなたの仕事を将来にわたって保証するには、人々があなたのプロセスと結論を理解できるように、自分の選択を説明し、どのように実行したかを示し、ストーリーを共有することが重要です。講演者は、R または Python でのコーディング、データの視覚化、統計と数学のブラッシュアップ、機械学習の試み、データ サイエンス コミュニティへの参加、サービスの実施など、視聴者に次のステップを提案します。データサイエンスは基本的に民主的なものであるため、講演者は最後に、データを賢く繊細に扱う方法を誰もが学ぶことの重要性を強調しました。
  
  
• 01:40:00インストラクターは、データ サイエンス プロジェクトにおける成功指標を定義することの重要性について説明します。彼は、目標は明確である必要があり、全体の取り組みを導き、関係者全員がより効率的かつ生産的になれるようにする必要があると説明しています。講師は、成功の指標を定義するには、プロジェクトが行われている特定の分野や業界を理解することが重要であると述べています。これには、売上収益、クリックスルー率、テストのスコア、維持率などの指標が含まれます。さらに、このディスカッションでは、組織やチームが明確で測定可能な方法で成功指標を定義するのに役立つ重要業績評価指標 (KPI) と SMART 目標についても取り上げます。
  
  
• 01:45:00成功のための測定可能な組織目標と指標を設定することの重要性について説明します。成功を定義し、進捗状況を測定する際には、現実的、具体的、期限付きの目標を設定することが重要です。ただし、矛盾する可能性のある複数の目標のバランスを取る場合は、努力の理想的なバランスを最適化して見つける必要があります。測定の精度も重要であり、分類表を作成すると、感度、特異度、陽性的中率、陰性的中率などの検査の精度を判断するのに役立ちます。これらの指標は、火災中に警報が鳴るかどうか、または火災が発生していないときに警報が正しく識別されるかどうかを測定するなど、精度をさまざまに定義します。
  
  
• 01:50:00インストラクターは、データ調達における測定の社会的背景を理解することの重要性を強調します。人にはそれぞれの目標や感情があり、それが測定の精度に影響します。組織には独自のビジネス モデル、法律、ポリシー、文化的慣習があり、目標を達成する方法が制限されています。組織間でも組織内でも競争があり、人々は自分に有利になるように報酬システムを操作する傾向があります。これらの問題にもかかわらず、特に社内データ、オープン データ、サードパーティ データなどの既存のデータを使用することにより、データ ソーシングで良好な指標を取得することは可能です。
  
  
• 01:55:00講演者は、データ サイエンス プロジェクトで利用できるさまざまな種類のデータ ソースについて説明します。社内データは迅速で使いやすいですが、存在しない可能性やドキュメントが不足している可能性があり、品質に疑問がある可能性があります。 data.gov などのオープン データ ソースは、自由に利用でき、十分に文書化された標準化データを提供しますが、サンプルに偏りやプライバシー上の懸念がある可能性があります。 3 番目のオプションは、Acxiom や Nielsen などの Data as a Service またはデータ ブローカーで、消費者の行動や好み、マーケティング、アイデンティティ、財務などのさまざまなトピックに関する膨大な量のデータを提供しますが、コストがかかります。

パート 3

• 02:00:00講演者は、データ ソースとしてデータ ブローカーを使用する利点と欠点について説明します。個人レベルのデータはデータブローカーから取得できるため、消費者に関する特定の情報に簡単にアクセスできますが、費用がかかる可能性があり、依然として検証が必要です。あるいは、API は Web データを取得するデジタル的な方法を提供し、プログラムが相互に通信して JSON 形式でデータを取得できるようにします。 REST API は言語に依存しないため、ビジュアル API とソーシャル API が一般的な形式となり、さまざまなプログラミング言語に簡単に統合できます。講演者は、RStudio の API を使用して、Ergast.com から F1 カー レースの履歴データを取得する方法をデモンストレーションします。
  
  
• 02:05:00講演者は、データ サイエンス用のデータを取得するための API とスクレイピングの使用について説明します。 API は、Web ページの構造化データを迅速かつ簡単に操作する方法であり、分析のためにソフトウェア プログラムに直接入力できます。一方、スクレイピングでは、データが構造化された形式ですぐに利用できない場合に、Web ページから情報を取得します。ただし、講演者はユーザーに対し、Web スクレイピングに関連する著作権とプライバシーの問題に注意するよう警告しています。 import.io や ScraperWiki などのアプリは Web スクレイピングに使用できますが、ユーザーは R、Python、Bash などの言語を使用して独自のスクレイパーをコーディングすることもできます。 HTML テキストまたは表をスクレイピングする場合、重要な情報を識別するために HTML タグが使用されます。
  
  
• 02:10:00講演者は、さまざまなソースからデータを抽出する方法を説明し、分析に必要なデータに既存の API がない場合、スクレイピングが有用な手法になる可能性があると述べています。ただし、著作権とプライバシーに関連する問題に注意する必要があります。講演者はさらに、新しいデータの作成方法について説明し、インタビュー、調査、カードの分類、室内実験、A/B テストなどの戦略を提案します。この方法は、担当者の役割、定量的データと定性的データのどちらが必要か、およびデータの取得方法に応じて異なります。
  
