最終更新日: 2024/5/24

①言語

• Python
  データ分析、機械学習、深層学習、ファイルやフォルダの操作、簡単なアプリ開発
  【使用経験のあるフレームワークやライブラリ】
  os, glob, shutil, re, Pandas, Numpy, scipy, matplotlib, seaborn, plotly, scikit-learn, LightGBM, Catboost, Pytorch, Prophet, YOLOv8, OpenCV, Transformers, Peft, Streamlit, SHAP, LangChain

• SQL
  Googleデータアナリティクスプロフェッショナル認定で基礎を学習
  BigqueryからSQLを用いてデータの抽出し、GoogleColab上でPythonを用いて分析した経験有

• R
  Googleデータアナリティクスプロフェッショナル認定で基礎を学習
  【使用経験のあるパッケージ】
  tidyverse, gglot2

②開発ツール

• Git, GitHub
  アプリ開発はGitの環境下で行い、ブランチを切って、アプリに機能を追加しています。

• Linux
  基本コマンド
  アクセス権限の変更
  ファイルのバッシュ化
  シェルスクリプト（学習中）

• AWS（学習中）

• SolidWorks認定試験（CSWA）(2019年11月取得)
• 日本情報処理検定 表計算2級(2022年2月取得)
• 日商簿記2級(2022年5月取得)
• GoogleDataAnalyticsProfessional認定(2024年4月取得)

• GoogleCyberSecurityProfessional認定（2024年5月取得）

ROC AUCスコアが0.81で、再現率と適合率が比較的高いCatboostモデルを構築しました。また、特徴量の重要度をSHAP分析を用いて可視化しました。 そして、分析結果をStreamlitを用いてアプリ化しました。

機械学習を用いたタイタニック号乗客の生存確率分析

Kaggle分析ノートブック

データの出典元

RSMEスコアが0.055で比較的精度が高いLightgbmモデルを構築しました。また、特徴量の重要度をSHAP分析を用いて可視化しました。そして、分析結果をStreamlitを用いてアプリ化しました。

機械学習による米国住宅価格の予測

Kaggle分析ノートブック

データの出典元

PyTorchを使用してオリジナルの畳み込みニューラルネットワークを構築し、画像分類を行いました。モデルの精度は77.5%で、結果をStreamlitで可視化しました。

オリジナルニューラルネットワークによる猫と犬の画像分類

Kaggle分析ノートブック

データの出典元

PyTorchのDenseNetを用いた転移学習による画像分類を行い、精度は89.8%でした。結果はStreamlitで可視化しました。

転移学習による花の画像の分類

Kaggle分析ノートブック

データの出典元

・YOLOv8を用いて画像と映像から物体検出を行うアプリを開発しました。
・検出対象は3つで、2つの検出でmAP=約0.9という高い精度を実現しました。
・結果をStreamlitでアプリ化し、ブラウザ上で簡単に操作できます。

ヘルメット着用促進システム

下記のリンクから動画検出も含めたアプリにアクセスできますが、環境によっては動画が再生されない可能性があります。
因みに、Windowsのブラウザでは動画を再生できませんでした。一方で、iphone環境では動画を再生することができました。
アプリで動画を確認できない方は分析結果報告スライドのfig07をご確認ください。

ヘルメット着用促進システム(映像検出結果付)

分析結果報告スライド

データの出典元①

データの出典元②

• この分析はxmlファイルで提供されたannotation情報をYOLOv8モデルに入力できる形式に変更することを目的に行いました。
• ファイルの形式を変更してYOLOv8モデルに入力してモデルを学習させることができました。
• 精度はあまりよくなく、mAP=0.49という結果でした。
• mAPが学習の途中から上昇しなくなったので過学習を起こしている可能性があると考察しました。
• 過学習を起こさないためのモデルの詳細な設定などはまだ習得できていないのでこれから勉強していきたいです。

Kaggle分析ノートブック

データの出典元

• annotation情報をCOCO形式からyolo形式に変更してYOLOv8に学習させる課題

GitHubリポジトリ

データの出典元

• annotation情報をcsv形式からyolo形式に変更してYOLOv8で学習させる課題

GitHubリポジトリ

データの出典元

BERTをPeftでファインチューニングを行い、自然言語分類モデルを構築しました。モデルはF1スコア0.91を達成し、再現率と適合率のバランスが良い結果となりました。

Kaggle分析ノートブック

データの出典元

LangChainとStreamlitを用いて、ChatBot形式のAI心理カウンセラーを開発ました。
このアプリケーションは、2つの目的で開発しました。
1つ目は、プロンプトエンジニアリングを学習することです。
2つ目は、就労移行支援事業所の支援員の方たちのAIアシスタントを作ることです。
支援員の方たちは「面白くて、実用的です。」と言ってくださいました。

AI心理カウンセラー

分析結果報告スライド

分析ノートブック

データの出典元