[解析結果とPythonコードあり] 転移学習 (Transfer Learning) を用いたデータ解析

シェアする

転移学習 (Transfer Learning) について、パワーポイントの資料とその pdf ファイルを作成しました。どんなシチュエーションで転移学習が使えるのか、そして転移学習により本当にモデルの精度は向上するのか、数値シミュレーションデータや実際のスペクトルデータを解析した結果もあります。

pdfファイルはこちらから、パワーポイント(pptx)ファイルはこちらからダウンロードできます。

興味のある方はぜひ参考にしていただき、どこかで使いたい方は遠慮なくご利用ください。

転移学習の Python コードはこちらに公開します。

https://github.com/hkaneko1985/transfer_learning

[NEW] DCEKit で便利に転移学習を利用可能です。scikit-learn に準拠したモデルになっていますので、cross_val_predict, GridSeachCV なども利用可能です。デモンストレーションもあります。

DCEKit (Data Chemical Engineering toolKit) を PyPI にリリース!
これまで化学データ・化学工学データのデータ解析に役立つツールや金子研で開発された手法に関する Python コードを Github にて公開...

今回紹介する転移学習は、任意の回帰分析手法と併用して用いることができます。Python コードではデモンストレーションとして、スライドにおける数値シミュレーションデータの解析や、スペクトルデータの解析の結果を再現できるようになっています。

スライドのタイトル

  • どんなときに転移学習が有効か?
  • 何を “転移” させるか?
  • 2 種類のデータセットを有効に活用しよう!
  • 一般的な解析
  • 転移学習
  • 転移学習で期待すること
  • 数値シミュレーションデータで確認!
  • 比較した手法
  • ケース1
  • ケース2
  • 実際のデータセットで検証
  • 想定したシチュエーション1
  • 結果1
  • 想定したシチュエーション2
  • 結果2
  • 考えごと

参考文献

以上です。

質問やコメントなどありましたら、twitter, facebook, メールなどでご連絡いただけるとうれしいです。

シェアする

フォローする