初回は1章からスタートします。

開催趣旨

本勉強会では、AIや機械学習の知識や実装力を高めていくことを目的とし、AIや機械学習関連の書籍を一冊取り上げ、毎週1回一章ずつ読み進めていく予定です。オンライン勉強会では約1時間で、参加者同士の質問・意見交換やディスカッションを中心に進めていきます。

『機械学習を解釈する技術 〜予測力と説明力を両立する実践テクニック』（森下 光之助 著, 技術評論社, 2021年8月）
※ 書籍はご自身で入手のうえ、ご参加ください。

参加対象者

• AIや機械学習の理解と実装力を高め、業務や研究に活用した社会人・学生・研究者の方
• Pythonの基礎的な文法やJupter Notebook、Google Colaboratoryの基本的な使い方を習得されている方
• オンラインで参加可能な方

参加方法

お申込みいただいた方に、事前にzoomの招待リンクを送付させていただく予定です。

勉強会の進め方

• その日に取り扱う章を前もって各自ご自身で読み進めておいてください。
• 勉強会では皆で書籍の内容を確認ながら、ポイントごとに立ち止まり、zoom・Slack等で疑問点をぶつけ合い、意見交換し、理解を深めていければと思います。

※ 一人が資料準備してきて一方的にレクチャーする形式ではなく、参加者同士インタラクティブにディスカッションしながら進めていきます。

書籍の内容紹介

（参照：https://www.amazon.co.jp/gp/product/429712226X/ ）

以下、上記URLの内容紹介から抜粋

(概要) 機械学習の研究開発が急速な勢いで進んでいます。理論研究はもちろん、機械学習手法が実装されたオープンソースのパッケージ開発も進み、それらを実務で利用するためのノウハウも蓄積されてきています。結果として、機械学習をはじめたばかりの入門者でも比較的高い精度の予測モデルを構築できるようになりました。
Deep Learning, Gradient Boosting Decision Tree, Random Forestなどの機械学習モデルは高い予測精度を誇りますが、モデルの解釈性が低いという欠点があります。これらの複雑なブラックボックスモデルにおいて、モデルがなぜそのような予測を行っているのかを知ることは困難ですが、データ分析者自身がモデルの振る舞いを把握し、説明責任を果たすことを実務においては頻繁に求められます。
本書では、このような予測精度と解釈性のトレードオフを克服するための手法について、実務において特に有用と考えるものを厳選して紹介します。本書の構成は以下になります。
・1章:機械学習の解釈性とは
・2章:線形回帰モデルを通して「解釈性」を理解する
・3章:特徴量の重要度を知る〜Permutation Feature Importance〜
・4章:特徴量と予測値の関係を知る〜Partial Dependence〜
・5章:インスタンスごとの異質性を捉える〜Individual Conditional Expectation〜
・6章:予測の理由を考える〜SHapley Additive exPlanations〜
2章では極めて高い解釈性を誇る線形回帰モデルを通して、予測モデルに求められる解釈性について説明します。以降の4つの章では、それらの解釈性をブラックボックスモデルに与えるPFI, PD, ICE, SHAPと呼ばれる手法について解説します。
本書は機械学習の解釈手法を実用して頂くことを目的としています。Pythonでゼロから手法を実装することを通じて解釈手法のアルゴリズムを理解し、実データの分析を通じて解釈手法の勘所を押さえて頂きます。機械学習の解釈手法は強力な反面、使い方を誤ると間違った結論を導いてしまう危険もあります。本書では解釈手法を実用する際の注意点についても丁寧に触れています。

(こんな方におすすめ)
・機械学習エンジニア、データ分析者

(目次)
1章 機械学習の解釈性とは
1.1 機械学習の解釈性を必要とする理由
1.2 予測精度と解釈性のトレードオフ
1.3 機械学習の解釈手法
1.4 機械学習の解釈手法の注意点
1.5 本書の構成
1.6 本書に書いていること、書いていないこと
1.7 本書で用いる数式の記法
1.8 本書のコードを実行するためのPython環境
1.9 参考文献
2章 線形回帰モデルを通して「解釈性」を理解する
2.1 線形回帰モデルの導入
2.2 線形回帰モデルが備える解釈性
2.3 実データでの線形モデルの分析
2.4 線形回帰の利点と注意点
2.5 参考文献
3章 特徴量の重要度を知る〜Permutation Feature Importance〜
3.1 なぜ特徴量の重要度を知る必要があるのか
3.2 線形回帰モデルるにおける特徴量の重要度
3.3 Permutation Feature Importance
3.4 Leave One Covariate Out Feature Importance
3.5 Grouped Permutation Feature Importance
3.6 特徴量重要度は因果関係として解釈できるか?
3.7 訓練データとテストデータのどちらで予測精度を評価するべきか
3.8 実データでの分析
3.9 PFIの利点と注意点
3.10 参考文献
4章 特徴量と予測値の関係を知る〜Partial Dependence〜
4.1 なぜ特徴量と予測値の関係を知る必要があるのか
4.2 線形回帰モデルと回帰係数
4.3 Partial Dependence
4.4 Partial Dependenceは因果関係として解釈できるのか
4.5 実データでの分析
4.6 PDの利点と注意点
4.7 参考文献
5章 インスタンスごとの異質性をとらえる〜Individual Conditional Expectation〜
5.1 なぜインスタンスごとの異質性をとらえる必要があるのか
5.2 交互作用とPDの限界
5.3 Individual Conditional Expectation
5.4 Conditional Partial Dependence
5.5 ICEの解釈
5.6 実データでの分析
5.7 ICEの利点と注意点
5.8 参考文献
6章 予測の理由を考える〜SHapley Additive exPlanations〜
6.1 なぜ予測の理由を考える必要があるのか
6.2 SHAPのアイデア
6.3 協力ゲーム理論とShapley値
6.4 SHapley Additive exPlanations
6.5 SHAPの実装
6.6 実データでの分析
6.7 ミクロからマクロへ
6.8 SHAPの利点と注意点
6.9 参考文献 付録A: Rによる分析例〜tidymodelsとDALEXで機械学習モデルを解釈する〜
A.1 tidymodelsとDALEX
A.2 データの読み込み
A.3 tidymodelsによる機械学習モデルの構築
A.4 DALEXによる機械学習モデルの解釈
A.5 まとめ
A.6 参考文献
付録B: 機械学習の解釈手法で線形回帰モデルを解釈する
B.1 なぜ機械学習の解釈手法で線形回帰モデルを解釈するのか
B.2 線形回帰モデルとPFIの関係
B.3 線形回帰モデルとPDの関係
B.4 線形回帰モデルとICEの関係
B.5 線形回帰モデルとSHAPの関係
B.6 まとめ
B.7 考文献
」

学習Note共有サービス『Leranavi』

プログラミングやITの分野に特化して学習Noteを共有できるWebサービス・Learnaviをリリースしました。よろしければぜひご活用ください。

• 学習Note共有サービス『Leranavi』

参加者同士の質問・情報交換

Scribble Osaka Lab（SOL）のSlackワークスペースで、参加者同士の質問・情報共有用チャンネルを設けております。参加ご希望の方は、申込みフォームで招待メール送り先のEmailアドレスをお教えください。

その他

ソレイユデータ道場については、公式HPやFacebookページをご参照ください。

公式HP：https://soleildatadojo.com/
Facebookページ：https://www.facebook.com/soleildatadojo/