ディープラーニングのしくみがわかる数学入門

• 超基本
• 数列・統計・確率
• 複数の入出力をまとめて処理する

超基本

賢い動作とは

• 今までのシステムは、データを人間が読んでルールを導く。
• これからのシステムは、人工知能がデータを読んでルールを導く。

交差検証

訓練データと検証データ（テストデータ）を入れ替えることで、精度を確認すること。例えば、ランダムに選んだり、偶数日のデータを訓練データ・奇数日のデータをテストデータにするなど。

最適化問題

（例えば正解率などが）最大や最小となる状態を求める問題のこと。

効率的な探索

最適化問題では、データ量が増えても短い時間で探索する必要があり、以下のような探索方法が使われる。

• 単純増加する関数　 → 　二分探索など
• ランダムに変化する関数　 → 　遺伝的アルゴリズムなど

機械学習の考え方

関数 --- 入力を受け取り、何らかの変換を行い、出力する。ブラックボックスのようなもの。

機械学習の種類

• 教師あり学習
  • 個々のデータが「入力」と「正しい出力」のペアとなるようにする
  • データを「訓練用」と「テスト用」に分ける
  • コンピュータに、訓練用データで学習させ、関数を作らせる
  • 作った関数でテスト用データを処理したときに正解率が高くなるよう、何度も調整してやり直す（どの関数を使うか、パラメータをどう調整するかなど）
• 教師なし学習
  • 正解がわからない場合、正解を用意できない場合に使う
  • データの特徴を掴むために使う（クラスタリングなど）
• 強化学習
  • 報酬が最大になるよう、コンピュータに試行錯誤で学習させる

ニューラルネットワーク

• 人工知能を実現する一つの方法が機械学習
• 機械学習を実現する一つの方法がニューラルネットワーク
• ニューラルネットワークを進化させたのがディープラーニング

動作

出展 (opens new window)

• ニューロンは入力（=信号）とその「重み」を受け取る。
• 結果がしきい値を超えたら 1 を出力する（発火する）。超えなければ 0 を出力する。
• 入力層、中間層、出力層を持つ
• 上記図の場合、重みを持つ層が 2 層なので、2 層ネットワークと呼ぶ。中間層が増えれば、3 層、4 層・・・ネットワークという。
• まずはじめは、重みはランダムに設定される。その後、訓練データを入れて、正しい結果が得られるよう重みを調整する（最適化、学習などという）。
• テストデータで正解率を求めて、そのネットワークを評価する
• 訓練データにのみ最適化したネットワークができてしまう過学習が起こらないよう、あえて最適化を制限する場合もある

数列・統計・確率

数列と集合

数列、漸化式

• 数列 --- 数が一列に並んでいるもの。順番に意味がある。
• 項 --- 一つの数。初項、第 2 項、第 3 項、、、第$n$項（一般項）
• 一般項 --- 第$n$項の値を、$n$の値だけを使って記述した式
  • $a_n = a + (n-1)d$
• 漸化式 --- 第$n$項の値を、複数の項の関係で記述した式（フィボナッチ数列など）
  • $a_n = a_{n-1} + a_{n-2}$

漸化式は、プログラムのループ処理で書くと簡単。一方、漸化式を一般項に変換するのは難しい場合が多い。

数列の和

数列の和は大文字シグマで表される。初項から第$n$項までの和（$S_n$）は、下記の式で表される。

$S_n = \sum_{k=1}^n a_k$

数列の和はループ処理で求めてもよいが、公式を活用するとより高速に処理できる。

集合、内包表記

• 集合 --- 数の集まり。順番に意味がない。 $A, B$ など、大文字アルファベットで表す。
• 有限集合 --- $\left\{1,3,5,7\right\}$など限りがある集合
• 無限集合 --- 整数など限りがない集合。{n|nは整数}などの表現をする。

平均、分散、標準偏差

名前	表現	説明
算術平均	$\mu$	NumPy ではmean、こちらを使うことが多い
加重平均	$\mu$	NumPy ではaverage
分散(Variance)	$\sigma^2$	「平均との差の 2 乗」の総計
標準偏差(Standard Deviation)	$\sigma$	分散の平方根

※ 分散・標準偏差は小文字のシグマで表す

データの標準化（Z スコア正規化）

平均を 0、分散を 1 に合わせること。標準化された各データ（$z_n$）は、下記の式で求めることができる。

$z_n = \frac{x_n - \mu}{\sigma}$

• $x_n$ --- 標準化前の各データ
• $\mu$ --- 平均
• $\sigma$ --- 標準偏差

データの分布

データの分布を考えることはとても大切。ヒストグラム（度数分布表）などを使う。

• 正規分布（normal distribution）
• 一様分布（uniform distribution）
• 二項分布（binomial distribution）

