こちらのセミナーに参加してきました。
（箇条書きのメモですので、文字だけだと不明な部分も多いです）
・講演者プロフィール
木田 昌宏 氏
機械学習エンジニア・データサイエンティスト
・今日の話
人-モノ-情報 をつなげる
・マッチングとは
モノの特質と人の特質を紐付けること
・似合う
出会う→似合う（フィットする）
・レコメンドとマッチング
ほぼ同じ
最終的な決定をユーザーに委ねるかどうかの違い
・マッチングシステム
結局、その人の選択が基礎になっている
履歴を元にしている
・伝統的な理論
協調フィルタリング：行動履歴をもとにする
内容ベースフィルタリング：特質をもとにする
一般的には：ミックスが多い
・機械学習とデータサイエンスはちがう
データサイエンスはデータの可視化
大事なのは観点
データをもとにシステムを作るのが機械学習
・数学的な方法は2つ
コサイン類似度：特質が似ているものをマッチング
相関係数：異質をマッチング、ただ異質の定義はサービスによる
・機械学習で出来ることは3つ
分類：何かと何かを分ける
回帰：何かをもとに線引をする
生成：何かを作る
・具体例１
stitch fix
モノ（服）と人（ユーザー）のマッチング
人（スタイリスト）と人（ユーザー）のマッチング
・具体例２
youtube
「あなたへのおすすめ」というコーナーがある
ディープニューラルネットワークを用いた推薦システム
人（ユーザー）の特徴と情報（曲）の特徴を結びつける
特徴をベクトル化することがポイントになってる
・特徴の捉え方は2つ
ベクトルで捉えるか
スカラで捉えるか（IDもフラグもスカラ）
・人工知能
1つのCPUでは限界があった
並列処理技術が進歩して、複数のPCをつなぎあわせることができた
そして、人間の脳に近いことができるようになった
・機械学習がGPUを使う理由
ベクトル演算に適しているから
機械学習の内部はベクトル演算をしているだけだから
・現実問題
理想は、全ての情報をベクトル化して保存すること、でもそうすると人間が見て判断できない
実際は、スカラ（フラグなどの値、特徴タグ付け）が必要
・マッチング方法（仮にAとBのマッチング）
Aと似たものをつなげる
Aの特質でつなげる
×
Bの特質で分類する
Bの特質で回帰する
・で、何がいいの
履歴データをもとに分類×属性データをもとに回帰
例）20歳の女性とメールしている→20代女性が好きな人と分類
特質（年齢）ををもとに、
・アルゴリズムは万能じゃない
全てを解決できるアルゴリズムはない
どちらかというと、データの前処理が大事
その「特性」をどう定義するか、が重要
・個別最適と全体最適
八方美人だとみんなとマッチングして、競争率が高くなり、マッチングしない問題
その場合、「許容量」という値を設定してはいる
