Vectorトップへ

ソフト詳細説明

ニューラルネットワークの強力かつ柔軟な学習能力を用いて多変量データを分析するために、ニューラルネットワークを用いた手法の一つである自己組織化マップ(SOM:Self Organised Map)による学習環境を提供します。SOMはコホネン教授(Teuvo Kalevi Kohonen, Dr. Eng)によって提案されたニューラルネットワークのモデルです。

深層学習では、正解データ(教師データ)を必要とするバックプロパゲーションが用いられます。あらかじめ正解データを用意しておくことが必須です。正解データを得ることは自動化が難しく、昨今では更に多くのデータとその正解データを必要としています。そのため、「自己教師あり学習」と呼ばれるアルゴリズムが提案され、教師データの不足を補う努力が払われています。

一方、自己組織化マップSOMは教師データを必要としない学習方法です。教師データ無しで学習するというと、疑問に思われるかもしれませんが、データを解析して何か有用な情報が把握できるということは、そもそも元のデータの中に抽出できる情報を持っていたということです。欲しい情報はデータの中に埋もれており、この情報を引き出し可視化することがSOMの働きです。SOMはデータの僅かな差異や傾向をつぶさに拾い集めて、似たような情報を持つデータのクラスタを形成します。

SOMの学習能力の高さや柔軟性を多変量データの分析に適用します。Javaで実装された学習分析用Javaデジタル学習構築環境DaiJa Ver.4(Digital-learning Aide Instrument by JAva)により、SOMによる制御の一部始終を、実際にプログラムを実行して体験することができます。ニューラルネットワークの挙動をつぶさに観察し把握することで隅々まで納得することにより、SOMの仕組みが解き明かされ、そのすべての知見を自身のものとすることができます。

SOMによる学習状況や分類結果を体験し理解するためには可視化ツールが必須になりますが、DaiJa Ver.4のプロジェクト・フォルダには、強力で使い勝手の好い可視化環境を提供するツールとしてSOMビューワが組み込まれています。従って、Javaが実行できるコンピュータさえあれば、SOMを実行し分類問題を体験することが可能です。そして、Java言語という非常に強力で広範な応用力を備えたプログラミング環境により、誰もがSOMを拡張し、自身の目的に応じて使えるようにできると考えています。

動作環境