現場のプロに勝てない機械学習モデルを改善をします

機械学習は、高次の交互作用を無視しますので、現場のプロの想定内になり、そんな事知ってるよ。と言われます。（３次の交互作用くらいまでなら人でも学習します。） 深層学習は、高次の交互作用を活用しますので、想定外の結果になり、現場のプロを驚かせ、AutoMLを使っているライバルとの差別化が可能です。 ライバルに勝つには、多目的最適化モデルが必要です。 　品質とコスト等 単目的のモデルならば、AutoMLで十分です。 データ分析の三流は、綺麗な層別グラフを書いて、無限試行すれば、この場合の確率が高いで終わり。二流は、的中率の高い汎化モデルを作って終わり。一流は、品質とコスト等の相反する目的の最適解を見つけます。 AutoMLの時代に、機械学習だけを勉強されてもライバルに勝てません。 勝つためには、深層学習でモデルを作り、実験計画法等でシミュレーション、介入効果の出る変数を探索するモデルベース開発が必要です。 最近は、ハードの低価格化で、数十万回の机上実験が可能になり、 目標値を達成する打ち手の発見が可能になってきました。 （月２万程度で、並列計算が４０個可能） 他のセールスポイント １．深層学習の利点である特徴量エンジニアリング不要、が活かせ安価です。 　　何もチューニングせず、データ分析コンテストの中位に入ってきます。 ２．言語、カテゴリデータ混在が得意で、数値ベクトル化が安価に可能です。 　　製造、実験等の条件４M（材料、装置、方法、人）は、ほとんどがカテゴリデータです。 ３．フリーソフトのPyTorch_Tabularを使いますので安価です。