須多先生

解説動画では「機械学習」について説明されていましたね
いかがでしたか？

深田 あい

AIという言葉を いままでは何となく使ってました
でも AIには色々な種類があるんですね

徳井 天

特に 俺たちが今勉強してるAIは 機械学習と呼ばれる手法のことなんだな

須多先生

その通りです
機械学習は非常に広い範囲を持ち 多様な手法があります

徳井 天

シンプルな線形回帰から 複雑なディープラーニングってことか

徳井 天

じゃあ 今回はどんな機械学習の手法を使うんだろう？

須多先生

今回の新刊の予約数予測は 前回のイベント来場者数の予測と似ています
過去のデータから未来の数値を予測する問題ですね

須多先生

また 予測の理由を図書室の先生にも理解してもらう必要がある点も重要です

徳井 天

その理由がないと 図書室の先生も納得してくれないかもしれないもんな

須多先生

そうですね
目的変数と説明変数の関係を分析しやすい線形回帰 つまり回帰直線を描いて分析する方法を採用しましょう

深田 あい

線形回帰とディープラーニングはどちらも機械学習とのことですが 今回はディープラーニングは使えないのですか？

徳井 天

そうだよね
ディープラーニングの方が精度が高そうなイメージがあるけど

須多先生

確かに ディープラーニングは優れた手法ですが 今回は二つの問題があります

深田 あい

どのような問題があるのですか？

須多先生

一つ目はデータ量の問題です
ディープラーニングは複雑なため大量のデータが必要ですが 今回はデータが少なすぎます

須多先生

今回のデータは50件程度ですが ディープラーニングを有効に活用するには それでは少なすぎます

徳井 天

え そうなんだ

須多先生

データの量に正解はありませんが 経験から言えば最低でも数千件は必要です
より高い精度を求めるなら それ以上が必要になります

須多先生

また もう一つの問題点は AIの判断の解釈性です

深田 あい

解釈性って どういうことですか？

須多先生

ディープラーニングは複雑な仕組みのため AIの判断がなぜそうなったのかを説明するのが難しいのです
しかし 線形回帰のようなシンプルな手法は 理由を説明しやすいのです

徳井 天

そうか なぜそうなるのかを 今回のケースであれば図書室の先生に説明できなければ意味がないもんな

徳井 天

さっそく データを使って 回帰直線を描いて予測してみようよ

須多先生

少し待ってくださいね
その前に もう一つ重要なステップがあります
覚えていますか？

徳井 天

えーと なんだっけ？前に商店街のイベントを予測した時は…

深田 あい

あ もしかして 仮説を立てて検証する作業ですか？

須多先生

その通りです
仮説の立案と検証を行いましょう

徳井 天

なるほど 今回のデータから どんな仮説が考えられるかな

須多先生

では ここからはみんなで【スライド】を見ながら図書館の新刊予約に関する「仮説」を考えてみましょう