mono-kuro-palette’s diary

パソコンで仕事をしながら「これは知っておくと後々便利かな？」と思ったことをちょっとだけ詳しく調べて公開しています。

GoogleAIの勉強：4時間目「損失を減らす」②

4時間目「損失を減らす」の続きを始めていきましょう。 数学が苦手な人だと見たくなくなりそうなグラフとか数式が出てきますが、できるだけ「文系でもわかる」ように説明していきたいと思いますので、お付き合いください。 前回から損失を少なくするための方法を勉強しています。 （この灰色のラインの損失が一番少ないので、灰色の線の傾きを導けるようになれれば良い） 損失を少なくするためにはこの灰色の線の「傾き」を探らないといけないわけです。その方法の一つが「反復的アプローチ」です。機械学習においては一般的のようですが「場数を踏んで学習」していく感じです。では、どんなことをするのか詳しくみていきましょう。

続きを読む

GoogleAIの勉強：4時間目「損失を減らす」①

今回のGoogleAI講座は少し長いので、何回かに分けて見ていきたいと思います。テーマは「損失を減らす」期待値と実際の値の差が損失でしたがコレを少なくするのが今回の講座の目的のようです。

そのために必要なのが「モデルの訓練」であり、その良い方法は「反復アプローチ」なんです。

講座の概略

損失と傾きの関係をまずは押さえておきます。 まずはわかりやすくするために下の図を見てみましょう

なんかいろいろ書いてありますが、一つずつ見ていきましょう。 今回用に適当に作ったグラフですがまずは、XとYの関連を見てみます

なんとなくYが増えればXも増えるのはわかりますよね。ではXが「3.5」の場合にYはいくつになるのでしょう。これを予測したいとします。

続きを読む

GoogleAIの勉強：3時間目「MLへの降順」

GoogleAIの勉強も3時間目になりました。今回のタイトルは「MLへの降順」ということで「線形回帰」についても学ぶうです。

線形回帰は、一組の点に最もよく合う直線または超平面を見つける方法です。このモジュールは、線形回帰への機械学習アプローチの基礎を築く前に、線形回帰を直感的に調べます。 
ということですが、初耳の人にはなんのことだかさっぱりわかりません。詳しくは「統計学」の「線形回帰」を調べてみてください。

MLへの降順

では、改めて今回のビデオを見てみましょう。
出典：https://developers.google.com/machine-learning/crash-course/descending-into-ml/video-lecture
 
まず最初の例として「家の広さ（X軸）」から「家の価格（Y軸）」を予想するとします。
続いて、オレンジ丸を基準にして広さから価格を導く場合のグラフを入れてみます。
この場合の四季はY＝WX+Bとなります。Wは傾きですがこれは機械学習の中で導いてくのかな・・・？+Bは大丈夫ですね。
ここで「損失の概念」の説明がはじまります。オレンジの線上が予測値になりますが、残念ながら、点は上下にばらけています。
この差が「損失」というわけですが、これは小さいに越したことはないわけですね。
ちなみに世の中には便利な「損失関数」と言うものが存在しており。機械学習では「平均二乗誤差（MSE）」を使うことが多いそうです。Google検索などすると難しい式や解説がたくさんでてきますが、このあとの内容などを踏まえると （（1個目の点と予測値の差の2乗）+（2個目の点と予測値の差の2乗）+（n個目の点と予測値の差の2乗））/（点の個数） で出すことができ、この数字は小さい方が良いみたいです。
わかるようなわかならいような・・・整理するのに次のページを見てみます。
新しい例として、気温が高いとコオロギがよく鳴くという実験がでてきます。暑い日に泣くのは「セミ」というイメージですが、このあたりは国柄の違いなのでしょうか？
その関係をグラフにすると次のようになるみたいです。
出典：https://developers.google.com/machine-learning/crash-course/descending-into-ml/linear-regression
ここに各点を近似値線をくわえてみます。
出典：https://developers.google.com/machine-learning/crash-course/descending-into-ml/linear-regression
これを式にしてみると
　ｙ＝mx+b
で表すことができます。
ちなみに機械学習では
 
 
 
 
で表わすとのことです。実際。wとｘはいろいろな要素が入ってくるので、より正確にするためには
 
 
 
と、なるのだとか・・・これはガッチリ統計学なので、勉強していない人には難易度高めです。僕も現段階であまりピンと来ていませんが、まずは雰囲気を掴んでおきたいと思います。

