WEBVTT 00:00.420 --> 00:02.850 それでは､ エキサイティングなチュートリアルをどうぞ｡ 00:02.880 --> 00:04.740 ディープラーニングの講座へようこそ｡ 00:04.740 --> 00:07.800 今日は､ 「ニューラルネットワークはどのように機能するのか？ 00:07.830 --> 00:09.720 今､ 私たちは多くの土台を築きました｡ 00:09.720 --> 00:16.310 これまで､ ニューラルネットワークがどのような構造で､ どのような要素で構成され､ どのような機能を持つかまでお話ししてきました｡ 00:16.320 --> 00:21.750 そして今日は､ 新しいニューラルネットワークの応用例について､ 実際に見てみましょう｡ 00:21.750 --> 00:28.140 そして､ 実際にその適用プロセスを段階的に進めていくことで､ 何が起こっているのかがわかるようになっています｡ 00:28.140 --> 00:29.160 では､ 見てみましょう｡ 00:29.160 --> 00:30.650 どのような例を挙げるのでしょうか｡ 00:30.660 --> 00:33.120 今回は､ 財産評価についてご紹介します｡ 00:33.120 --> 00:39.490 そこで､ ある特性に関するいくつかのパラメータを取り込み､ それを値付けするニューラルネットワークを見ていきます｡ 00:39.510 --> 00:45.750 ここで､ 今日のチュートリアルにはちょっとした注意点があります｡ それは､ 実際にネットワークをトレーニングするわけではないということです｡ 00:45.750 --> 00:49.290 ですから､ ニューラルネットワークで非常に重要なのは､ トレーニングすることです｡ 00:49.290 --> 00:53.250 そして､ このセクションの次のチュートリアルでそれを見ていくことになります｡ 00:53.250 --> 00:55.530 とりあえず､ 実際のアプリケーションに焦点を当てます｡ 00:55.530 --> 01:01.980 そこで､ すでにトレーニングされたように見せかけたニューラルネットワークを使用することで､ 01:01.980 --> 01:07.710 トレーニングに煩わされることなく､ アプリケーション側に集中することができます｡ 01:07.710 --> 01:11.520 そして､ すでに目指す最終目標が決まっているときに､ トレーニングをかいつまんで行います｡ 01:11.520 --> 01:12.450 いい感じ？ 01:12.450 --> 01:13.050 わかりました｡ 01:13.050 --> 01:14.670 早速､ 飛び込んでみましょう｡ 01:15.060 --> 01:19.260 では､ いくつかの入力パラメータがあるとしましょうか｡ 01:19.260 --> 01:21.360 そこで､ 物件に関するパラメータが4つあるとします｡ 01:21.360 --> 01:24.120 面積は平方フィートで表示されます｡ 01:24.120 --> 01:29.730 寝室数､ 最寄りの都市までの距離とマイル数､ 築年数などがあります｡ 01:29.730 --> 01:33.450 そして､ これら4つのすべてが､ 入力層を構成することになるのです｡ 01:33.450 --> 01:39.660 もちろん､ 物件の価格を決めるパラメータはもっとたくさんあるのだろう｡ 01:39.660 --> 01:45.330 しかし､ 簡単のために､ 今はこの4つだけを非常に基本的な形で見ていくことにします｡ 01:45.330 --> 01:49.980 ニューラルネットワークは､ 入力層と出力層しかないので､ 隠れ層はありません｡ 01:49.980 --> 01:52.200 そして出力層は､ 私たちが予測する価格です｡ 01:52.200 --> 02:06.120 この形式では､ 入力変数がシナプスによって重み付けされ､ 出力層で計算､ つまり基本的に価格が計算されて価格が得られます｡ 02:06.120 --> 02:14.040 そして､ 例えば､ 価格は､ すべての入力の加重和として単純に計算することができます｡ 02:14.040 --> 02:19.440 ここでも､ 今使っているような関数や､ 以前使っていた活性化関数など､ 02:19.440 --> 02:23.220 ほとんどすべての関数を使うことができます｡ 02:23.220 --> 02:29.130 ロジスティック回帰を使ってもいいし､ 二乗関数を使ってもいい｡ 