  
• 02:15:00データ調達の 2 つの方法、インタビューと調査に焦点を当てています。インタビューは、回答を拘束することなく自由回答の情報を提供するため、新しい状況や対象者に対して効果的です。構造化面接にはあらかじめ決められた一連の質問が含まれますが、非構造化面接は答えに対して質問が生じる会話に似ています。インタビューでは、定性データを抽出するための特別なトレーニングと分析が必要です。一方、アンケートは簡単に設定して大人数のグループに送信できますが、対象者の回答範囲、次元、カテゴリをよく理解する必要があります。アンケートは、あらかじめ決められた選択肢を使用するクローズドエンド式、または自由形式の回答を使用するオープンエンド式のいずれかです。 SurveyMonkey や Google Forms などのソフトウェアを使用すると、プロセスを簡素化できます。ただし、曖昧な質問や内容の濃い質問は、調査の信頼性を損なう可能性があります。
  
  
• 02:20:00このビデオではアンケートの使用について説明し、偏ったデータ収集の試みであるバイアスとプッシュ世論調査の可能性について警告しています。このビデオでは、代表的な結果を保証するために、明確で曖昧さのない質問文言、回答オプション、サンプル選択の重要性を強調しています。このビデオでは、カード ソートの概念も紹介しています。これは、人々が直感的に情報をどのように整理するかを確認するために、人々の精神構造のメンタル モデルを構築する方法です。このプロセスには、さまざまなトピックを含むカードを作成し、類似したグループに分類することが含まれます。結果として得られる非類似性データを使用して、個々の情報間の類似性または非類似性の集合全体を視覚的に表すことができます。このビデオでは、プロセスを簡単にするためにデジタルカード仕分けツールの使用を推奨しています。
  
  
• 02:25:00このビデオでは、研究における因果関係を判断するために使用されるデータソーシングにおける実験室実験について説明しています。室内実験は仮説に基づいて行われ、一度に 1 つのバリエーションをテストすることを目的としており、グループ間の既存の差異のバランスを取るためにランダムな割り当てが必要です。実験室での実験には費用と時間がかかり、広範な専門トレーニングが必要です。ただし、原因と結果に関する信頼できる情報を生成するためのゴールドスタンダードとみなされます。さらに、A/B テストは、Web デザインやユーザーにとってどの Web サイト要素が最も効果的かを判断するための有用な手法として注目されています。
  
  
• 02:30:00このビデオでは、Web サイトの実験のバージョンである A/B テストについて説明します。A/B テストは、応答率、ショッピング カートの価値、放棄などのさまざまな結果に合わせて Web サイトのデザインを最適化するために使用されます。 A/B テストは、継続的な評価、テスト、開発を可能にするオンライン プロセスであり、Optimizely や VWO などのソフトウェアを使用して実行できます。このビデオでは、データ サイエンスにおけるデータ ツールの適切な位置を知ることの重要性も強調し、視聴者にオープン データ ソースやデータ ベンダーを調べ、必要に応じて新しいデータの作成を検討するよう促しています。最後に、ビデオでは、スプレッドシート、データ視覚化のための Tableau、プログラミング言語 R、Python、SQL、およびデータ サイエンスの基礎を形成する C、C++、Java などの他のプログラミング言語を含む、いくつかの重要なデータ サイエンス ツールについて説明します。 。
  
  
• 02:35:00パレートの法則または 80/20 の法則に焦点が当てられています。この原則は、出力の 80% が 20% のツールから得られることを示唆しています。したがって、利用可能なすべてのツールややり方を必ずしも学ぶ必要はありません。代わりに、独自のデータ サイエンス プロジェクトを実施するための最も生産的で便利なツールに焦点を当てることをお勧めします。特にスプレッドシートは広く使用されており、簡単に転送できるデータ セットの共通形式を提供するため重要です。また、使いやすく、データの参照、並べ替え、並べ替えが可能です。実際、データ マイニングの専門家による調査では、Excel は Hadoop や Spark などのより高度なツールを上回り、5 位にランクされています。
  
  
• 02:40:00インストラクターは、データ サイエンスにおけるスプレッドシートの重要性を説明し、検索と置換、書式設定、変更の追跡、ピボット テーブルの作成などのさまざまな用途を強調します。ただし、講師は、データをあるプログラムまたは言語から別のプログラムまたは言語に簡単に移動するには、整然としたデータ、つまり変数を表す列とケースを表す行を含む適切にフォーマットされたデータの必要性も強調しています。次に、インストラクターは Excel でデータを整理する方法を実演し、効果的なデータ分析のために Tableau や Tableau Public などの視覚化ツールを使用することの重要性を強調します。
  
  
• 02:45:00インストラクターは、Tableau ソフトウェアの無料バージョンである Tableau Public を紹介しますが、大きな注意点が 1 つあります。それは、ファイルをコンピューターにローカルに保存できないことです。代わりに、Web 上に公開して保存します。インストラクターは、ソフトウェアをダウンロードしてインストールし、作業内容をオンラインに保存するためのアカウントを作成する方法を説明します。次に、Excel ファイルをインポートし、ドラッグ アンド ドロップ インターフェイスを使用して基本的なグラフを作成する手順を説明します。インストラクターは、売上を品目と時間ごとに分類し、期間を 3 か月に調整する方法を示します。次に、チャートをグラフに変換する方法を示し、Tableau Public の柔軟性と使いやすさを示します。
  
