WEBVTT 00:00.740 --> 00:01.670 お帰りなさい。 00:01.670 --> 00:07.070 だから私たちは、 フィーチャー・エンジニアリングという、 徹底的に不愉快で不愉快な仕事をしてきた。 00:07.070 --> 00:09.110 とてもグロテスクな、 あー、 仕事だ。 00:09.110 --> 00:11.990 でも、 正直言って、 今でもちょっと楽しいんだ。 00:11.990 --> 00:17.360 しかし、 それはかなり、 かなり、 かなり、 かなり、 厄介で、 データに深く入り込む必要がある。 00:17.360 --> 00:25.730 データセットに含まれるアイテムの重みを計算し、 重みがわからない場合は平均的な重みを入力する。 00:25.940 --> 00:30.980 それでは、 各アイテムのベストセラーランキングを見ていきましょう。 00:31.190 --> 00:36.110 そこで、 その特徴からベストセラーランキングを集めてみようと思う。 00:36.230 --> 00:48.860 アマゾンの商品は複数のベストセラーリストにランクインすることができるからだ。 00:49.010 --> 00:53.600 ええと、 それで、 また何かやろうと思っているんだ、 とてもラフで準備万端なんだけどね。 00:53.600 --> 00:59.090 また、 複数のベストセラーリストに掲載されている場合、 あるリストで1位、 別のリストで10,000位にランクインしている場合は、 00:59.090 --> 01:03.350 その平均を取るだけである。 01:03.380 --> 01:07.460 私たちは、 5000ドル付近のものを取るつもりだ。 01:07.760 --> 01:14.540 ええと、 だから、 これは......ええと、 すべてちょっとした推測なんだ。 01:14.630 --> 01:16.190 試行錯誤の繰り返しだよ。 01:16.190 --> 01:19.670 伝統的なデータサイエンスは、 実はこのようなものなのだ。 01:19.670 --> 01:23.270 これからわかるように、 現代のデータサイエンスも同様である。 01:23.270 --> 01:25.250 試行錯誤はいくらでもある。 01:25.280 --> 01:29.750 通常、 このようなテクニックで行うのは、 たくさんの機能を試すことだ。 01:29.750 --> 01:33.980 平均をとってみてもいいし、 ベストをとってみてもいい。 01:33.980 --> 01:37.640 そして、 これらの機能をすべて押し込んで、 どれが勝つかを見るんだ。 01:37.670 --> 01:39.920 さて、 今回は平均値を選ぶことにする。 01:39.920 --> 01:45.380 しかし、 もしあなたにその気概があり、 この、 私が言うのもなんだが、 機能を掘り下げるという少し嫌な作業を楽しんでいるのであれば、 01:45.380 --> 01:48.560 さらにいくつかの機能を試してみてほしい。 01:48.560 --> 01:56.720 最低ランクでも最高ランクでも、 好きなものを入れてみて、 何が一番シグナルになるか試してみてください。 01:57.110 --> 01:59.600 だから、 私たちの場合は平均順位を選んだ。 01:59.600 --> 02:00.740 ただやるだけだ。 02:00.740 --> 02:05.360 そして、 ウエイトでやったのと同じトリックをやるんだ。 02:05.360 --> 02:14.520 平均ランクの平均を調べることになるが、 38万人というちょっと不思議な数字になった。 02:14.520 --> 02:21.240 そして、 ランクを取得しようとするデフォルト関数でランクを取得する。 02:21.240 --> 02:27.180 もしランクがない場合は、 トレーニング・データ・セットの平均ランクが表示される。 02:27.390 --> 02:28.230 オーケー。 02:28.230 --> 02:32.490 そしてもうひとつ、 これまで触れなかった機能をミックスに加えようと思う。 02:32.580 --> 02:41.310 ええと、 お察しかもしれませんが、 テストプロンプトの長さはどのくらいですか? 02:41.340 --> 02:46.980 覚えていらっしゃるかどうか分かりませんが、 2、 02:47.010 --> 02:56.130 3日前、 あるいはほんの1日前、 赤い点がたくさん並んだ散布図がありました。 02:56.130 --> 03:00.390 そして、 それを視覚的に見ると、 わずかながら相関関係があるように見えた。 03:00.420 --> 03:02.070 たぶん、 私が立てたんだと思う。 03:02.070 --> 03:06.350 それをちょっと覗いて、 ああ、 もうないんだ、 と確認すればいい。 03:06.380 --> 03:07.700 もう片付けたよ。 03:07.700 --> 03:10.370 走ったのなら、 自分で振り返ってみなければならない。 03:10.580 --> 03:15.590 もう一度、 あの赤い図を見てもらえれば、 私の言っている意味がわかると思う。 03:15.710 --> 03:17.690 そこには若干の相関関係がある。 03:17.690 --> 03:19.820 だから、 それを加えよう。 03:19.850 --> 03:23.630 テキストの長さを取得しよう。 03:24.320 --> 03:27.740 そして最後はブランドについて。 03:28.130 --> 03:31.940 まず、 最も一般的な40銘柄を見てみよう。 03:31.940 --> 03:34.730 だから、 前と同じやり方で、 すべてを数え上げる。 