02:29.130 --> 02:30.840 ここに来れば､ 何でもできる｡ 02:30.960 --> 02:33.390 でも､ 要は一定の出力が得られるということです｡ 02:33.390 --> 02:40.920 さらに言えば､ 現存する機械学習アルゴリズムのほとんどがこの形式で表現できる｡ 02:40.920 --> 02:45.240 これは基本的に､ その変数をどう扱うかを図式化したものです｡ 02:45.570 --> 02:50.940 計算式のあり方を変えることで､ これまで話してきた機械学習のアルゴリズムのかなり多くを実現し､ 02:50.940 --> 02:55.350 このような形にすることができるのです｡ 02:55.350 --> 03:00.720 このことは､ 新しいニューラルネットワークがいかに強力かを示しています｡ 隠れ層がなくても､ 私たちはすでに､ 03:00.720 --> 03:05.250 他のほとんどの機械学習アルゴリズムで機能する表現を持っているのです｡ 03:05.250 --> 03:11.700 しかし､ ニューラルネットワークには､ 柔軟性とパワーを与えてくれる特別な利点があり､ 03:11.700 --> 03:16.800 それが精度を高める要因となっています｡ 03:16.800 --> 03:20.190 そしてその力こそが､ 隠し味となるレイヤーなのです｡ 03:20.400 --> 03:21.990 そして､ そこに行く｡ 03:21.990 --> 03:22.830 それが私たちの隠し味です｡ 03:22.830 --> 03:29.970 私たちはそれを追加しました｡ そして今度は､ その隠されたレイヤーがどのように私たちに余分な力を与えてくれるのかを理解することになります｡ 03:29.970 --> 03:34.020 そして実際に､ そのために､ 例を挙げて説明します｡ 03:34.020 --> 03:38.520 このニューラルネットワークはすでに訓練されているので､ あとはそれを接続するだけです｡ 03:38.520 --> 03:44.160 ここでは､ プロパティを入力することを想像して､ ニューラルネットワークがどのように入力変数を処理し､ 03:44.160 --> 03:51.840 隠れ層を計算し､ 出力層を計算するのかを順を追って説明します｡ 03:51.840 --> 03:52.860 では､ このまま行ってみましょう｡ 03:52.860 --> 03:54.300 盛り上がりそうですね｡ 03:54.300 --> 03:54.810 わかりました｡ 03:54.810 --> 04:01.230 左側に4つの変数がありますが､ まず隠れ層の一番上のニューロンから始めましょう｡ 04:01.230 --> 04:07.230 さて､ 以前のチュートリアルで見たように､ 入力層からのすべてのニューロンは､ 04:07.230 --> 04:12.750 それぞれ隠れ層の一番上のニューロンとシナプスを結んでいます｡ 04:13.260 --> 04:15.060 そして､ そのシナプスには重みがあります｡ 04:15.060 --> 04:18.780 ここで､ いくつかの重みがゼロでない値を持つことに同意しよう｡ 04:18.780 --> 04:25.170 基本的にすべての入力が有効かどうかは分からないので､ 重みの中には0になるものもある｡ 04:25.170 --> 04:27.780 すべての入力は､ すべてのニューロンにとって重要である｡ 04:27.780 --> 04:29.310 入力が重要でない場合もあるでしょう｡ 04:29.310 --> 04:31.200 そして､ ここでは×1で2つの例を見ることができます｡ 04:31.200 --> 04:37.020 次の3つは､ その神経細胞にとって､ 面積と距離とマイルが重要で､ 寝室と年齢は重要でないことです｡ 04:37.410 --> 04:38.670 そして､ ちょっと考えてみましょう｡ 04:38.670 --> 04:39.180 なぜ？ 04:39.180 --> 04:40.440 それはどのような場合でしょうか｡ 04:40.590 --> 04:46.170 なぜ､ ある神経細胞が面積や距離と連動するのでしょうか？ 04:46.170 --> 04:47.280 それは何を意味するのでしょうか？ 04:47.280 --> 04:52.920 まあ､ それは通常､ 都会から離れれば離れるほど､ 不動産は安くなり､ 04:52.920 --> 04:58.210 したがって物件の坪数も大きくなる､ ということかもしれません｡ 