2019年07月13日

G検定の受験レポート (2019年7月)

G検定: JDLA Deep Learning for GENERAL に合格しました (2019年7月)
公式ページ: https://www.jdla.org/business/certificate/
 
G検定は社団法人日本ディープラーニング協会(JDLA)が主催する試験です。
G検定は現在のところ民間資格に近く、情報処理技術者試験のような経産省認定や、
統計検定のような学会認定は受けていないようです。
 
JDLAは人工知能業界の著名人である東京大学の松尾教授を理事長として、
研究機関(大学など)と企業(ABEJA社,Brainpad社など)が協力して運営している組織です。
 
 
■試験概要
 
・出題範囲
 機械学習の歴史、各種アルゴリズムとその特徴、時事問題などが問われます。
 G検定はジェネラリスト向けの試験のため、数学的な話は少なく、
 プログラミング方法などについてもほとんど出題されません。
 (エンジニア向けにはE検定という別試験があります)

・出題レベル 
 高校三年生程度の数学力があれば十分合格可能です。
 
・試験形式
 Web試験であり、試験中のノート参照や Google検索もOKです。
 後述する公式参考書にも「試験中にWeb検索しましょう」と書いてあります。
 (しかし1問30秒ペースで答えてゆく試験なので、ある程度は暗記しないと間に合いません)
 
 
■教材
・公式テキスト / 公式問題集 / 公式参考書 
 
 
・模擬テスト (運営会社とJDLAの関係性は不明)
 http://study-ai.com/generalist/
  
 
■勉強の仕方
・公式テキストを2週読み、公式問題集を2週解きました。
・AI白書も購入したものの、膨大な量で読む時間がありませんでした。
・模擬テストは受けませんでした。

※Kindle版の落とし穴
 試験中にノート参照・Web検索が可能なため、
 それを見越してテキスト等の書籍はKindle版を購入しました。
 しかしKindle内の検索速度が遅く、検索ヒット率も悪いため、
 結局テキストファイルでまとめノートを作成することにしました。
 
 
■試験当日

・受験環境
 PCを2台用意し、1台を回答用、もう1台を検索用としました。
 検索用PCには、自分でまとめたノートと Webブラウザ(検索用)を表示。
 
・出題内容
 公式テキストと公式問題集で、5割以上は得点できる内容でした。
 その他は時事問題や法律問題が多く、事前に学習しておくことが難しい内容でした。
 試験中に Web検索してページ内容を瞬時に把握して回答、という作業が多く発生し、
 時間との戦いになりました。
 
 
■所感
 
・おすすめです
 公式テキストが読み物として面白く、公式問題集も解きやすくて楽しい試験でした。
 試験当日は時間との戦いが大変なものの、試験中に検索して学んだことも多く、
 得るものの多い試験だったように感じています。
 
・合格者イベントも楽しみ
 G検定合格者が集まる会が定期的に開催されているようです。
 参加することで最新事例を知ることができそうです。

・統計検定との相性も良い
 統計検定の方が数学寄りなので、統計検定→G検定の流れなら
 スムーズに学習できると思います。
 
 
posted by Takashi Inoue at 23:13| Comment(0) | 資格試験

2019年05月19日

書籍: ディジタル画像処理


 
画像処理を体系的に解説した一冊。
 
実務で Deep Learning を利用した画像認識システムを提案をすると、
導入済システム・対抗馬として「画像処理」と呼ばれるものが挙げられることが多い。
そのため DLと「画像認識」を比較する際の論点を整理する目的で、本書を購入した。
 
本書ではディジタル画像の歴史・撮影方法・後処理・分析・出力まで
多岐にわたる知識が体系的に紹介されているため、これから画像認識を使った
システム・ビジネスに関わる人にはぜひお勧めしたい。
説明が丁寧なだけでなく、レイアウトも美しいため、ストレスなく読み進めることができる。

