arXiVやDeepLearningフレームワーク、githubによってDeepLearningにおける技術の取得やノウハウ、コードの取得は容易になってきています。しかしいざ自社のプロダクトとして使いたい場合の戦略やアプローチについて得られる情報は少ないです。 本公演では第一部でノウハウ、データ、経験が少ない中で3ヶ月程度でvalidationデータで論文の性能83％を超える85％の性能（40カテゴリ分類）を達成した戦略について 第2部では具体的なケースとして3次元物体へのDeepLearning適用についての詳細についてお話します。 この公演であなたはExampleケースのDeepLearningしかできない状態から抜け出し、プロダクトへ適用するための確かな一歩が踏み出せることの手助けになる情報を取得できるはずです。

DeepLearningプロダクト作成のためのアプローチ方法の取得、短い期間でDeepLearningプロダクトを作成するための方法の取得

# 第1部 3次元物体へのDeepLearning適用のための戦略 ## 情報源の取得 今は情報源が多くあり、選択基準が定まっていないと適切な情報が得られない状態になっています。私が実際に行っている情報収集の方法をシェアすることで情報選択の基準や方法の参考になると思います。 ## 学習データの取得 DeepLearningの学習データは公開されているものもあるので私が実際に行ったデータの探し方をシェアいたします。 ## 小さく始める 大きなデータセットでいきなり学習を初めて数日後に悪い結果でしたとなると目も当てられません。 ここでは具体的にどのようなアプローチで小さなデータで始めたかをお伝えします。 ## 注力する方向を決める DeepLearningはやるべきことが多いです。不確実性の多いなかですべてのことはできないのである程度の割り切りが必要になります。私が行った取捨選択のアプローチをお伝えします。 # 第2部 3次元データへのDeepLearning適用 ## Deep Learning で制御できるもの Deep Learningは結果が精度の出るまで分からないものが多いですが精度の結果が出る前に分かることがあります。その点をシェアします。 ## 挑戦する回数を増やす 機械学習は失敗する回数が多いです。失敗の数を増やせることが成功への近道になります。失敗の数を増やすために行ったアプローチをシェアします。 ## パラメータチューニング 精度向上においてモデルの汎用性を向上とデータの汎用性を向上にお伝えします。 ## プロダクト ここまで来るとプロダクト化に入ります。現行の機能に影響を及ぼしにくくアップデートしやすい仕組みについてお伝えします。