  
• 02:50:00ビデオ チュートリアルでは、ユーザーがデータを操作および分析できるインタラクティブなビジュアライゼーションを作成するために使用されるツールである Tableau を紹介します。このビデオでは、Tableau を使用してデータを整理し、グラフに色を追加し、平均線と予測を作成する方法を段階的にデモンストレーションします。このビデオでは、Tableau Public でファイルを保存する方法をデモした後、時間をかけてツールを探索し、データから有用な洞察を提供できる魅力的なビジュアライゼーションを作成することを推奨しています。さらに、このチュートリアルでは、もともと社会科学研究のために作成された統計パッケージである SPSS について簡単に説明しますが、現在は多くの学術アプリケーションやビジネス アプリケーションで使用されています。
  
  
• 02:55:00このビデオでは、SPSS について説明しています。SPSS は、スプレッドシートのように見えますが、ユーザーが使用できるいくつかのプログラミング言語と比較して、ユーザーの作業を少し楽にするドロップダウン メニューを備えたソフトウェアです。ユーザーが SPSS を開くと、スプレッドシートによく似たメイン インターフェイスと、変数情報を確認するための別のペインが表示されます。ユーザーは SPSS のサンプル データセットにアクセスできますが、アクセスするのは簡単ではなく、巧妙に隠されています。 SPSS を使用すると、ユーザーはポイント アンド クリック分析を行うことができますが、これは多くの場合には珍しいことです。このビデオでは、住宅価格のヒストグラムと幹葉図と箱ひげ図を含む表を作成することでこれを示しています。最後に、ビデオでは、SPSS は開くときに非常に遅くなる傾向があり、クラッシュする可能性があるため、ユーザーは作業内容を常に保存し、プログラムを開くときは辛抱強く待つ必要があることを強調しています。

[MetaQuotes]

データ サイエンス チュートリアル - データ サイエンスを学ぶフル コース [2020] (4-6)

データ サイエンス チュートリアル - データ サイエンスを学ぶフル コース [2020]

パート 4

• 03:00:00インストラクターは、SPSS や JASP など、データ分析に使用できるさまざまなソフトウェア プログラムについて説明します。 SPSS は、ドロップダウン メニューとテキスト ベースの構文コマンドの両方を備えた一般的に使用されるプログラムですが、インストラクターは、ベイジアン アプローチを含む無料のオープンソースの新しいプログラムとして JASP も紹介します。このビデオでは、JASP を使用してさまざまな統計分析を実行する方法を示し、SPSS に代わる優れた代替手段としてのユーザーフレンドリーなインターフェイスを紹介します。
  
  
• 03:05:00講演者は、統計分析を実行し、視覚化を作成し、オープン サイエンス フレームワークの Web サイト OSF 経由で結果をオンラインで共有するための簡単かつ直感的な方法を提供する、無料のオープンソース ソフトウェアである JASP を紹介します。講演者は、ユーザーが JASP を使用して、統計分析を生成するコマンドを起動して他のユーザーと共有することで統計分析を変更し、SPSS に代わる共同作業を提供できることを説明します。さらに、講演者は SAS や Tableau などの他の一般的なデータ分析ソフトウェアの選択肢について簡単に説明しますが、選択肢が多すぎると圧倒される可能性があると述べています。
  
  
• 03:10:00講演者は、無料ツールや高価なツールなど、ユーザーが選択できるさまざまなデータ分析ソフトウェアのオプションについて説明します。一部のプログラムは一般的な統計用に設計されており、他のプログラムはより具体的なデータ マイニング アプリケーション用に設計されていますが、講演者はユーザーに対し、自分のニーズや要件に最適なプログラムを選択する際には、機能、使いやすさ、コミュニティ サポート、コストを念頭に置くようにアドバイスします。ユーザーは、すべてのソフトウェア オプションを試すのではなく、データ分析プロジェクトの価値を最大限に引き出すのに役立つ 1 つまたは 2 つのツールに集中できます。
  
  
• 03:15:00インストラクターは、Web データを扱う際に HTML を理解することの重要性を強調します。 HTML は Web ページの構造とコンテンツを構成するものであり、データ サイエンス プロジェクトでデータを抽出する際には、タグと構造をナビゲートできることが重要です。インストラクターは、HTML タグの例と、HTML タグがページ構造とコンテンツを定義する方法を説明します。さらに、講師は、eXtensible Markup Language の略で、コンピューターが読み取れるようにデータを定義するために使用される XML についても触れます。 XML ファイルは Web データでよく使用され、Microsoft Office ファイルや iTunes ライブラリの作成にも使用されます。
  
  
• 03:20:00このビデオでは、XML (Extensible Markup Language) と、それが半構造化データにどのように使用されるかについて説明します。 XML ではデータを定義するタグが使用され、これらのタグは必要に応じて作成および定義できます。このビデオでは、ergast.com API のデータ セットが XML で表示される例と、XML を CSV や HTML などの他の形式に変換したり、その逆の変換がいかに簡単であるかを示しています。 JSON (JavaScript Object Notation) も XML に似た半構造化データ形式として導入されており、各情報は自由に変化するタグによって定義されます。
  
