IoT技術メモ②

1. フォールド領域とインフラストラクチャ領域
2. 垂直型IoTシステムと水平型IoTシステム
3. 逐次収集方式
4. ポーリング方式
5. 直接制御、ロングポーリング、ウェイクアップ
6. NoSQL
7. 回帰分析、決定木分析、主成分分析、クラスター分析
8. 教師あり学習
9. 強化学習とは
10. 深層学習、層の数、CNN,RNN、DQN

フォールド領域とインフラストラクチャ領域

フィールド領域とインフラストラクチャ領域とは、IoTシステムの全体構成における機能的な区分である。

• フィールド領域はデバイスと集計されるデータと集約機能であるゲートウェイです。
• インフラストラクチャ領域は収集・加工を受け持つIoTサーバやクラウドです。

IoTのプラットフォームには垂直/水平という考え方があります。

• 垂直型は業種特化したオーダーメードのものです。
• 水平型は幅広い業種に対応する基本的なプラットフォームで、必要に応じてカスタマイズする汎用的な作りになっています。

論文より...M2Mシステムにおけるデータ収集の方式の提言

データ収集方式には3つある

1. 逐次収集
2. 蓄積データ収集
3. 区間集約データ収集

システム稼働のチェックのための方式。また、イベントの適時処理のため。

• ポーリングはホストが機器に定期的に問い合わせを行うこと。ネットワーク機器に過剰な負荷を与えないように開発された仕組み
• 割り込みは「イベントが発生した瞬間」に通知を受ける仕組みです。事前に各イベントに対する処理方法を設定しておくことで、その処理を即座に実行することができます。

直接制御、ロングポーリング、ウェイクアップ

IoT遠隔制御の5方式のうち重要なモノ

1. 直接制御方式
2. ポーリング方式
3. ロングポーリング方式
4. 双方向通信方式
5. ウェイクアップ方式

NoSQLとは、柔軟なデータモデルを備えた高性能の非リレーショナルデータベースです。データモデルは、ドキュメント、グラフ、キー値、インメモリ、検索などです。

基本的にはJSONで保存されるデータです。クエリは基本的にオブジェクトベースのAPIを通して、メモリ内部のデータ構造の保存と取得を行う。

ビッグデータを分析する際にはいくつかの分析手法を用いることが不可欠である。

• 回帰分析は、「はい」「いいえ」という二択に物事を落としこみ、ある事象の発生確率を予測する手法です。アウトプットが確率ですので、0-1の間の数値になります。購買予測などのマーケティング領域で用いられます。
• 決定木分析は、一つの原因に対し仮説を繰り返すことで、経過を何通りかのパターン化することです。成果物は枝分かれしたモデル図で示されるので、決定木と呼びます。リスクマネジメントに用います。
• 主成分分析は、多くの要因（変数）がある場合、似た要因を少数の要因（主成分）に集約させることで、データを分析しやすくする手法です。要因が多すぎるとデータ分析が複雑化し、分析しにくくなります。そのため、データ分析の前に分析しやすいデータに整えるのが主成分分析です。ブランディングに用います。
• クラスター分析は、いろいろな性質のものが混じり合って存在しているなかで、対象を類似性によりグループに分類し、その属性を分析する手法です。作成したグループを「クラスター」といいます。ブランディングに用います。

教師あり学習

機械学習は、教師アリと教師なしの二つのパターンが存在する。

• 教師アリは、「入力データ」と「正解データ」がセットになった訓練データです。コンピュータに対して大量の「入力データ」と「正解データ」を投入することでコンピュータが入力データの特徴を読み取り、正解データを学習します。正解がある問いを機械に解かせる感じです。

強化学習

機械学習には教師アリと教師なしがあるが、もう一つに強化学習が存在します。

ゲームなどに用いられるが、行動の価値を最大化させることを学習します。

変数を状態・行動・報酬の三つに分けて、未来の報酬を最大化する行動をとりたい。

行動のアルゴリズムは「モンテカルロ法」「Q学習」「Sarsa」です。

深層学習とは、データの入力から出力をいくつかの層に区別することで人間の神経を模したアルゴリズム。特徴量や組み合わせをAIが自動決定していく仕組み。4層からがDNN。DQNはDeep Q-Networkといって、Q学習とは、ある状態のときにとったある行動の価値を、Qテーブルと呼ばれるテーブルで管理し、行動する毎にQ値を更新していく手法です。学習時にはQテーブルを更新していくことで、学習済みモデルはQテーブルとなります。