訓練と喪失

続いて、わからないものをより難題にしていきます。ビデオのときに「損失」について触れていましたが、予測値と実際の差は「損失」になります。
出典：https://developers.google.com/machine-learning/crash-course/descending-into-ml/training-and-loss
例えば上の図で、左側は青線（予測）と実際の点の差が大きいですよね。右の図は少なくなっています。この差を少なくしていくのが「訓練」です。
さて、損失は二乗損失という計算方法で導くことができます。詳しい説明は省略しますが。あくまで機械学習では一般的に使用されいるだけで、実用的な損失関数というわけでもなく、あらゆる状況で最良の損失関数でもありません。とのことでした。

トレーニング

出典：https://developers.google.com/machine-learning/crash-course/descending-into-ml/check-your-understanding

問題

平均二乗誤差（MSE）が高いのは左右どちらのグラフか？

答え：

左のグラフ：
誤り・・・ライン上にある6つの例では、合計損失は0になります。ライン上にない4つの例は、それほど遠く離れているわけではないので、オフセットを二乗しても依然として低い値が得られます。
*1/10=0.4
 
右のグラフ：
正解・・・ライン上の8つの例では、合計損失は0になります。ただし、2つのポイントだけがラインから外れていますが、両方のポイントは、アウトリライアポイントの左の図の2倍です。二乗損失はこれらの差を増幅するので、オフセットが2の場合、オフセットの4倍の損失が発生します。
式
*2/10=0.8
 
全体として誤差は小さくしていきたいところですね。

*1:0*0)+(1*1)+(0*0)+(1*1)+(0*0)+(1*1)+(0*0)+(1*1)+(0*0)+(0*0

*2:0*0)+(0*0)+(0*0)+(2*2)+(0*0)+(0*0)+(0*0)+(2*2)+(0*0)+(0*0

GoogleAIの勉強：2時間目「フレーミング」

次は「フレーミング」です。こちらもビデオが用意されているので早速見てみましょう。

出典：https://developers.google.com/machine-learning/crash-course/framing/ml-terminology

動画の中身も日本語になるなんて、やっぱりGoogle翻訳すごいです。こちらの動画も1分40秒ほどとなっているので気合をいれて聞いていきます。 ここで扱われている例は迷惑メール。これを自動的に受信ホルダーに入れるか迷惑フォルダーに入れるかを判断するために、差出人やらヘッダー情報やらを参照するわけですが、まずは、どういうのが迷惑メールでどういうのが違うのかをデータから学習して予測していくことが機械学習の大枠ということみたいです。

MLの用語

械学習とは何ですか？MLシステムは、入力を結合して前に見たことのないデータに有用な予測を生成する方法

と、いうわけで機械学習を学習していく上で大切な用語があるようです。

ラベル

ラベルは「コレならコレ」という単純なもので、絵の中の動物の種類などが当てはまります。これをyとします

特徴

単純な機械学習プログラムであれば「コレならコレ」という単一ですが、高貴な（？）機械学習機能だと「コレとコレとコレがコウならコレ」のような数百万の機能を使用できます。 例えば、迷惑メールを判別するときも「本文・アドレス・送信時刻・迷惑メール特有のフレーズ」から「コレは迷惑メールだ！」と判断できるような感じです。

続きを読む

GoogleAIの勉強：1時間目「機械学習入門」

さて「初心者」を宣言し、さっそく講座を進めてみたいと思います。前回選択した「私は何も知らない初心者ですボタン」翻訳していないものは次の感じです。

出典：https://developers.google.com/machine-learning/crash-course/
これをクリックすると「StartLearning」に変わってここから講座が開始されるようです。
出典：https://developers.google.com/machine-learning/crash-course/