  
• 03:25:00チュートリアルでは、XML 形式と JSON 形式の違いについて説明します。どちらの形式もタグを使用して情報を指定しますが、XML はデータの保存に使用され、タグにコメントやメタデータを含めることができます。対照的に、JSON はデータ交換用に設計されており、オブジェクトと配列を表す構造を使用します。 JSON は、よりコンパクトな性質を持ち、形式間の変換がはるかに簡単であるため、Web ページ上のデータのコンテナとして XML に取って代わりつつあります。このチュートリアルでは、R は無料でオープンソースであるため、データ サイエンスの主要なコーディング言語であり、特にベクトル演算用に開発されていることにも言及しています。
  
  
• 03:30:00講演者は、強力なコミュニティ サポート、機能を拡張する豊富なパッケージの選択、コーディングと結果取得のためのインターフェイスの選択など、データ サイエンスで R を使用する利点について説明します。コマンド ラインを使用してプログラムするのは最初は恐ろしいかもしれませんが、R の透明性とアクセシビリティにより、複製の点で有利になります。講演者はまた、CRAN にリンクして人気や最新の更新情報を表示する代替インターフェイスである Crantastic! についても言及し、これにより最新かつ最高のデータ サイエンス パッケージを入手できるようになりました。さらに、講演者は、あらゆる種類のアプリケーションに使用でき、データ マイニングの専門家が使用するソフトウェアのリストにある唯一の汎用言語である Python についても説明します。
  
  
• 03:35:00ナレーターは、Python プログラミング言語とデータ サイエンスにおけるその有用性について説明します。 Python は使いやすく、特にデータ関連の作業に使用できる何千ものパッケージを備えた広大なコミュニティがあります。 Python には 2.x と 3.x の 2 つのバージョンがありますが、多くのデータ サイエンス パッケージは 2.x を念頭に置いて開発されているため、ナレーターは 2.x の使用を推奨しています。 Python には、IDLE や Jupyter など、使用できるさまざまなインターフェイスがあります。Jupyter はブラウザベースであり、マークダウン形式、テキスト出力、インライン グラフィックスを組み込むことができるため、データ サイエンスの作業に人気があります。 NumPy、SciPy、Matplotlib、Seaborn、Pandas、scikit-learn など、Python で利用できるパッケージは数多くあります。これらはすべて、ナレーターが実践例でデータ サイエンスにおける Python の能力を実証するときに使用する予定です。
  
  
• 03:40:00講演者は、データ サイエンス用の言語としての SQL の有用性について説明します。同氏は、SQL は主にリレーショナル データベースに使用されており、効率的かつ適切に構造化されたデータの保存を可能にし、かなり前から存在する有能なツールであると述べています。講演者は、SQL データベースから必要なものを取得するために必要な基本的なコマンドはほんのわずかしかないことも説明しました。データは整理されると、通常、分析のために別のプログラムにエクスポートされます。さらに、リレーショナル データベース管理システムには、Oracle データベースと Microsoft SQL Server (産業界)、MySQL と PostgreSQL (オープンソースの世界) など、いくつかの一般的な選択肢があります。講演者は、テキストベースのインターフェイスと比較したグラフィカル ユーザー インターフェイスの利点についても触れています。
  
  
• 03:45:00データ サイエンスの基礎となる言語である C、C++、Java について説明します。 C と C++ は速度と信頼性で知られており、実稼働レベルのコーディングやサーバーでの使用に適しています。一方、Java は移植性が高いことで知られており、全体的に最も人気のあるコンピューター プログラミング言語です。アナリストは通常、これらの言語を使用することはありませんが、データ サイエンスの基盤を形成しており、エンジニアやソフトウェア開発者によって使用されています。さらに、Bash は、コマンド ライン インターフェイスを介してコンピュータと対話するための古いツールの例として言及されていますが、依然として積極的に使用されています。
  
  
• 03:50:00インストラクターは、Bash ユーティリティは特定のタスク用に構築されているものの、多くのことを実現でき、操作も簡単であると説明します。組み込みユーティリティには、「cat」、「awk」、「grep」、「sed」、「head」、「tail」、「sort」、「uniq」、「wc」、および「printf」が含まれます。 JSON データを操作する「jq」と「json2csv」、R プログラミングまたは機械学習サーバーへのコマンド ライン アクセスを可能にする「Rio」と「BigMLer」など、インストール可能なコマンド ライン ユーティリティも利用できます。講師は、定期的な表現 (正規表現) がテキストやデータ内の特定のパターンを見つける強力な方法であることを強調し、パターンが特定されたら、それを別のプログラムにエクスポートしてさらに分析できると述べました。
  
  
• 03:55:00ビデオ チュートリアルでは、データ サイエンティストがターゲット文字列内の特定の要素を検索してプロジェクトに適切なデータを見つけるのに役立つ正規表現または正規表現について説明します。正規表現はリテラル、メタキャラクター、エスケープ シーケンスで構成されており、ユーザーはこれらを使用して要素を組み合わせてデータのパターンを検索できます。正規表現を学ぶ楽しい方法は、Regex Golf をプレイすることです。ユーザーは、可能な限り少ない文字を使用して、左側の列のすべての単語に一致し、右側の列のどの単語にも一致しない正規表現を作成します。このチュートリアルは、データ サイエンスの実践に興味がある人に Excel、Tableau、R、Python、Bash、正規表現などのデータ ツールを推奨することで締めくくられていますが、データ サイエンスは単にツールを知るだけではなく、データ サイエンスの一部にすぎないことに注意してください。はるかに大きな努力。