確率

確率の基本

「試行」を行い「事象」が起こる。

事象 A が起こる確率 = 事象 A が起こるパターン数 / 試行によって起こりうる全パターン数

事象 A が起こる確率を$P(A)$と表す。

• 数学的確率 --- 計算で求めた確率
• 統計的確率 --- 実際に試行して求めた確率

確率変数と確率分布

• 確率変数（$X$）
  • 確率的に決まる値のこと。確率に従っていろいろな値をとる変数のこと。
  • 離散型と連続型がある
  • e.g. サイコロを振ったときに出る目$X$は、確率変数である
• 確率分布
  • 「確率変数の取りうる値」と「その値をとる確率」の対応のこと
  • 離散型では表（確率分布表という）で、連続型ではグラフで表現することが多い

確率によって値が変動するものを「確率変数 $X$」とおき、その確率分布を調べることで、さまざまな物事を「確率による重み」をつけて計算することが可能になる

確率分布表の例

確率変数	$x_1$	$x_2$	$x_3$	...	$x_n$
確率	$p_1$	$p_2$	$p_3$	...	$p_n$

確率変数の期待値（expected value）

確率変数の期待値 = 確率変数の平均値

離散型の場合は下記の式で計算する。

$E[X] = \mu = x_1p_1+x_2p_2+...+x_np_n = \sum_{k=1}^n x_k p_k$

連続型確率変数の場合は積分により計算する（省略）。

期待値の性質

$C$は定数、$X,Y$は確率変数

• $E[C] = C$
• $E[X+C] = E[X] + C$
• $E[kX] = kE[X]$
• $E[X+Y] = E[X] + E[Y]$ 　※$X,Y$が独立でない場合でも成り立つ

確率変数の分散

離散型の場合は下記の式で計算する。

$V[X] = \sigma^2 = (x_1-\mu)^2p_1+ (x_2-\mu)^2p_2+...+ (x_n-\mu)^2p_n = \sum_{k=1}^n (x_k - \mu)^2 p_k$

連続型確率変数の場合は積分により計算する（省略）

なお、下記の公式を使えば、分散を期待値から算出することができる。

$V[X] = E[X^2] - (E[X])^2$

分散の性質

$C$は定数、$X,Y$は確率変数

• $V[C] = 0$
• $V[X+C] = V[X]$
• $V[kX] = k^2V[X]$
• $V[X+Y] = V[X] + V[Y]$ 　※$X,Y$が独立である場合のみ成り立つ

独立

複数の事象が互いに独立である、とは、ある事象が他の事象に影響しないこと

同時確率

独立した 2 つの事象 $A,B$ がある時、

• これらが同時に起こる事象を、事象 $A, B$ の積事象といい、$A \cap B$ と表す。
• これらが同時に起こる確率を同時確率といい、$P(A \cap B)$ と表す。

同時確率は下記の通り計算する。

$P(A \cap B) = P(A) \times P(B)$

条件付き確率

参考 (opens new window)

独立していない事象$A, B$があり、事象$A$が起こることが確定しているときに、事象$B$が起こる確率のこと。 Venn diagram で考えるとわかりやすい。

以下、

• $A$：時系列的に先に位置する確率変数（条件、原因）
• $B$：時系列的に後に位置する確率変数（結果）

として表記する。

$P(B \mid A) = \frac{P(A \cap B)}{P(A)}$

上記のように、条件付き確率では、原因（≒ 条件）を右側に記載する。

P(Bである確率|Aであったとき)

確率の乗法定理

参考 (opens new window)

独立していない事象$A, B$があるとき、事象$A, B$が続けて起こる確率を計算するには、先の式を変形させて導いた「確率の乗法定理」をつかう。

$P(A \cap B) = P(A)P(B \mid A)$

ベイズの定理

$P(A \mid B) = \frac{P(B|A)P(A)}{P(B)}$

条件付き確率に関する定理の一つ。通常は「原因」から「結果」を探るのに対し、「結果」から「原因」を逆方向に探りたいときに、ベイズの定理を使う。

• $P(A)$ --- 事前確率 まだ何も情報がないときに、既に知っている確率のこと
• $P(A|B)$ --- 事後確率　$B$という情報が後から加わる事により、$A$である確率をより絞りんだもの

例）罹患率 0.01%の病気の検査の精度が以下の場合において、陽性と診断されたときに本当に罹患している確率は？

	陽性	陰性
罹患	98%	2%
非罹患	20%	80%

• 罹患しているとき（原因）に、陽性と判断される（結果）可能性 => 条件付き確率
• 陽性と判断された（結果）ときに、罹患している（原因）可能性 => ベイズの定理

P(罹|陽) = { P(陽|罹)\*P(罹) } / P(陽)

