OkayStudy
JA English 한국어 日本語 中文 हिन्दी বাংলা اردو Español Português Français Deutsch Русский العربية Bahasa Indonesia Tiếng Việt ไทย Türkçe

通知を有効にする方法

このブラウザーまたはアドレスでは通知を利用できません。対応ブラウザーで安全な接続のBaeumNovaサイトを開いてください。

通知がブロックされている場合は、ブラウザーの設定で許可してください。

  1. アドレスバー横のサイト設定、またはブラウザーのサイト設定を開き、このサイトの通知を許可に変更してください。
  2. 端末の設定でブラウザーの通知を許可し、おやすみモードや集中モードを確認してください。
  3. BaeumNovaに戻ってページを再読み込みしてください。通知が有効になるとベルは表示されなくなります。

iPhoneやiPadではBaeumNovaをホーム画面に追加し、そこから開いて通知を許可してください。

ゲスト

ログインすると、あなたのレッスン予定を確認できます。

はじめよう

一歩ずつ始める英語レッスン

ステップを押すとその画面へ移動します。

無料体験

  1. 無料体験の講師を選ぶ

    写真に[無料体験]が付いた講師を押します。

  2. プレゼントの印がある時間を押す

    時間割でプレゼントの絵がある無料の時間を押します。

  3. ログインして予約する

    ログインするとすぐ予約されます。お支払いはありません。

  4. カメラ&マイクテスト

    授業の前にカメラとマイクを確認しましょう。

  5. 予約したレッスンを確認

    予約したレッスンの時刻と講師を確認します。

  6. レッスンに入室

    時間になったらビデオ教室に入ります。

  7. 過去のレッスンを確認

    終わったレッスンの記録を見返します。

  8. 講師を評価

    レッスンが終わったら講師を評価します。

自己紹介

  1. プロフィール写真を登録

    写真があると講師があなたを見分けやすくなります。

  2. 自己紹介を書く

    自己紹介掲示板にあいさつを書きましょう。

レッスンを受ける

  1. レッスンを予約

    気に入った講師の時間割から予約します。

  2. PayPalでレッスン料を支払う

    PayPalで支払います。PayPalが確認するとすぐにレッスンが予約されます。

  3. 予約したレッスンを確認

    予約したレッスンの時刻と講師を確認します。

  4. レッスンに入室

    時間になったらビデオ教室に入ります。

  5. 過去のレッスンを確認

    終わったレッスンの記録を見返します。

  6. 講師を評価

    レッスンが終わったら講師を評価します。

例から学び、自分で間違いを直すAIを作る

例を間違えるたびに自分でを直す小さなを、ファイル1つで作ります。この画面でそのまま実行して、wが0から2に変わるのを確かめましょう。

学習するデータ

今回のがするは次のとおりです。

入力正解
12
24
36
48

私たちの目には「入力の2倍」という規則が見えます。にも、このデータを使ってその関係を学習させましょう。学習が終わったら、学習に使っていない5と7を入れて予測を確かめます。

計算の枠組み — モデル

まず、プログラムに次のような計算の枠組み、つまりモデルを決めてあげます。

予測値 = 入力 × w

w はプログラムが学習しながら変えていく数値です。このような値をと呼び、このように入力に掛ける値をと呼びます。

最初は w = 0 から始めます。

入力 3 → 予測 0 → 正解は 6 → 差が大きい!

学習を繰り返して w が 2 に近づくと、次のようになります。

入力 3 → 予測は約 6 → 正解とほぼ同じ!

人は計算の枠組みと例のデータを用意し、プログラムはデータに合う w を見つけます。

コード — mini_ai.py

下のを mini_ai.py という名前で保存してください。この画面では[実行]を押すと、の中のがすぐに動かします。コードを書き換えて、もう一度実行してもかまいません。

[実行]を押すと、ブラウザ用のPythonを準備します。初回だけ約12MBをダウンロードします。

# 1. 学習データ: (入力, 正解)
data = [(1, 2), (2, 4), (3, 6), (4, 8)]

# 2. 最初は規則を知らない状態から始めます。
weight = 0.0
learning_rate = 0.01

# 3. 全データを見ながら100回学習します。
for step in range(100):
    gradient = 0.0

    for x, answer in data:
        prediction = weight * x       # 今の重みで予測
        error = prediction - answer   # 正解とどれだけ違うか
        gradient += 2 * error * x     # 修正する向きと大きさ

    # 全データの結果を集めて、重みを少し修正します。
    weight -= learning_rate * gradient / len(data)

    if step + 1 in [1, 10, 50, 100]:
        print(f"{step + 1}回目の学習: w = {weight:.4f}")

# 4. 学習に使っていない入力で予測します。
print(f"入力 5 の予測: {weight * 5:.4f}")
print(f"入力 7 の予測: {weight * 7:.4f}")

実行結果

[実行]を押すと、ここに結果が表示されます。

自分のパソコンで実行する

ファイルを保存したフォルダで、次のコマンドで実行します。

python3 mini_ai.py

実行結果

実際に実行して確かめた結果です。数値は小数点以下4桁まで表示しています。

1回目の学習: w = 0.3000
10回目の学習: w = 1.6063
50回目の学習: w = 1.9994
100回目の学習: w = 2.0000
入力 5 の予測: 10.0000
入力 7 の予測: 14.0000

