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)
![認定バッジ](google1.png)
- GoogleCyberSecurityProfessional認定(2024年5月取得)
![認定バッジ](google2.png)
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。
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。
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。
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。
・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。
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。
- 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。
- 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
- 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
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。
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。