# 4年目

この記事は[Kogakuin Advent Calendar 2018](https://adventar.org/calendars/2917) 1日目です.

初めましての方は初めまして お久しぶりの方はお久しぶり
コーガくんこと古賀です
Twitterは @takt0909 でツイートしていません. 完全に告知のみ扱いになっています．

この記事を書いているのは2018.11.30で明日から12月ということに絶望しながら執筆してます. そして`b`のキーの反応が悪くなって途中から書くのが適当になりました.

---

みなさん, コーガくん知ってますか? 私は詳しく知りません. 記憶が確かだと工学院大のマスコットで，ロケットの生まれ変わりでこのマスコットの着ぐるみの中が蒸し暑いくらいの記憶しかありません．

今日は`Python`というプログラミング言語を用いて簡単に`コーガくん`が写っているか写っていないかを分類するプログラムを書いていきたいと思います.

>
>[コーガくん＆クイーンちゃん](https://www.kogakuin.ac.jp/admissions/about/koga.html)

**時間あったら後でしっかりと書きます**
<s>もちろん!
プログラミング初心者でもわかりやすいように説明する(予定だった)ので, ぜひお家でやってみてください.</s>

## はじめに

現在, 巷で`人工知能・AI`や`DeepLearning`という言葉を耳にしたことがある学生も多いと思います. Amazonの`この商品を買った人はこの商品も買っています`みたいに"購入した商品"と一緒に買われた商品を画面に表示して薦めてくる「レコメンドシステム」やスマートフォンやカメラ越しに人物を撮るときに顔を認識してくれる「認識システム」など私生活のありとあらゆるところで`いわゆるAIってやつ`が使われています.

`人工知能・AI`というとターミネーターやドラえもんを想像する人も一部いるかもしれませんが, そういった類だけでなく, `人間がその全認知能力を必要としない程度の問題解決や推論を行うシステム`のことも指してたりします.(※)

今回扱うコーガくんが写っているか写ってないかを分類するプログラムも昔は難しい問題でした. コーガくんを犬に置き換えてみます．
>犬を知らない人に対して犬とはなんですか? と説明するときに耳があって四足歩行で... と説明すると猫と勘違いするかもしれません．
>つまり猫と勘違いしないように犬だとわかるよう**パターン**を説明しなければなりません．そしてそれをコンピュータに教えることは難しかったのです. 昔は

「パターン認識」という分野はコンピュータに次の画像は犬ですと教え, 次の画像は犬ではありません と教える. つまりコンピュータに犬の画像と犬でない画像を大量にインプットすることによって**自動**で「犬のパターンを取得」する技術がパターン認識なのです.

犬を言葉で説明できない人も写真に犬が写ってるか写ってないかわかるように，コンピュータも犬が写ってるか写ってないかわかるようになるのです！
この「パターン認識」という技術も`人工知能・AI`の分野の一つと言われてたりします.

では, 次にこの「パターン認識」技術を用いて実際にコーガくんが写ってるか写ってないか分類するプログラムを書いてみましょう.

## 準備
### プログラムを動かす環境作り
プログラムを書くときに一番めんどくさいのが，自分のパソコン上にプログラムできる環境を作ることです．例えば今回の場合だと`Python`をダウンロードしてきたりしないといけない.
そんなのめんどくさい👿
そこで今回はGoogleが提供しているブラウザ上で動く環境`google colaboratory`を用いて「コーガくんを分類するプログラム」を書いてみたいと思います．

まずは`google colaboratory`で検索してみましょう.

そして,[Google Colaboratory](https://colab.research.google.com/notebooks/welcome.ipynb?hl=ja)にアクセスします.
この際にGoogleアカウントでログインしておくことを忘れずに!

次にファイルから`Python3の新しいノートブックをひらく`をクリックしてください.

そして, こんな画面が出たらokです.

`google colaboratory`はweb上でpythonができるので非常に便利です. ぜひ色々使ってみて遊んでください.

### コーガくんの画像集め
次にコンピュータに教える`コーガくん`の画像を用意しないといけません．
Googleで`コーガくん`と画像検索すると画像が出てくるので保存します.(※)
※ 今回は画像を保存せずにURLをメモするだけにします. 本格的にやる場合には必要

### プログラム
(後で書く)
今回は巷で流行りの`DeepLearning`ではなく簡単に`SupportVectorMachine:SVM`を用いてコーガくんかどうか分類します.

> 今回は画像をネットから取得してきて,64x64のサイズにリサイズします. その後, 主成分分析:PCAに入力するために画像を64x64x3次元の画像を1次元に変換します.
> その後, PCAに入力して64x64x3次元の画像を2次元に変換する.
> 最後に, SVMに2次元の情報とその答えを教えてコンピュータに学習させます.