P(陽|罹) = 0.98
P(罹) = 0.0001
P(陽) = (0.0001 * 0.98) + (0.9999 * 0.20)

P(罹|陽) = 0.05 %

大量のデータから推定する

標本と推定

• 母集団 --- すべてのデータ
• 標本 --- 母集団から抽出した一部のデータ
• 推定 --- 標本を使って母集団の平均や分散を推測すること
• 点推定 --- 標本の平均も、母集団の平均も、同じだとみなす考え方

中心極限定理

「どんな分布でも標本平均の分布は正規分布である」

平均$\mu$、分散$\sigma^2$の母集団があるとき、母集団から「$n$個の標本」を「繰り返し」取り出したとき、標本平均（標本の値の総計/標本数）の分布は、平均$\mu$、分散$\sigma^2 / n$の正規分布に近づく。

$n$が大きくなるほど、標準正規分布に近づく。

これは、母集団の分布がどのような種類であっても成り立つ。

中心極限定理を活用すると、母集団の分布の種類や、母平均（母集団の平均）がわからなくても、「$n$個の標本」を「たくさん」集めることで、「母平均は 95%の確率で＊＊から＊＊の間にあります」と主張できるようになる。

正規分布のパーセント点

正規分布の端を ○％除く場合の標準偏差の値を「％点」という。５％点は一番よく使う。

両側	片側	パーセント点
1%点	0.5%点	-2.58, 2.58
5%点	2.5%点	-1.96, 1.96
10%点	5%点	-1.64, 1.64

一様乱数と正規乱数

• 一様乱数
  • 0 から 1 までの値が均等に出現するように生成される乱数
  • 標本の抜き出し等に使う
• 正規乱数
  • 平均が 0,標準偏差が 1 となるように生成される乱数
  • ニューラルネットワークの重み付けの初期値等に使う

確率分布の推定

機械学習においては母集団の分布は分からないので、「分布の推定」が必要

• ノンパラメトリックな手法 --- 一切の分布を仮定しない方法
• パラメトリックな手法 --- データが何らかの分布に従うと仮定する方法
  • 最尤（さいゆう）推定
  • ベイズ推定

複数の入出力をまとめて処理する

用語

• スカラー
  • 大きさのみを表す量
  • $2, -1, 1.5$など
• ベクトル・ベクター
  • 大きさと向きを持つ量
  • $\mathbf{a}, \mathbf{b}$など、太字のアルファベットで表現する。

ベクトルの表現

座標軸の数だけ並べて記述する。x,y,z の順などが一般的。

• 横ベクトル・行ベクトルでの表記
  • $\mathbf{a} = (2,1)$
  • $\mathbf{b}=(2,1,3)$
• 縦ベクトル、列ベクトルの場合
  • $\mathbf{a} = \begin{pmatrix} 2 \\1 \end{pmatrix}$
  • $\mathbf{b} = \begin{pmatrix} 3 \\2 \\1 \end{pmatrix}$

行列

ベクトルの表現は 1 行 or1 列だが、縦横方向にデータを並べたものを行列という。

$\mathbf{a} = \begin{pmatrix} 2 & 4 & 1 \\ 6 & 3 & 5 \end{pmatrix}$

用語

• スカラー　 0 次元
• ベクトル　 1 次元
• 行列　 2 次元
• テンソル　多次元

ベクトルの和

$\mathbf{a} = (3 \quad 2), \mathbf{b} = (1 \quad 4)$の和は

$\mathbf{a} + \mathbf{b} = (3+1 \quad 2+4) = (4 \quad 6)$

ベクトルの大きさ

$\mathbf{a} = (3 \quad 2)$の大きさは下記のように表す。

$|\mathbf{a}| = \sqrt{3^2 + 2^2} = \sqrt{13}$

ベクトルの内積

• $\mathbf{a}$の大きさに、$\mathbf{b}$が作る影の大きさを掛け合わせたもの
• 直角なら 0、反対方向ならマイナスの値になる

$\mathbf{a} \cdot \mathbf{b} = |\mathbf{a}| |\mathbf{b}| \cos \theta$

$\mathbf{a} \cdot \mathbf{b} = a_1 b_1 + a_2 b_2$

numpy だと下記のように計算できる。

a = np.array([2, 1])
b = np.array([-1, 2])
print(a.dot(b)) # => 0 (直角だから)

コーシー・シュワルツの不等式

• 内積の最大値は、$\mathbf{a},\mathbf{b}$が同じ向きのとき
• 内積の最小値は、$\mathbf{a},\mathbf{b}$が反対向きのとき

$-|\mathbf{a}||\mathbf{b}| \leqslant \mathbf{a} \cdot \mathbf{b} \leqslant |\mathbf{a}||\mathbf{b}|$