機械学習入門

さて、ビデオが表示される画面が出てきました。
（出典：https://developers.google.com/machine-learning/crash-course/ml-intro）
推定時間
  • 3分
学習目標
  • マシン学習をマスターすることの実際的な利点を認識する
  • 機械学習の哲学を理解する
動画を再生すると当然英語で再生がされますが、ここでGoogle翻訳の便利機能が力を発揮します。この動画には字幕機能があるわけですが･･･
（出典：https://developers.google.com/machine-learning/crash-course/ml-intro）
これをクリックすると字幕が表示されて、これも日本語に翻訳されます。
これは便利だGoogle翻訳。 （Google翻訳は、Chromeを使用した場合、ページ内の好きなところで右クリック▶日本語に翻訳をクリックです）
この動画の講師はPeter Norvigさん、2001年からGoogleで活躍されているとのこと。2001年といえば、今でもどこかで動いているといわれるMicrosoftの傑作「Windows XP」がでた時代です。草原と青空の壁紙が懐かしいと思う方も多いと思います。 そのときに既に「機械学習」の有用性を感じていたというのだから、世界にはすごい人がいるものです。2001年じゃOfficeにイルカがいた時代ですよ。 さて、本題に戻ります。
ここで学べるのは「機械学習の有用性」。といえばかっこよく聞こえますが、機械学習はこれからの時代にとても便利ですよ。ということみたいです。
 
機械学習▶機械が学習する▶おー便利！ってことでしょうか？
そのためにはビックデータも必要っぽいですね。
人間は、友だちを友だちとして認識して、言われたことを理解するということを無意識にやっているが、それをプログラミングで何とかしようとすると大変。だけど機械学習を使うとそれまでの学習の積み重ねで「経験」から「結果」を導き出せるようになるみたいです。
この下に、Google翻訳されたビデオの内容を入れておきます。
0:00 Machine Learning Crash Courseへようこそ。 0:03 私の名前はPeter Norvigです。私が2001年にGoogleに加わったとき、 0:07 私のタイトルは "Machine Learningのディレクター" 0:10 なぜなら私はMachine Learningが貴重なツールになることを知っていたからです 0:13 エンジニア、Google、その他のあらゆる場所で、 0:15 彼らのデータを理解する。 0:17 私は、ツールがどのくらい普及するのか、まったく予想していませんでした。 0:21 それらを使用することに熟練しているエンジニアにとってどれくらいの需要があるのか​​を示します。 0:25 このコースはあなたをパスに沿って設定するように設計されています 0:28 当業者に熟練した者になることを意味する。 0:31 ここで学ぶものは、ソフトウェアエンジニアとして、 0:35 3つのことをより良くする。 0:37 まず、プログラミングに費やす時間を短縮するツールを提供します。 0:41 私がスペルミスを修正するプログラムを書こうとしていたとします。 0:45 私は多くの例と経験則を通って自分の道を作ることができました。 0:48 Cの後を除いてEの前のIのように、 0:51 数週間の勤勉さの後、合理的なプログラムが思い付きます。 0:54 あるいは、私は既製の機械学習ツールを使用して、いくつかの例を与えたり、 0:59 時間のごく一部でより信頼性の高いプログラムを得ることができます。 1:03 第二に、それはあなたの製品をカスタマイズすることができます、 1:06 特定のグループの人々にとってより良いものにします。 1:09 手書きでコードを書くことによって私の英語のスペルチェッカーを作ったとしましょう。 1:14 それはとても成功して、私はバージョンを持っていたい 1:17 最も人気のある100の言語で 1:19 私は、各言語ごとにゼロからほとんど始める必要があります。 1:22 それは何年もの努力を要するだろう。 1:24 しかし、機械学習を使ってそれを構築した後、別の言語に移行すると、 1:28 最初の近似までは、単にデータを収集することを意味します 1:31 その言語でそれを正確に同じ機械学習モデルに供給することです。 1:36 第3に、機械学習は、プログラマとしてのあなたの問題を解決することができます。 1:41 手でやる方法がわからない。 1:44 人間として、私は自分の友人のことを認識する能力があります。 1:47 彼らの発言を理解し、理解するが、私はこれをすべて無意識に行う 1:51 あなたが私にそれを行うプログラムを書くように頼んだら、 1:54 私は完全に戸惑うだろう。 1:56 しかし、これらは機械学習アルゴリズムが非常にうまくいくタスクです。 1:59 私は何をすべきかをアルゴリズムに伝える必要はありません。 2:02 アルゴリズムの例がたくさんあり、そこからタスクを解決することができます。 2:07 今、機械学習をマスターするためのこれら3つの実用的な理由に加えて、 2:12 哲学的な理由があります。 2:15 機械学習は、あなたが問題について考える方法を変えます。 2:18 ソフトウェアエンジニアは、論理的かつ数学的に考えるように訓練されています。 2:22 アサーションを使用して、プログラムのプロパティが正しいことを証明します。 2:27 機械学習では、焦点は数学からシフトする 2:31 自然科学へ：私たちは、不確実な世界についての観測を行い、 2:35 実験を実行したり、論理ではなく統計を使用して、 2:39 実験の結果を分析する。 2:42 科学者のように考える能力は、あなたの視野を広げるでしょう 2:46 あなたがそれなしで探索することができなかった新しい領域を開く。 2:50 だから旅を楽しみ、幸せな探検。 （出典：https://developers.google.com/machine-learning/crash-course/ml-intro）
なんとなく面白そうではありますね