パート5

• 04:00:00データサイエンスにおける数学をよく理解することの重要性が強調されています。まず、数学を使用すると、どの手順を使用するか、およびその理由を知ることができます。第二に、数学をしっかりと理解していれば、問題を診断し、物事がうまくいかない場合に何をすべきかを知るのに役立ちます。最後に、一部の数学的手順は手作業で行う方が簡単かつ迅速です。このビデオでは、初等代数、線形代数、連立一次方程式、微積分、ビッグ オー、確率論、ベイズの定理など、データ サイエンスで重要な数学のいくつかの分野を取り上げています。数学を怖がらせる人もいるかもしれませんが、数学は不可欠なツールであり、情報に基づいた選択を行うためにデータから意味を抽出するのに役立ちます。
  
  
• 04:05:00数学の強力な基礎が必要です。これには、代数や線形代数などのトピックが含まれます。代数は、複数のスコアを組み合わせて 1 つの結果を得るのに役立ちます。一方、線形代数または行列代数は、多数の数値の行と列で構成される行列を扱います。機械は、データを整理して処理する効率的な方法を提供する行列を好みます。線形代数を理解することは、データ サイエンスにおける複雑な問題をモデル化して解決するのに役立つため、不可欠です。
  
  
• 04:10:00講演者は、線形代数と行列代数がデータ サイエンスで数値と係数の大規模な集合を表現および操作するためにどのように使用されるかを説明します。行列表記で太字の変数を使用すると、値の予測に使用できるデータを非常にコンパクトに表現できます。さらに、講演者は連立一次方程式を解く概念について説明し、iPhone ケースを販売する架空の会社の売上と収益を計算する例でそれを使用する方法を示します。線形方程式の系を解くことは、手作業または線形行列代数を使用して行うことができ、両方の方法を使用して、連動する複数の未知数を解くことができます。
  
  
• 04:15:00プレゼンターは、代数とグラフを使用して連立一次方程式を解く方法を示します。彼らは問題例を使用して、変数を分離し、簡単な計算を実行することによって固有の解決策を見つける方法を示します。グラフ上の 2 本の線の交点は方程式の解を表します。次にビデオは、データ サイエンス、特に時間の経過とともに変化する量の分析で使用される多くの手順の基礎である微積分について説明します。微積分と積分という 2 つのタイプの微積分について説明し、微分積分をグラフで示します。
  
  
• 04:20:00このビデオでは、実践的なデータ サイエンスにおける微積分と最適化の関係について説明しています。特定の点での曲線の傾きは微積分を使用して見つけることができます。これは、結果を最大化または最小化する意思決定を行う際に重要です。このビデオでは、収益を最大化する最適な価格を決定するために微積分を使用できる、オンライン デート サービスの価格設定の例を示しています。価格の関数として売上を求め、導関数を使用すると、最大の傾きに対応する価格を見つけて最大の収益を見つけることができます。
  
  
• 04:25:00講演者は、微積分を使用して仮説上の製品の最大収益を見つける方法を説明します。最初のステップは、売上を価格の関数として計算し、-0.6 に等しい線の傾きを取得することです。次に、この式は収益に変換され、価格の 480 倍から価格の 0.6 倍を引いたものとして計算できます。この方程式の微分により最大収益が求められます。これは、価格 400 ドルで週に合計 240 件の新規サブスクリプションが発生した場合、年間 96,000 ドルの収益となります。これを、年間 500 ドルの価格と 1 週間あたり 180 件の新規サブスクリプションで現在の年間収益 90,000 ドルと比較します。
  
  
• 04:30:00ビデオでは、Big O 記法の概念と、それが操作の速度にどのように関係するかについて説明します。 Big O は、要素の数が増加するにつれて物事が成長する速度を示しますが、成長率には驚くべき違いが生じる可能性があります。このビデオでは、O1、対数、線形、対数線形、二次、指数関数、階乗など、いくつかのタイプの成長率をそれぞれの例とともに説明しています。さらに、ビデオでは、一部の関数は他の関数よりも変化しやすく、それが操作の速度に影響を与えると述べています。したがって、運用の最適化と効率の向上について情報に基づいた意思決定を行うには、Big O を理解することが重要です。
  
  
• 04:35:00講演者は、データのさまざまな種類と並べ替え方法を知ることの重要性と、特にコンピュータのストレージ スペースとメモリに対する要求の観点から、データの速度と効率がどのように異なるかを知ることの重要性について説明します。これらの要求に留意することは、時間を効果的に使用し、データ サイエンスにおける貴重な洞察を得るために重要です。このセクションでは、数学とデータ サイエンスで重要な役割を果たす確率の基本原理も紹介します。確率は、考えられるすべての結果を含む確率空間から計算されるため、0 ～ 100 パーセントの範囲になります。確率の補数はチルダ記号で表され、条件付き確率は、別のイベントが発生した場合のイベントの確率を決定するために使用されます。
  
  
• 04:40:00スピーカーは確率について議論し、乗算規則を使用して同時確率を計算する方法を説明します。彼らは、さまざまな形のサンプル空間を使用して、何かが正方形または赤である確率 (60%)、および何かが正方形と赤の両方である確率 (10%) を計算する方法を示しています。これらは、確率が必ずしも直観的であるとは限らないこと、および条件付き確率がどのように役立つものの、期待どおりに機能しない可能性があることを説明します。最後に、データが与えられた仮説の確率を計算する方法であるベイズの定理を紹介し、それが従来の推論テストとどのように異なるかを説明します。
  