本書の目次は以下の通り。
11章が先述の「画像認識」、12章がDLを含む機械学習の解説となっている。

 01. イントロダクション
 02. ディジタル画像の撮影
 03. 画像の性質と色空間
 04. 画素ごとの濃淡変換
 05. 領域に基づく濃淡変換(空間フィルタリング)
 06. 周波数領域におけるフィルタリング
 07. 画像の復元と生成
 08. 幾何学変換
 09. 2値画像処理
 10. 領域処理
 11. パターン・図形・特徴の検出とマッチング
 12. パターン認識
 13. 動画像処理
 14. 画像からの3次元復元
 15. 光学的解析とシーンの復元
 16. 画像符号化
 付録. 画像処理の歴史、知的財産権

本書は 公益財団法人 画像情報教育振興協会 が主催する
「画像処理エンジニア検定(エキスパート)」という資格の標準テキストとのこと。
知識の定着のために受験するのも良いかもしれない。
https://www.cgarts.or.jp/kentei/about/img_engineer/
 
posted by Takashi Inoue at 21:43| Comment(0) | 書籍

2019年05月14日

[Python] AutoML Vision で Pascal VOC Dataset を利用する

Pascal2VisionCSV.png

Google Cloud の機械学習サービス AutoML Object Detection で
Pascal VOC 形式の Dataset を使うためのスクリプト (Pascal XML→Vision CSV変換)
https://github.com/itak0101/Python-Tips/blob/master/PascalXMLtoVisionCSV.py

Reference:
[1] The PASCAL Visual Object Classes Homepage
[2] CSV File Format (AutoML Vision Object Detection)

 
posted by Takashi Inoue at 21:52| Comment(0) | メモ

2019年04月14日

書籍: ゼロから作るDeep Learning


 
深層学習の入門書
 
プログラミングに関する記載が中心と思いきや、原理についても極めて丁寧に解説されている。
プログラミングに馴染みの無い方が、原理部分だけを読むだけでも十分に価値があるだろう。
(理工系大学の1年生程度の数学知識があれば読み進められるはず)
 
本書は深層学習の基本的な仕組みを解説した後、
畳み込みネットワークによる画像処理(分類)について原理と実装方法が紹介される。
(物体検知やセグメンテーションについては概要を述べるのみである)
かゆいところに手が届く丁寧な解説が素晴らしい。
 
本書を読んで、深層学習という分野は、理学的な美しい理論体系・アプローチというよりは、
工学的な面白さ・ゲームのやり込みプレイのような世界観というような印象を受けた。
 
続編として自然言語処理編も出ているようなので追って読んでゆきたい。
 
--- 目次 ---
1. Python入門
  Pythonのインストール、基礎文法、ライブラリ
 
2. パーセプトロン
  単層パーセプトロンの原理と限界
 
3. ニューラルネットワーク
  活性化関数、出力層
 
4. ニューラルネットワークの学習
  損失関数、勾配法
 
5. 誤差逆伝播法
  逆伝播の原理(連鎖率)、活性化/Affine/SoftMaxレイヤ
 
6. 学習に関するテクニック
  パラメータの更新方法、重みの初期値、Batch Normalization
  正則化、ハイパーパラメータの検証
 
7. 畳み込みニューラルネットワーク
  畳み込み層・プーリング層・可視化・代表的なCNN
 
8. ディープラーニング
  層を深くするメリット・小歴史・高速化・実用例・今後
 
posted by Takashi Inoue at 16:59| Comment(0) | 書籍

2019年03月28日

sqlite3.exe を利用した CSVインポート/エクスポート

sqlite3exe.png

: インポート先(AAAテーブル)を空にする
"sqlite3.exe" "SQLite3.db" "DELETE FROM AAA"

: CSVインポート (import.csvのヘッダ行は事前に除去しておく)
"sqlite3.exe" -separator , "SQLite3.db" ".import import.csv AAA"
 
: CSVエクスポート
"sqlite3.exe" "SQLite3.db" ".header ON" ".mode csv" ".output export.csv" "SELECT * FROM AAA"
 
: 不使用領域の開放(メモリ最適化)
"sqlite3.exe" ".vacuum"
 
pause
 
タグ:SQL bat
posted by Takashi Inoue at 19:00| Comment(0) | メモ