今回は、ディープラーニング以外の機械学習手法などについて。
ディープラーニングを用いれば、人間が特徴量抽出を行わなくて済むため、大変便利なのですが、その分デ
ータ数が必要になったり、パラメータチューニングが大変になってしまうのというのが、私の考えであります。
実際、生産現場では、データ測定のためのインフラのない工程や設備も多々あるので、いきなり大量のデータを自動取得して、バリバリディープラーニングというわけにはいかないことも多いかと思います。
現実的には、まずは開発者が自ら、取れる範囲(数百〜千程度)のデータを取得し、SVMのような学習コストの低い手法で可能性を示すというようなステップが必要な場合もあるかと考えております。
となるとディープラーニングでは自動抽出できた特徴量も、自分で取得・算出し、その中から学習に使えそうなものを選定しなければなりません。
当然、取得すべき物理量は何か、特徴量をどう算出し、それがどのような物理的意味を持つのかがわかっていなければ、
やみくもにブームに乗って人工知能だ!!となってしまっていてもそれを使いこなすどころか、データ取得のためのインフラ整備すら予算が降りないのではと思うのです。
そのような考えもあって、私は統計学をベースとしたディープラーニングに頼るだけではなく、まずは信号処理やその他物理の法則を使いこなしてこそなのではと思うのです。
ご意見、ご質問、調べてほしいことなどあれば、コメントください。
励みになりますので、お気に入り登録もよろしくお願いいたします!