PythonによるAI・機械学習・深層学習アプリのつくり方を読んで、なんちゃって機械学習エンジニアがまた一人爆誕しました

なんちゃって機械学習エンジニアにオレはなるっ!!! ドン!!!

思うところがあって機械学習にチャレンジしました。

僕は三流理系大学の学部卒でして、某所で東大や理科大の院卒みたいな人たちの機械学習勉強会に混ぜてもらったんですが、機械学習が数学や統計の上に成り立っており、大学数学の基礎ができていない僕は辛酸を嘗めさせられ、すっかり苦手意識が染み付きました。

これが勉強会の教材。大学の教科書みたいなやつで、僕は 1/e^100 程度しか理解できませんでしたが、彼らは難しい数式の形を見ただけで数学的美しさのようなものを感じ取っていました。
(でも今になって読み返す事が時々でてきて、意外と役に立っている気もする)

AI、機械学習、ディープラーニングみたいなバズワードはエンジニア以外も知っており、「ディープラーニングでなんかすごいことできないの?」、「xxって機械学習でできないの?」みたいな本末転倒なご相談も耳にするようになりました。

いろんな事ができると思うけど、何をしたいかが重要で、そのためにはどうするかを考えるのが大切だと思いますよ、とお伝えするものの、僕は機械学習挫折系エンジニアであるため、いまいち説得力に欠けます。

そこでとりあえず動くものを体験してみたくて、本屋に見繕って冒頭の本をやってみました。
あと在宅で暇だったのと、モテたくて

本書では以下のようなことが学べます。

  • 環境構築
  • Jupyter Notebookの使い方
  • google colaboratoryの紹介(GoogleがホスティングしてるJupyter Notebook)
  • scikit-learnの使い方
  • アヤメ(Iris)の分類
  • 美味しいワインの判定
  • OpenCVを使った文字判定
  • gensimとmecabとneologdを使った自然言語処理
  • TensorFlowの使い使い方とDNN、CNN

サンプルを動かしてパラメータや別のデータを使うだけでも「できた感」が得られます。
3cmくらいあるそこそこ分厚い本ですが、難しいこともなくサクサク進めらるのもいい。

そんなで目的である、「とりあえず動くものを体験」はでき、なんとなくできる/できないの判断や、プロトタイピングくらいはできるような気持ちになってきました。

scikit-learn の all_estimators を使うと最適なパラメータと最適なアルゴリズムがわかり、これは… 難しい数学を知らなくてもなんとなるのでは!? という気持ちにさせられ、なんちゃって機械学習エンジニアがまた一人爆誕したのでした。

= 完 =