最初は0だった重みが、学習を経て約2になりました。この重みを使って新しい入力の答えを計算することを、予測またはといいます。

コードで押さえたい3つのポイント

error どれだけ外れたか
予測値から正解を引いた値です。学習では、このを2乗した値の平均が小さくなるように重みを調整します。
gradient 重みをどう変えるべきか
誤差を減らすのに必要な修正の向きと大きさを計算します。この方法をといいます。2 * error * x は、このモデルのをして得た式です。微分を完全に理解していなくても、まずは実験できます。
learning_rate 一度にどれだけ変えるか
ここでは 0.01 です。小さすぎると学習が遅くなり、大きすぎると重みが大きく揺れたり、学習に失敗したりすることがあります。
霧のかかった草の丘を、ハイカーが点線の道にそって一歩ずつ下り、谷の旗に向かっている。すみの小さなグラフには、下がっていく曲線がある。
勾配降下法は、霧の山で足もとのかたむきだけを感じながら、一歩ずつ下りていくのに似ています。かたむきが gradient、一歩の大きさが です。すみの曲線のように、誤差が一歩ごとに小さくなります。

自分で実験してみよう

1つずつ変えて、もう一度実行してみてください。[読み込んで実行]を押すと、変更したコードが上のエディタに入り、すぐに実行されます。

  1. データを「3倍」の関係に変える

    data = [(1, 3), (2, 6), (3, 9), (4, 12)]

    残りのコードはそのままにして実行してください。今度は重みが約3に学習されるかを確かめます。

    確認した結果を見る
    1回目の学習: w = 0.4500
    10回目の学習: w = 2.4094
    50回目の学習: w = 2.9991
    100回目の学習: w = 3.0000
    入力 5 の予測: 15.0000
    入力 7 の予測: 21.0000
  2. 学習回数を減らす

    for step in range(10):

    100回学習したときと比べて、予測がどれだけ不正確になるかを比べます。

    確認した結果を見る
    1回目の学習: w = 0.3000
    10回目の学習: w = 1.6063
    入力 5 の予測: 8.0313
    入力 7 の予測: 11.2438
  3. 例から完璧な規則をなくしてみる

    data = [(1, 2.1), (2, 3.9), (3, 6.2), (4, 7.8)]

    データが少しずつずれていても、全体としてよく合う重みを見つけられるかを見てみます。

    確認した結果を見る
    1回目の学習: w = 0.2985
    10回目の学習: w = 1.5982
    50回目の学習: w = 1.9894
    100回目の学習: w = 1.9900
    入力 5 の予測: 9.9500
    入力 7 の予測: 13.9300

次の課題 — 入力 × w + b

このモデルが表せるのは、入力 × w という形の比例関係だけです。たとえば 入力 × 2 + 3 を学習するには、モデルを 入力 × w + b に広げ、w と b の2つの数値を学習する必要があります。b と呼びます。

上の実験を理解できたら、まずは自分でコードを書き換えてみてください。行き詰まったら、下の解答を開いてください。

解答コードを見る

は 入力 × 2 + 3 で作った (1, 5), (2, 7), (3, 9), (4, 11) です。2つの数値を学習するので、学習率を 0.05 に上げて1000回学習します。

# 1. 学習データ: 入力 × 2 + 3 で作った (入力, 正解)
data = [(1, 5), (2, 7), (3, 9), (4, 11)]

# 2. 重み w とバイアス b をどちらも 0 から始めます。
weight = 0.0
bias = 0.0
learning_rate = 0.05

# 3. 全データを見ながら1000回学習します。
for step in range(1000):
    grad_w = 0.0
    grad_b = 0.0

    for x, answer in data:
        prediction = weight * x + bias    # 今の w と b で予測
        error = prediction - answer       # 正解とどれだけ違うか
        grad_w += 2 * error * x           # w を変える向きと大きさ
        grad_b += 2 * error               # b を変える向きと大きさ

    # w と b を一緒に少しずつ修正します。
    weight -= learning_rate * grad_w / len(data)
    bias -= learning_rate * grad_b / len(data)

    if step + 1 in [1, 10, 100, 500, 1000]:
        print(f"{step + 1}回目の学習: w = {weight:.4f}, b = {bias:.4f}")

# 4. 学習に使っていない入力で予測します。
print(f"入力 5 の予測: {weight * 5 + bias:.4f}")
print(f"入力 7 の予測: {weight * 7 + bias:.4f}")
1回目の学習: w = 2.2500, b = 0.8000
10回目の学習: w = 2.6082, b = 1.2119
100回目の学習: w = 2.1565, b = 2.5399
500回目の学習: w = 2.0004, b = 2.9989
1000回目の学習: w = 2.0000, b = 3.0000
入力 5 の予測: 13.0000
入力 7 の予測: 17.0000

w は最初 2 を超えますが、b が大きくなるにつれて 2 に戻り、最後は w = 2、b = 3 になります。

予約できる時間が過ぎました

リエンと音声で会話 言語とテーマを選んで、リエンと声で話しましょう

リエンは English · 한국어 · 日本語 · हिन्दी で声に出して話します。ほかの言語は文字で答えます。

リエンとの音声会話は会員だけが使えます。まず会員登録をしてください。