  
• 04:45:00インストラクターは、事前確率、データの確率、データの尤度を組み合わせた一般レシピを使用して事後確率を計算する方法の例を説明します。この例では、病状と、その病気に罹患している人の検出率が 90% であるが、偽陽性率が 10% である検査を使用しています。講師は、検査結果が陽性だった場合に病気に罹っている確率を計算する方法を説明しますが、その確率は実際には 81.6% にすぎません。この例では、テストの精度と限界、および事前確率の変化が事後確率にどのような影響を与えるかを理解することの重要性を強調しています。
  
  
• 04:50:00ベイズの定理の概念と、それがデータ サイエンスにおいて重要である理由について説明します。ベイズの定理は、質問に答えるのに役立ち、検査結果が陽性の場合に病気に罹っている確率など、測定対象の基本率に応じて正確な確率を与えることができます。また、データ サイエンティストは、適切な分析手順を選択し、発生する可能性のある問題を診断するために、代数、微積分、確率などの数学原理をよく理解していることをお勧めします。統計はデータを要約して一般化するのに役立つため、データ サイエンスでも重要な役割を果たしますが、分析は常にプロジェクトの目標と共有された知識に依存します。
  
  
• 04:55:00データサイエンスにおける統計の重要性は、データを要約し一般化するために使用されるツールとして強調されています。ただし、唯一の決定的な答えはなく、一般化には統計モデルの制限を意識しながら推論統計を扱うことが含まれることを強調します。モデルは特定の目的を果たすことを目的としており、多くの場合便利ですが完全に正確ではない概要を表します。次に、数値探索の前にグラフィカルな手法を使用することと、データに細心の注意を払うことの重要性を強調しながら、データ探索について説明します。探索の目的は、統計モデルを構築する前にデータセットの理解を助けることです。

パート6

• 05:00:00データサイエンスではグラフィックスから始めることの重要性が強調されています。グラフィックを使用することで、データの感覚をつかみ、異常を確認し、変数を分析することができます。棒グラフ、箱ひげ図、散布図など、分析する変数のタイプに応じて使用できるさまざまなタイプのグラフィックスが提案されます。さらに、多変量分布についても説明されており、3D グラフィックスの使用には注意が必要であることが指摘されています。
  
  
• 05:05:00講演者は、3D グラフィックスの限界と、代わりにプロットのマトリックスを使用する利点について説明します。講演者は、3D グラフィックスは 3 次元でクラスターを見つけるのに役立つかもしれないが、一般に読みにくく、わかりにくいと説明します。一方、プロットのマトリックスを使用すると、チャートが非常に読みやすくなり、多次元表示が可能になります。講演者は、データを探索するための重要な最初のステップとして、データのグラフィカルな探索の重要性を強調し、棒グラフや散布図などの迅速で簡単な方法を使用することを提案しています。 2 番目のステップには、ロバスト統計、データのリサンプリング、データの変換などの探索統計またはデータの数値探索が含まれます。
  
  
• 05:10:00講演者は、ロバスト統計、リサンプリング、変数の変換の原理について説明します。彼らは、リサンプリングによってサンプリングの変動性の経験的推定がどのように可能になるかを説明し、ジャックナイフ、ブートストラップ、順列などのさまざまな手法について言及しています。講演者は、変数を変換して歪度やその他の問題を修正する方法である Tukey のべき乗のはしごも紹介します。次に、記述統計が、いくつかの数値を使用して大規模なデータのコレクションを表すことによって、データに関するストーリーを伝えるのにどのように役立つかを説明します。講演者は、最頻値、中央値、平均など、分布の中心または位置のさまざまな尺度について説明します。
  
  
• 05:15:00講演者は、範囲、パーセンタイル、四分位範囲、分散、標準偏差など、データセットの広がりを記述するために使用される尺度について説明します。範囲は単にデータセット内の最高スコアと最低スコアの差であり、四分位範囲は第 1 四分位スコアと第 3 四分位スコアの間の距離です。分散はデータセットの平均からの平均二乗偏差であり、標準偏差は分散の平方根です。講演者は、小規模なデータセットを使用して各メジャーを計算する方法の例も示します。
  
  
• 05:20:00講演者は、範囲、四分位範囲 (IQR)、分散、標準偏差など、中心傾向とばらつきのさまざまな尺度について説明します。同氏は、範囲を計算するのは簡単だが、外れ値の影響を受ける可能性があると説明する。 IQR は極端な値を無視するため、偏ったデータによく使用されます。分散と標準偏差は最も直感的ではありませんが、データ サイエンスの他の多くの手順にフィードされるため、最も役立ちます。講演者は分布の形状についても話し、対称、偏り、単峰性、双峰性、均一などのさまざまなバリエーションに注目します。最後に、推論統計の概念を紹介し、母集団とサンプルの違いと、推論のための 2 つの一般的なアプローチであるテストと推定について説明します。
  