03:34.760 --> 03:39.500 最も一般的な40のブランド。 03:40.820 --> 03:43.280 最も一般的な40ブランドを見てみよう。 03:43.280 --> 03:44.510 それがこれだ。 03:45.080 --> 03:53.120 そして、 ここでお気づきになるのは、 私はあまり知識がないのですが、 自動車関連のブランドがいくつかあることです。 03:53.120 --> 03:54.500 あなたの方が詳しいかもしれない。 03:54.500 --> 03:54.920 そうかもしれない。 03:54.950 --> 03:56.180 あなたは私がトリックを見逃していると思うかもしれない。 03:56.210 --> 04:01.370 その場合は、 その機能を作って追加し、 04:01.370 --> 04:05.630 どうなるか見てみるべきだ。 04:05.780 --> 04:09.020 残念ながら、 私にはその分野の専門知識はないんだ。 04:09.170 --> 04:15.920 トップ・エレクトロニクス・ブランドと呼ばれる小さなカテゴリーに、 HP、 デル、 レノボ、 04:15.920 --> 04:25.700 サムスン、 アスース、 ソニー、 キャノン、 アップル、 インテルなど、 ここから抜き出したものをこのカテゴリーに押し込んだ。 04:25.700 --> 04:29.660 そして、 トップ・エレクトロニクス・ブランドという特徴を教えてくれた。 04:29.660 --> 04:32.630 そして、 これはまた私が1つの特集を組んだものだ。 04:32.630 --> 04:34.640 たくさんの機能を思いつくことができるだろう。 04:34.640 --> 04:36.800 いろいろなブランドを選ぶことができる。 04:36.800 --> 04:38.780 いくつかの自動車ブランドを選ぶことができる。 04:38.780 --> 04:41.390 好きなだけ機能を作ることができる。 04:41.390 --> 04:49.100 回帰モデルは、 どの特徴が実際にシグナルを与えるかを決定するからだ。 04:49.280 --> 04:56.480 だから、 あなたにとって楽しい競争は、 機能を生み出し、 手作りの機能でどれだけうまくやれるかを見ることだ。 04:56.600 --> 05:00.500 もう1つ、 先ほど述べた重要な観察をしておこう。 05:00.500 --> 05:06.650 私は車の専門知識がないので、 自動車ブランドを抜き出すことはできない。 05:06.650 --> 05:11.450 つまり、 この種の伝統的なデータサイエンスでは、 データサイエンティストは、 05:11.450 --> 05:18.050 自分たちが研究している領域について強い知識を持っていることが重要だったのだ。 05:18.080 --> 05:22.580 製品に携わるのであれば、 さまざまな製品について理解する必要がある。 05:22.580 --> 05:30.290 さまざまな自動車メーカーについて理解する必要があったし、 成功する可能性が最も高いのはどの機能をエンジニアリングすればよいかを知る必要があったからだ。 05:30.320 --> 05:39.260 ディープ・ニューラル・ネットワークや最新の機械学習、 最新のディープ・ラーニングの不思議で驚くべき点は、 05:39.260 --> 05:46.070 どの特徴が重要かをモデルが自ら見つけ出すことだ。 05:46.070 --> 05:52.820 そのため、 あなたや私のようなデータサイエンティストには、 05:52.820 --> 06:02.420 モデルを構築していた分野の深い専門知識が必要ではなくなりました。 06:02.420 --> 06:14.540 そして、 彼らは何十億ものパラメーターを持っており、 そのすべてのパラメーターの理解力を使ってビジネスエリアについて学ぶことができる。 06:14.540 --> 06:22.880 しかし、 その昔、 フィーチャー・エンジニアリングでは、 自分自身でそれを理解し、 トップエレクトロニクスやブランド機能のようなものを作らなければならなかった。 06:22.880 --> 06:26.120 そして、 そのすべてがこの機能へとつながっている。 06:26.150 --> 06:27.710 特徴をつかめ。 06:27.740 --> 06:40.220 この辞書には、 重さ、 ランク、 テキストの長さ、 そしてトップ・エレクトロニクス・ブランド(1か0)が入っている。 06:40.490 --> 06:48.650 これが、 この最初のモデルの特徴だ。 06:48.650 --> 06:50.660 私たちが作っている最初の本格的なモデルだ。 06:50.660 --> 06:59.510 そして、 どうか、 これを夢の特集にするために時間を費やしてほしい。 06:59.510 --> 07:02.150 ええと、 エンジニアリングの機能でどれだけうまくやれるか見てみよう。 07:02.150 --> 07:03.830 そして、 おそらくかなりうまくやれるだろう。 07:03.950 --> 07:06.890 うーん、 でも、 これから起こることにあなたが太刀打ちできるとは思えない。 07:06.890 --> 07:08.180 しかし、 試してみてほしい。 07:08.390 --> 07:08.600 今すぐだ。 07:08.600 --> 07:10.190 ベストを尽くせ。 07:10.190 --> 07:14.630 でもこの後、 次のビデオでは実際に走るんだ。 07:14.630 --> 07:19.760 従来の機械学習モデルを実行し、 その結果を見る。 07:19.760 --> 07:20.990 それではまた。