GoogleAIの勉強：コース選択

GoogleAIのオープニングも読み終えたところで、さっそく「Machine Learning Crash Course」からAIの勉強をすすめていきたいと思います。

 
前回「Machine Learning Crash Course」を開きましたが、一番上のリンクボタンから入っていきたいと思います。
出典：Machine Learning Crash Course
 

VIEW PREREQUISITES

ここでは「VIEW PREREQUISITES」を開いていきます。素直に「StartCrashCourse」でに良いのですが、そちらは英語の動画で解説を視聴できようで、中学英語ではまったく太刀打ちできないため、テキストでの解説があり、Google翻訳で何とかなりそうな「VIEW PREREQUISITES」を選びます。
出典：Machine Learning Crash Course
開いたページはもちろん英語なので、Goole翻訳さんに働いてもらいます。
前提条件とプレワークマシンラーニングクラッシュコースはあなたのために適切ですか？
  • 私は、機械学習の背景がほとんどまたはまったくありません。
  • 私は機械学習の背景を持っていますが、私はもっと最新かつ完全な理解をしたいと思います。
  • 私は機械学習を本当にうまく理解していますが、私はTensorFlowについてほとんどまたは全く知りません。
マシンラーニングクラッシュコースを開始する前に、次の前提条件とプレワークセクションを読んで、すべてのモジュールを修了する準備が整ったことを確認してください。 前提条件機械学習クラッシュコースは、機械学習における事前知識を前提としていません。ただし、提示された概念を理解し、練習を完了するためには、以下の前提条件を満たすことをお勧めします。 イントロレベル代数のマスター。変数や係数、線形方程式、関数のグラフ、ヒストグラムに慣れている必要があります。（対数や微分などの高度な数学の概念に精通していることは役に立ちますが、必須ではありません）。 プログラミングの基礎知識とPythonでのコーディング経験 Machine Learningクラッシュコースのプログラミング演習は、TensorFlowを使用してPythonでコーディングされてい ます。これまでのTensorFlowの経験は必要ありませんが、関数定義/呼び出し、リストと辞書、ループ、条件式などの基本的なプログラミング構造を含むPythonコードの読み書きは快適です。 注：参照の主要な概念とツールごとの基準材料で、機械学習のクラッシュコースで使用される数学やプログラミングの概念の詳細なリストについては、以下のセクションを。プレワークプログラミング演習は、Colaboratory プラットフォームを使用して、ブラウザで直接実行されます（設定は不要です）。Colaboratoryはほとんどの主要なブラウザでサポートされており、ChromeとFirefoxのデスクトップ版で最も完全にテストされています。エクササイズをオフラインでダウンロードして実行する場合は、ローカル環境を設定する手順を参照してください 。 パンダ入門機械学習クラッシュコースのプログラミング演習では、 データセットを操作するためにパンダライブラリを使用します。あなたがパンダに精通していない場合 は、演習で使用された主要なパンダの特徴を示すパンダチュートリアルのクイック入門を完了することをお勧めします。 低レベルのTensorFlowの基礎Machine Learning Crash Courseのプログラミング演習では、TensorFlowの高レベル tf.estimator APIを使用してモデルを構成します。最初からTensorFlowモデルを作成する場合は、次のチュートリアルを完了してください。 TensorFlow Hello World：低レベルのTensorFlowでコード化された「Hello World」。 TensorFlowプログラミングコンセプト：TensorFlowアプリケーションの基本コンポーネント（テンソル、演算、グラフ、およびセッション）のウォークスルー。 テンソルの 作成と操作：テンソルの簡単な入門：TensorFlowプログラミングの中心的な抽象化。また、線形代数における行列の加算と乗算についてのリフレッシャーを提供します。 主な概念とツール機械学習クラッシュコースでは、以下の概念とツールについて説明し、適用します。詳細については、リンクされたリソースを参照してください。 次のPythonの基礎については、「The Python Tutorial」を参照してください。
  • 位置パラメータとキーワードパラメータを使用して、関数を定義して呼び出す
  • 辞書、 リスト、 セット（作成、アクセス、反復）
  • forループは、 for複数のイテレータ変数（例えば、とループfor a, b in [(1,2), (3,4)]）
  • if/else条件ブロックと 条件式
  • 文字列フォーマット （例えば、'%.2f' % 3.14）
  • 変数、代入、基本データ型 （int、float、bool、str）
pass声明 中間Python 次のより高度なPythonの機能については、 The Python Tutorialも参照してください。
  • リスト内包
  • ラムダ関数
サードパーティのPythonライブラリ機械学習クラッシュコースコードの例では、サードパーティライブラリの次の機能を使用しています。これらのライブラリに事前に精通している必要はありません。必要なときに知る必要があるものを探すことができます。
  • Matplotlib（データ視覚化用）
  • pyplot モジュール
  • cm モジュール
  • gridspec モジュール
  • シーボーン（ヒートマップ用）
  • heatmap 関数
  • パンダ（データ操作用）
  • DataFrame クラス
  • NumPy（低レベルの数学演算の場合）
  • linspace 関数
  • random 関数
  • array 関数
  • arange 関数
  • scikit-learn（評価指標用）
  • メトリックモジュール
  • Bashターミナル/クラウドコンソール
ローカルマシンまたはクラウドコンソールでプログラミング演習を実行するには、コマンドラインでの作業が快適である必要があります。 （出典：Machine Learning Crash Course（翻訳））
なんかいろいろ書いてありました。ざっくりまとめてみた感じでは、
  1. 少しはプログラミング経験があった方が良いよ。
  2. TensorFlowというものを使うよ
  3. Colaboratoryを使うけど、ブラウザで動くから大丈夫だよ
という感じでしょうか。TensorFlowというのはGoogleさんが開発して公開している「機械学習ライブラリ」ということで、当然GoogleAIでも必要になるわけですね。もう少しいろいろ書いてある気がするのですが、途中でわからなくなったら帰ってこようと思います。 どちらにしても、プログラミングのベースは多言語とそれほど変わるとも思えないので、過去にCとかJAVAとかBASICをやったことがある人なら問題ないでしょう。やったことがなかったとしても、ここで覚えていければ良い気がします。