  
• 05:25:00講演者は、より大きな母集団からデータをサンプリングし、パラメータ値のテストまたは推定を通じてサンプリング誤差を調整することを含む推論統計を紹介します。推論統計の主な課題は、基礎となる母集団の解釈に影響を与えるサンプリングのばらつきにあります。次に、講演者は、科学研究、医療診断、その他の意思決定プロセスで理論を検証し、観測された差異が偶然に発生する確率を判断するために使用される仮説検定について詳しく掘り下げます。含まれる 2 種類の仮説は、系統的な効果が存在しないと仮定する帰無仮説と、そのような効果が存在すると仮定する対立仮説です。このセクションは、統計分析で使用される標準正規分布の概要で終わります。
  
  
• 05:30:00インストラクターが仮説検定の概念とその潜在的な落とし穴について説明します。仮説検定には、データの Z スコアを計算し、帰無仮説を保持するか棄却するかを決定することが含まれます。ただし、このプロセスでは偽陽性と偽陰性が発生する可能性があり、それぞれ帰無仮説を棄却するか棄却しないことが条件となります。インストラクターは、テスト フレームワークのいくつかの要素に基づいて偽陰性の計算について熟慮することの重要性を強調します。仮説検証には批判もありますが、依然として多くの分野で非常に有用です。講師は続けて推定について説明します。推定はパラメータの推定値を与えるように設計されており、依然として推論手順です。信頼区間は推定の一般的なアプローチであり、母集団の値の可能性の高い値に焦点を当てます。
  
  
• 05:35:00このビデオでは、信頼区間とそれを推定するための 3 つの一般的な手順について説明します。最初のステップは、可能性のある値の範囲を与える信頼レベル (通常は 95%) を選択することです。 2 番目のステップでは、精度と精度の間のトレードオフが関係します。このビデオでは、正確な推定と正確な推定の違いを示しており、理想的なシナリオは、正確で正確な推定の両方であるものです。最後のステップは、信頼区間を正しく解釈することです。統計的に正確な解釈は区間を文形式で記述することですが、口語的な解釈は母集団の平均がその範囲内にある可能性を記述します。このビデオは、母集団の平均値と、信頼区間に母集団の真の値を含めるのに必要なサンプル数を含む、ランダムに生成されたデータのデモンストレーションで終わります。
  
  
• 05:40:00信頼水準、標準偏差、サンプル サイズなど、信頼区間の幅に影響を与える要因について説明します。このチュートリアルでは、各要因が間隔のサイズにどのように影響するか、およびデータの変動が推定にどのように組み込まれるかを示すグラフの例を提供します。最も一般的なアプローチである最小二乗法 (OLS) 法と、観測データの可能性を最も高めるパラメーターを選択する方法である最尤法 (ML) が導入されています。これら 2 つの方法の違いが強調されており、OLS は最良の線形不偏推定器として機能し、ML は一種のローカル検索として機能します。
  
  
• 05:45:00インストラクターは、母集団パラメータを推定するための 3 つの一般的な方法 (通常最小二乗法 (OLS)、最尤法 (ML)、最大事後推定法 (MAP) を含む) と、3 つの方法すべてが相互に関連する方法について説明します。次に、インストラクターは、R2、調整済み R2、-2LL、AIC、BIC、カイ 2 乗、およびそれらのバリエーションを含む、データと作成されたモデルの間の対応関係のさまざまな適合度について説明します。これは、目的に最適なモデルを選択するのに役立ちます。データを調整し、過学習の影響を軽減します。
  
  
• 05:50:00このビデオでは、特徴の選択と、それを使用して最適な特徴や変数を選択し、有益でない変数やノイズの多い変数を削除し、過学習を避けるために作成される統計モデルを簡素化する方法について説明します。特徴選択に関する主な問題は多重共線性です。これは、予測変数と結果変数の間の重複から発生します。このビデオでは、確率値、標準化係数、逐次回帰のバリエーションなど、多重共線性に対処するさまざまな方法を説明しています。ただし、p 値に依存すると偽陽性が増大し、段階的な手順では過剰適合のリスクが大幅に増加するため、問題が発生する可能性があります。これらの問題に対処するために、共通性分析、支配性分析、相対重要度の重み付けなどの新しい方法が利用可能です。
  
  
• 05:55:00講演者は、非正規性、非線形性、多重共線性、欠損データなど、モデリングにおける一般的な問題について説明します。非正規性と非線形性は、それぞれ正規分布と直線関係の対称性と単峰性の性質を仮定しているため、メジャーとモデルを歪める可能性があります。多重共線性はモデル全体の係数に影響を与える可能性があり、これに対処する方法としては、使用する変数を減らすか、ドメインの専門知識に依存することが考えられます。組み合わせ爆発の問題は、変数またはカテゴリの組み合わせが分析できないほど急速に増大する場合に発生します。
  
  
• 06:00:00このビデオでは、データ サイエンスにおける組み合わせ爆発、次元の呪い、欠損データに対処する際の課題について説明しています。最初の課題に対処するには、理論に頼るか、マルコフ連鎖モンテカルロ モデルなどのデータ駆動型のアプローチを使用して、さまざまな可能性を探ることができます。次元の呪いに対処するには、データを低次元の空間に投影することでデータの次元を減らすことができます。最後に、欠損データの問題は分析に偏りや歪みをもたらす可能性があり、パターンをチェックし、新しい変数を作成し、さまざまな方法を使用して欠損値を代入することで対処できます。モデルの検証についても説明しており、ビデオでは、ベイジアン アプローチ、複製、ホールドアウト検証、相互検証など、それを達成するためのいくつかの一般的な方法を紹介しています。
  
