人工知能基礎５月１４日、５月２１日、５月２８日学習って何？世界に適応する．．．そして．．．認識，予測，行動，… １．学習と規準学習前モデル実世界データ規準 x1, x2, x3, …, 学習後モデル規準は期待通りだった？認識，予測，行動２．学習，規準，結果迷路勉強試験合格実人生ゲーム綿密作戦予想外最短計画工事中目標を立てないと何もできない目標について最適化しても環境は変化してしまうかも３．規準の最適化人工知能設計の問題は、しばしば目的関数の最小化の問題になる E(x1,x2,…,xn) x= (x1,x2,…,xn) ：高次元例１．文字・音声の認識 --- 例ができるだけ当たる例２．ロボットの経路決定 --- 経路が最も短い例３．組み合わせ最適化 --- 不適合さが小さい例４．運動・制御 --- 遠くに飛ばせる，正確に止まる最適される変数は？４．最適化法１－確率的探査法（１）x: 初期化（２）y := x+ rand; （３） if E(y)＞E(x) x = y; else ; （４）（２）に戻る簡単だけど大変だ x2(t) 最大化 E(x) x1(t) x3(t) ５．最適化法２最急降下法（１）x: 初期化（２）x := x-∇E(x) ; （３）（２）に戻る早いけど局所で止まる本当に早い？ローカルミニマを見た人はいない局所極小に見えるものが高次元空間には多い６．最適化法３雑音つき最急降下法（１）x: 初期化（２）x := x-∇E(x) +rand; （３）（２）に戻る遅いけど最後まで解析できる時刻=∞で，平衡状態 p(x) = (1/Z) exp(-E(x)) E(x) 勉強しよう！確率微分方程式 p(x) x ６．最適化法４多点探査法 GA （１）xa,xb,…,xz: 初期化（２）評価，淘汰（３）交差（４）突然変異（５）（２）に戻る実問題でうまくいく例が多いらしい理論はまだない雑音を加える７．実世界は厳しい ☆ 評価関数が最小になったからといって未来の予測や行動に最適とは限らない例：学習誤差 n 2 1 En(w) = Σ (y -f(xi,w)) n i=1 i 予測誤差 E(w) = ∫ (y-f(x,w))2 q(x,y) dx dy 最小化 w* 学習と予測の関係： E(w*) ≒ (1+2N/n) En(w*) N:パラメータの次元・・本当の目的は予測が当たること８．予測の最適化現在，予測に最強だと思われている学習アルゴリズム： (1) 確率 P(w) ∝ exp( - n En(w)) に従ってパラメータ w をたくさん発生させ (2) 予測 f(x,w) の平均を取り (3) F = ∫exp( -n E(w))dw を最小にするモデルを使うなぜ，これでうまくいくのか？もっとよい方法はないのか？・・・まだわかっていない９．さらなる知能に向かって実世界の中の知能生命を持つということ人間から見て知能的だということ工学的実現１０．テストって何がでるんだろう１．持ちこみ可。２．相談は×。後から提出は×。３．２回の授業に関係した問題を出す。４．かんたんなはず。用意はいらないと思う。５．まだ作ってない。知能について考えたことがあると少しだけ有利かも？