私は、機械学習の背景がほとんどまたはまったくありません。

出典：Machine Learning Crash Course（翻訳）
 
必要条件など見てきたので、もう一度一番上に戻りましょう、ここに3つの選択肢があります。
  • 私は、機械学習の背景がほとんどまたはまったくありません。
  • 私は機械学習の背景を持っていますが、私はもっと最新かつ完全な理解をしたいと思います。
  • 私は機械学習を本当にうまく理解していますが、私はTensorFlowについてほとんどまたは全く知りません。
どうやらレベルに合わせてコースが選べるようです。2番目と3番目の違いがわかりにくいのですが、このページを見に来ている人は迷わず一番上の「私は、機械学習の背景がほとんどまたはまったくありません。」を選択で良いかと思います。 GoogleAIを広めたいGoogleさんなので、さぞかし丁寧に教えてくれるのだろうと期待して、GoogleAIのレッスンスタートです！

GoogleAIの勉強：オリエンテーション

 

最近何かと話題のAIですが、なんでもGoogleがAIを無料で学べるプログラムを公開したということなので、ちょっと覗いてきました。

Learn with Google AI

最初に見るのは「Learn with Google AI」というサイト。もちろん全て英語です。ここで英語のわかるライターがいればきいの代筆を頼みたいところですが、そんなものは無いので（むしろ、こういうことをAIにやってもらいたい・・・）Google Chromeの翻訳の助けを借ります。