04:58.210 --> 04:58.310 そうですね｡ 04:58.350 --> 04:59.970 だから､ 同じ値段で､ より大きなものが手に入るのです｡ 05:00.030 --> 05:02.490 都会から離れれば離れるほど財産､ それが普通でしょう？ 05:02.670 --> 05:03.450 なるほどね｡ 05:03.450 --> 05:09.840 そしておそらく､ この神経細胞は､ 具体的に見ると､ まるでスナイパーのようなことをしているのです｡ 05:09.840 --> 05:17.550 都心からそれほど離れていない､ 広い面積を持つエリアの物件を探しています｡ 05:17.550 --> 05:24.750 つまり､ 都市からの距離の割には､ 不公平な面積を持っているわけです｡ 05:24.750 --> 05:25.010 そうですね｡ 05:25.020 --> 05:27.570 つまり､ 異常なものは､ 平均よりも高いということですね｡ 05:27.570 --> 05:32.610 だから､ かなり近いところにあるのですが､ 同じ距離の他のものと比べても大きいんです｡ 05:33.030 --> 05:38.520 そのため､ そのニューロンは､ ここでも推測ですが､ レーザーでその特定の性質を選んで活性化し､ 05:38.520 --> 05:43.950 その結果､ 活性化関数が活性化するのかもしれません｡ 05:43.950 --> 05:46.950 一定の条件を満たしたときだけ起動する｡ 05:46.950 --> 05:51.840 それはね､ プローブの距離と面積､ 街までの距離と敷地の広さ｡ 05:51.840 --> 05:57.300 そして､ 自分自身の内部で計算を行い､ その2つを合成するのです｡ 05:57.300 --> 06:01.980 そして､ ある種のテロとそれが発火するとすぐに､ 出力層での価格に寄与する｡ 06:01.980 --> 06:07.620 したがって､ この神経細胞は､ その特定のことに集中しているため､ 物件の寝室や築年数などにはあまり関心がないのです｡ 06:07.620 --> 06:12.450 これがニューラルネットワークの力です｡ このようなニューロンをたくさん持っているので､ 他のニューロンはどのように機能するのか､ 06:12.450 --> 06:14.040 先ほど見てみましょう｡ 06:14.040 --> 06:24.120 しかし､ 私がここで同意したかったのは､ イメージを乱さないために､ 整っていないシナプスのためにこれらの線を引くこともやめようということです｡ 06:24.120 --> 06:25.530 それだけに､ 描かないわけにはいかない｡ 06:25.530 --> 06:27.210 だから､ そういうのも捨てちゃおうよ｡ 06:27.210 --> 06:29.220 そうすれば､ 正確に知ることができます｡ 06:29.460 --> 06:33.750 つまり､ この神経細胞は､ 面積と都市までの距離に着目しているのです｡ 06:33.780 --> 06:34.290 わかりました｡ 06:34.740 --> 06:36.810 では､ そのことに合意した以上､ 次に進みましょう｡ 06:36.810 --> 06:39.090 ここでは､ 真ん中の1枚を取り上げましょう｡ 06:39.090 --> 06:42.030 このニューロンには､ 3つのパラメータが入力されています｡ 06:42.030 --> 06:45.630 そこで､ 面積､ 寝室､ 築年数を把握しました｡ 06:45.750 --> 06:48.420 では､ ここにある理由は何だろう？ 06:48.420 --> 06:56.040 もう一度､ この神経細胞の思考はどうなっているのか､ 直感的に理解することを試みましょう｡ 06:56.040 --> 06:57.720 なぜ､ この3つのパラメータを選んでいるのでしょうか？ 06:57.750 --> 06:58.650 それは何でしょう？ 06:58.650 --> 07:02.040 データで見つかったようなヒットは何があるのでしょうか？ 07:02.040 --> 07:02.220 そうですね｡ 07:02.220 --> 07:04.530 つまり､ これはすでにトレーニングされたデータセットであることがわかります｡ 07:04.530 --> 07:09.360 トレーニングはかなり前に行われたもので､ 1日前とか､ 誰かがすでにこのデータをトレーニングしていたとか｡ 