  
• 06:05:00講演者は、ホールドアウト検証、相互検証、リーブワンアウト検証などの統計モデルを検証するためのさまざまな方法について説明します。彼は、開発した統計モデルがさまざまな状況でどれだけうまく機能するかをテストすることの重要性を強調しています。これは、結果の有用性に対する信頼を築きながら、分析と推論の妥当性をチェックするのに役立ちます。また、R や Python などのシンプルなツールで簡単に始めることができ、最先端の開発が始まるまで待つ必要がないため、初心者はデータ サイエンスを始めるときに DIY (自分でやる) 精神を考慮する必要があると強調しています。最後に、データ サイエンス分野の荒らしに注意するようリスナーに警告しています。間違っていて威圧的な批評家もいるかもしれませんが、すべての分析には価値があるため、注意深く耳を傾け、確率に注意しながら目標に向かって進む必要があるからです。
  
  
• 06:10:00講演者は、スキルを向上させるためにデータの探索と分析を続けるよう学習者に奨励して、「統計とデータ サイエンス」コースを終了します。講演者は、機械学習やデータ視覚化に関する概念コースや、R、Python、SPSS などのプログラミング言語の統計手順に関する実践コースなど、学習者が受講する追加コースを推奨しています。講演者はまた、コーディングと定量的スキルに加えて、データ サイエンスにおける専門知識の重要性も強調しました。最終的に、講演者は学習者に、常に改善の余地があるため、完璧を気にせず「とにかく始めてみよう」とアドバイスします。

[MetaQuotes]

深層学習の畳み込み - インタラクティブなデモ アプリ

深層学習の畳み込み - インタラクティブなデモ アプリ

Mandy による Steeplezer のデモへようこそ。このエピソードでは、ニューラル ネットワークで使用される畳み込み演算についての理解を深めるために、deeplister.com のインタラクティブな畳み込みデモ アプリケーションを調査します。

畳み込み演算は、フィルターとスライディング ウィンドウを使用して入力を出力にマッピングする畳み込みニューラル ネットワークの重要なコンポーネントです。より基本的な理解のために、畳み込み演算とニューラル ネットワークにおけるその役割を説明する専用のエピソードがあります。ここで、deeplister.com のインタラクティブな畳み込みデモ アプリケーションを利用して、この操作の理解をさらに深める方法に焦点を当てましょう。アプリケーション ページでは、最初は上部が表示され、後で下にスクロールして下部を表示します。デモ アプリケーションを使用すると、特定の入力に対して畳み込み演算が実行され、出力がどのように導出されるかを観察できます。デモではいくつかのオプションを使用できます。まず、全画面モードを切り替えることができます。次に、MNIST を使用しているため、データ セットを選択し、0 から 9 までの範囲で処理したい数字を選択できます。

ニューラル ネットワークの畳み込み層では、エッジ、形状、テクスチャなどのさまざまなパターンを検出するために、トレーニング プロセス中にフィルター値が学習されます。このデモでは、エッジ フィルターなどのさまざまなフィルター セットから選択して、畳み込みの例を観察できます。最初の例では、左端フィルターを選択して、MNIST データセットの数字 9 の画像に適用します。これらのオプションを構成すると、デモを続行する準備が整います。数字 9 の入力画像が表示され、それぞれの小さな正方形がピクセルとその値を表します。ピクセルの 3x3 ブロックと選択された左端フィルターに焦点を当てます。畳み込み演算では、入力値とフィルター値を要素ごとに乗算し、その後に合計して最終出力を取得します。

各ピクセルの上にマウスを置くと、入力値とフィルター値の間で発生する乗算を観察できます。すべての積を合計した後、結果の出力を下部に保存します。これは、畳み込み後の画像全体を表します。ステップ ボタンをクリックすると、入力ブロックが右に 1 ピクセル (ストライド 1) 移動し、畳み込み演算が再度実行されます。このプロセスは、最終出力に到達するまで続きます。デモを再生してこれらの操作を自動化し、一時停止して特定のピクセルを検査することもできます。

出力は、正のアクティベーションをオレンジ色または赤色のピクセルとして表し、フィルターによって検出された左端を示します。負のアクティベーションは、右端を表す青いピクセルとして表示されます。通常、値アクティブ化関数は畳み込み出力に適用され、正の値を維持し、負の値をゼロに設定します。出力値の上にマウスを移動すると、出力値を対応する入力値およびフィルター値と関連付けることができます。結果の出力は、左エッジを表す正のアクティベーションのコレクションです。デモの残りの部分を再生して、最終的な出力を確認できます。逆の効果を示すために、右端フィルターに切り替えます。その結果、正と負のピクセルが入れ替わった同じ出力が得られます。

別の例として、ファッション MNIST データセットに切り替えて、T シャツの画像を選択します。 「上」エッジ フィルターを適用すると、上エッジと下エッジの検出を観察できます。

deeplister.com のデモでさまざまな例を自由に探索して、畳み込み演算についての理解を深めてください。ご視聴いただきありがとうございます。その他のコンテンツについては、YouTube の 2 番目のチャンネル「The Blizzard Vlog」をチェックすることを検討してください。 beeplezer.com にアクセスして対応するブログ投稿を参照し、特別な特典や報酬を得るために Deep Blizzard Hive Mind への参加を検討してください。