実際に先ほど用意した`Google Colaboratory`に下記のコードをコピー&ペーストして▶︎を押して実行してみてください. (多分動きます)

動かすと次のように可視化できます. この赤い点がこーがくんの特徴量，緑の点がこーがくん意外の画像の特徴量です. そして，この線より上だとコーガくんと判定し下だとそれ以外と判定する境界線. この境界線をコンピュータに今回は学ばせました👏

import numpy as np
from sklearn import svm

from PIL import Image
import requests
from io import BytesIO

imgs = []
label = [] # 0:コーガくん, 1:コーガくんじゃない 
urls = []

#使う画像リスト(".jpg じゃないとダメ")
koga_urls = [
    # コーガくんの画像
    #"https://www.kogakuin.ac.jp/admissions/about/cbr7au0000057gv4-img/71kogakun300.gif",
    "http://www.yurugp.jp/img/uploads/character/650/00001267.jpg",
    "https://pbs.twimg.com/media/BW1VNCmCAAMo6Xv.jpg",
    "https://pbs.twimg.com/media/CsHpZ58VIAAPM2b.jpg",
    "https://pbs.twimg.com/media/BUpWtmECAAAZbZ9.jpg",
    "https://cdn.mainichi.jp/vol1/2015/07/29/20150729org00m100012000p/51.jpg",
    "https://pbs.twimg.com/media/DYssADQVwAEuuUl.jpg",
]
urls += koga_urls
label = [0 for _ in range(0,len(koga_urls))]

not_urls =[
    # コーガくんじゃない画像
    "http://www.yurugp.jp/img/uploads/character/650/00003918.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003774.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003772.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003771.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003770.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003769.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003768.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003767.jpg",
    "http://www.yurugp.jp/img/uploads/character/650/00003850.jpg"
]
urls += not_urls                     
label += [1 for _ in range(0,len(not_urls))]

h, w = 64,64
data = np.zeros((len(label),h,w,3))

for idx,url in enumerate(urls):
  response = requests.get(url)
  img = Image.open(BytesIO(response.content))
  img = img.resize((64,64))
  img = np.asarray(img)/255.
  data[idx] = img

train_x = data.reshape(len(data),64*64*3)
train_y = np.array(label)


# 次元圧縮
from sklearn.decomposition import PCA, RandomizedPCA 
pca=PCA(n_components=2)
X = pca.fit_transform(train_x)

# 分類アルゴリズム
from sklearn.svm import LinearSVC
clf = LinearSVC()
clf.fit(X, label) 


# 可視化
plt.scatter(X[:,0],X[:,1],cmap=plt.cm.RdYlGn,c=[i for i in label])
x = np.linspace(-50,100,50)
plt.plot(x, -(x*clf.coef_[0][0] + clf.intercept_[0])/clf.coef_[0][1], c='k',label="prediction border")
plt.legend()
plt.show()

### 予測
実際に先ほど作成したプログラムに今までコンピュータに勉強させなかった新しい画像を渡して`コーガくん`の写っている画像がどうか判断してもらいます.

# 予測したい画像のURLを添付
# sample(コーガくん)
#url = "http://www.kogakuin-koyukai.jp/kogakuin/wp-content/uploads/2018/10/03834b-150x150.jpg"
#url = "https://pbs.twimg.com/media/DYssADQVwAEuuUl.jpg"
# sample(Not コーガくん)
url = "http://www.yurugp.jp/img/uploads/character/650/00003750.jpg"

# 前処理
response = requests.get(url)
img = Image.open(BytesIO(response.content))
img = img.resize((64,64))
img = np.asarray(img)/255.
# 次元圧縮
test = pca.transform(img.reshape(1,64*64*3))

# 予測結果: koga→コーガくん etc→その他
result = clf.predict(test)
print(label2name[result[0]])


一応, コーガくんかそれ以外かを分類できるようになりましたー

※一部画像入力するとエラー吐くらしいので直します.. すまそ
`ValueError: could not broadcast input array from shape (64,64,4) into shape (64,64,3)`

## おわりに
どうでしたか? 今年が4年目になります. 不幸なことにまだ枠が空いているので書いていただける方大募集です.. てか助けてください.

プログラミングというと小難しいイメージがあると思いますが, 文部科学省によると2020年以降に小学校からプログラミング教育必修化を盛り込んだ学習指導要領改定案が発表されていたりと難しいと言ってられなくなってきたりします.
そして英語も小学校から始めてるのにできない人が多いのにプログラミングなんて大丈夫なんでしょうか?
嫌いになったりしないでしょうか? なんて考えてしまいます. 私は英語できません.

そんなことより.

明日は,工学院大卒の社会人2年目のOBの記事です．楽しみですね♡