07:09.360 --> 07:20.370 この神経細胞は､ 何千もの特性の例を通じて､ 面積と寝室と年齢の組み合わせが重要であることを発見したのです｡ 07:20.370 --> 07:21.540 なぜ､ そうなるのでしょうか？ 07:21.540 --> 07:29.040 例えば､ このニューラルネットワークが学習した郊外の特定の都市では､ おそらく2人以上の子供を持つ家族が多く､ 07:29.040 --> 07:43.110 寝室がたくさんある大きな物件を探していて､ しかも新しい物件であることが予想されます｡ 07:43.110 --> 07:50.910 そうですね､ あの辺りは古い物件ではなく､ 大きな物件が多いので､ 07:50.910 --> 07:55.530 古い物件が多いのですが､ 現代的な家族が多く､ 07:55.800 --> 08:03.270 社会人口動態が変化したのか､ 若い人向けの雇用や仕事が増えたのか､ 08:03.270 --> 08:11.700 人口動態が変化したような気がします｡ 08:11.700 --> 08:22.980 そして､ 今は若いカップルや若いファミリーが物件を探していますが､ 彼らは新しい物件を好むので､ 築年数は低くしてほしいということです｡ 08:23.610 --> 08:28.800 したがって､ このニューラルネットワークが受けた訓練から､ 面積が広く､ 寝室がたくさんある物件では､ 08:28.800 --> 08:34.770 両親と最初の子供のために少なくとも3つの寝室が必要であることがわかります｡ 08:34.770 --> 08:40.830 2人目の子供には､ 少なくとも3つのベッドルーム､ 多分ゲストルームがある場合､ 高い面積とベッドルームがたくさんある新しいプロパティは､ 08:40.830 --> 08:45.900 その市場で貴重であることを評価されています｡ 08:45.900 --> 08:48.210 だから､ その神経細胞はそれを拾ってしまったのです｡ 08:48.210 --> 08:51.390 それは､ よし､ じゃあ､ これは私が探しているものだ､ とわかるのです｡ 08:51.390 --> 08:56.220 街とマイルの距離はどこでもいい､ 面積が広くてベッドルームがたくさんあればいい､ 08:56.250 --> 08:59.730 その条件を満たしたとたんにニューロンが発火するんです｡ 08:59.730 --> 09:03.870 この3つのパラメータを組み合わせることで､ 09:03.870 --> 09:17.730 ニューラルネットワークの力が発揮されるのです｡ 09:17.730 --> 09:21.300 それらを組み合わせて新しい属性にするため､ より精度が高くなるのです｡ 09:21.690 --> 09:23.610 だから､ その神経細胞がどう動くか､ ということになる｡ 09:24.030 --> 09:25.500 そして､ もうひとつ見てみましょう｡ 09:25.500 --> 09:26.940 一番下のものを見てみましょう｡ 09:26.940 --> 09:31.830 例えば､ このニューロンは1つのパラメータだけを拾っている可能性さえある｡ 09:31.830 --> 09:35.430 年齢だけ拾って､ 他は拾わなかったのかもしれない｡ 09:35.430 --> 09:37.260 そして､ どうしてそうなったのか｡ 09:37.680 --> 09:47.640 ご存知のように､ 古い物件は使い古されているため､ 価値が下がるのが普通です｡ 09:47.640 --> 09:51.840 おそらく建物が古くて､ いろいろとボロボロになっているのだろう､ もっとメンテナンスが必要なのだろう｡ 09:51.840 --> 09:56.700 だから､ 不動産の価格という意味では値下がりする｡ 一方､ 新築のビルなら新築だから高くなるのだが､ 09:56.700 --> 09:59.700 おそらくはそうだろう｡ 09:59.800 --> 10:03.850 築年数が一定以上であれば､ 歴史的建造物であることを示す可能性があります｡ 10:03.850 --> 10:11.140 例えば､ 築100年未満の物件であれば､ 古ければ古いほど価値は低くなります｡ 10:11.140 --> 10:15.790 しかし､ 築100年を飛び越えた途端､ 突然､ 歴史的建造物になるのです｡ 10:15.790 --> 10:20.700 なぜなら､ ここは数百年前に人が住んでいた物件だからです｡ 10:20.710 --> 10:22.000 ストーリーを伝えてくれる｡ 