出典：Learn with Google AI

最近の翻訳は優秀なので、中学生レベルの英語しかわからなくてもなんとかなりますね。

Google AIで学ぶ：誰にでもML教育を利用可能にする  大学では、オイルリグで地球物理学インターンシップをしながら、ソフトウェアが未来であることを認識したので、私は専攻をコンピュータサイエンスに切り替えました。Googleで働いていた10年以上もして、私はAIがコンピュータサイエンスの未来であることに気がついたのと同じような瞬間がありました。今日、私は、AIとその利益をすべての人が利用できるようにするために、Googleの機械学習教育の取り組みをリードしています。AIは複雑な問題を解決することができ、産業全体を変革する可能性があります。つまり、AIは多様な人間の視点とニーズを反映することが重要です。そのため、Google AIの使命の一部は、研究者、開発者や企業、Abuなどの学生に、機械学習に興味のある人が成功するのを支援することです。AIが難しい問題を解決する方法を皆が理解できるように、私たちはLearn with Google AIというリソースを作成しました。このサイトでは、MLの基本概念を学び、MLのスキルを開発し、実践し、実世界の問題にMLを適用する方法を提供しています。高度なチュートリアルやTensorFlowの資料を探している深い学習の専門家から、AIで最初のステップを踏みたい "好奇心の猫"まで、GoogleのMLエキスパートから教育コンテンツを探している人は誰でもここで見つけることができます。Google AIで学ぶには、機械学習クラッシュコース（MLCC）という新しい無料コースもあります。このコースでは、エクササイズ、インタラクティブなビジュアライゼーション、およびインストラクションビデオを提供し、誰でもMLコンセプトを学び実践することができます。Googleのエンジニアリング教育チームは、当初、この急速に進歩した、Google社のMLファンダメンタルズの実用的な導入を開発しました。これまでに、18,000人以上のGoogle社員がMLCCに参加し、デイドリームデバイスのカメラキャリブレーションを強化し、Google Earthのバーチャルリアリティを構築し、YouTubeのストリーミング品質を改善するコースからのレッスンを受けました。GoogleのMLCCの成功は、誰もが利用できるようになるよう促しました。追加のコースやドキュメントを含むLearn with Google AIの方が多くあります。皆さんがAIについてもっと学ぶのを楽しみにしています。（出典：Learn with Google AI（翻訳））
いろいろ書いてありますが、三行でまとめると
 
  • AIって便利だけど難しいね
  • だから勉強ツール作ったよ
  • 頑張って勉強してね
といったところでしょうか？なにはともあれ、AIの勉強を支援してくれるツールを作ってくれたのはありがたいことです。 よくニュースなどで「将来AIが人の代わりに働いてくれる」とか「受付をAI化。人手不足に貢献」のような話題が取り上げられますが、便利な半面どこまで人間の代わりになってくれるんだろう？と、考えたりもしますが、「ドラ◎もん」とか「コ◎助」とか「テ◎ラ（知っている人は同年代）」世代としては、ぜひ有効活用されながら良い方向に進んでいってほしいなと思います。
と、いうことで準備してくれた勉強ツール「機械学習クラッシュコース（MLCC）」を覗いてみます。

機械学習クラッシュコース（MLCC）

GoogleAIの学習ツールとして紹介されている「機械学習クラッシュコース（MLCC）」ですが、こちらも期待を裏切らず英語です。もちろん中学校の英語レベルでは解読できないので、こちらも翻訳にかけたいと思います。
出典：機械学習クラッシュコース（MLCC）
機械学習クラッシュコースTensorFlow APIを使用する マシン学習のためのGoogleのペースの速い、実用的な紹介
  • クラシックコース
  • ビューの前提条件を開始する
意欲的な機械学習の実践者のための自習ガイド 機械学習クラッシュコースでは、ビデオ講義、実世界のケーススタディ、および実践演習を含む一連のレッスンを提供しています。 （中略） 機械学習の練習を始める準備ができましたか？ クラッシュコースでの基本的な機械学習の概念を学び、適用し、Kaggleのコンパニオンで実際の経験を得るか、Google AIで学ぶことでトレーニングリソースの完全なライブラリを調べることができます。
  • クラッシュコースを開始 
  • するGOOGLE AIで学ぶ 
なるほど。とりあえず25以上のレッスンがあるわけですね。で、15時間というのは・・・学習時間が15時間ですむということ？講演？なにか見れるのかな？ケーススタディということは実例が見れるのかな？動作中のアルゴリズムの対話型視覚化・・・うん。
詳しくはよくわかりませんが、とりあえずここからAIが学べるのは間違いなので、ここから学習ツールに沿ってAIを学習していきます。 一番下に青色の「ここを押せ」と言わんばかりの「クラッシュコースを開始 する」と控えめな「GOOGLE AIで学ぶ 」ボタンがあります。さぁ、15時間後にどんな世界が見えるのか楽しみです。