10:22.000 --> 10:24.010 これだけの歴史があるんですからね｡ 10:24.010 --> 10:26.110 そして､ それが好きな人もいれば､ それを大切にする人もいる｡ 10:26.110 --> 10:32.050 実際､ 多くの人がそれを望み､ その物件に住むことを誇りに思うでしょうし､ 特に社会経済的地位の高い層では､ 10:32.050 --> 10:36.910 友人に見せびらかしたりすることでしょう｡ 10:36.910 --> 10:42.220 そのため､ 築100年以上の物件は歴史的建造物とみなされる可能性があります｡ 10:42.220 --> 10:49.300 そのため､ この神経細胞は､ 築100年を超える物件を見つけるとすぐに起動し､ 全体の価格に貢献することになるのです｡ 10:49.300 --> 10:52.750 そうでなければ､ 100年未満のものであれば､ 動作すらしませんしね｡ 10:52.750 --> 10:57.490 そして､ これはRectifier機能が適用された良い例です｡ 10:57.490 --> 11:05.530 ここでは､ ある時点までは非常にゼロのようなもので､ その後100歳とし､ 100歳までとします｡ 11:05.530 --> 11:11.230 古くなればなるほど値が高くなり､ この神経細胞の全体価格への貢献度が高くなる｡ 11:11.230 --> 11:18.010 これは､ この整流器機能の動作を示す非常にシンプルな例で､ まさに素晴らしいものです｡ 11:18.610 --> 11:19.630 そうそう､ そうなんです｡ 11:19.630 --> 11:20.860 それがこのニューロンかもしれない｡ 11:20.860 --> 11:27.760 ましてや､ ニューラルネットワークは､ 自分たちでは思いつかないようなことまで拾っていたかもしれません｡ 11:27.760 --> 11:28.120 そうですね｡ 11:28.390 --> 11:30.090 例えば､ ベッドルーム＋距離｡ 11:30.110 --> 11:34.540 街は､ もしかしたらそれが合わさって何とか値段に貢献しているのかもしれませんね｡ 11:34.540 --> 11:40.060 他のニューロンほど強くなく､ 貢献しているのかもしれませんが､ それでも貢献しているのか､ それとも価格を下げているのか｡ 11:40.060 --> 11:42.490 また､ そのようなケースもあり得ますし､ その他のことも考えられます｡ 11:42.490 --> 11:47.140 そして､ ある神経細胞は､ これら4つのパラメーターの組み合わせのすべてを拾ったのかもしれません｡ 11:47.140 --> 11:54.880 このように､ ニューロン､ つまり隠れ層の状況によって､ ニューラルネットワークの柔軟性が増し､ 11:54.880 --> 12:04.150 ニューラルネットワークが非常に特殊なものを探すことができるようになるのです｡ 12:04.150 --> 12:08.170 そして､ 組み合わせることで､ そこにパワーが生まれる｡ 12:08.170 --> 12:09.570 アリの例と同じですね｡ 12:09.580 --> 12:12.430 アリが一匹で蟻塚を作れないのと同じです｡ 12:12.430 --> 12:16.840 でも､ 1000人､ 10万人と増えていくと､ 一緒に蟻塚を作ることができるんです｡ 12:17.050 --> 12:18.540 そして､ それがこの状況です｡ 12:18.550 --> 12:24.220 この神経細胞は1つ1つは単独では価格を予測できないが､ 一緒になると超能力を発揮し､ 12:24.220 --> 12:25.990 価格を予測するのである｡ 12:25.990 --> 12:30.010 そして､ 適切にトレーニングされ､ 適切にセットアップされれば､ かなり正確な仕事ができるようになります｡ 12:30.490 --> 12:35.200 そして､ その活用方法を理解することが､ このコースの目的なのです｡ 12:35.200 --> 12:35.650 これでよしとしよう｡ 12:35.650 --> 12:42.210 以上､ ニューラルネットワークが実際にどのように機能するのか､ 順を追って説明しました｡ 12:42.220 --> 12:45.490 今日のチュートリアルを楽しんでいただけたら幸いです｡ 次回お会いするのが楽しみです｡ 12:45.490 --> 12:47.470 それまでは､ ディープラーニングを楽しんでください｡