常連

注目の的

社会貢献

質問力

前提・実現したいこと
Pythonで得意先からの品番別注文依頼数を基に、各製造ラインへ各品番の生産数を
自動で振り分けるコードを記述しています。（PythonのPULPを使用）
現状は、各製造ラインの月の稼働時間が上限値を超えずに得意先注文数を満たす様に
振り分けるという部分までは出来ていますが、追加で制約を行いたい部分（残業42h以上にならない様にしたい、定時割れは定時扱いにしたい）が実装できていません。


今回の生産計画自動作成に向けた条件
・各製造ライン毎に品番を加工する為の工数（製品1個を加工する時間[分]）が異なります
・作業者は決まったラインでしか働けません
・稼働体制は昼勤ラインと昼勤＆夜勤ラインがあり所定内時間は7.5h/直、残業は3.0h/直まで
・ラインは掛け持ちを行うラインがあり、例えばAラインとCラインを掛け持ちする場合
　Aラインが100h/月、Cラインが150h/月の場合は作業者は150h/月働く事になります。

◇目的：労務費が最小となる様に各製造ラインに生産数を振り分けたい

■制約条件（実現したい事）
１．定時割れを起こした場合も定時分の労務費は発生する
　　（他ラインに仕事を振りすぎて定時割れになった場合は労務費のロスが発生）
２．掛け持ちラインも考慮して労務費が最小になる様にしたい
３．工数が少なくても1人当たりの残業が42h/月を超える場合は他ラインに仕事を振りたい
４．やむを得ず42h/月を超える場合も、60h/月以内に収める様にしたい
　　（どう頑張っても60h以上になってしまう程の注文がある場合は60h以上も可）

```python
from pulp import *
I = (1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16) #製造ライン16ライン
J = (1,2,3,4,5,6,7,8,9,10) #加工品番10種類
worktime = {1:21420,2:21420,3:21420,4:21420,5:21420,6:21420,7:21420,8:21420,9:21420,10:0,11:10710,12:21420,13:21420,14:10710,15:10710,16:21420} # 労働上限（直数×630分×稼働日数[17日]）
ontime = {1:15300,2:15300,3:15300,4:15300,5:15300,6:15300,7:15300,8:15300,9:15300,10:0,11:7650,12:15300,13:15300,14:7650,15:7650,16:15300} # 労働上限（直数×450分×稼働日数[17日]）
order = {1:908,2:0,3:8,4:25123,5:3252,6:0,7:2830,8:319,9:0,10:0} # 得意先注文数量
cost = {(1,1):3.3,(1,2):3.2,(1,3):4.0,(1,4):2.9,(1,5):100,(1,6):100,(1,7):100,(1,8):100,(1,9):100,(1,10):100,
(2,1):100,(2,2):100,(2,3):100,(2,4):1.9,(2,5):100,(2,6):100,(2,7):100,(2,8):100,(2,9):100,(2,10):100,
(3,1):100,(3,2):100,(3,3):100,(3,4):100,(3,5):3.0,(3,6):3.8,(3,7):3.8,(3,8):3.8,(3,9):100,(3,10):100,
(4,1):100,(4,2):100,(4,3):100,(4,4):100,(4,5):100,(4,6):100,(4,7):100,(4,8):100,(4,9):1.9,(4,10):2.1,
(5,1):100,(5,2):100,(5,3):100,(5,4):2.2,(5,5):100,(5,6):100,(5,7):100,(5,8):100,(5,9):100,(5,10):100,
(6,1):100,(6,2):100,(6,3):100,(6,4):100,(6,5):100,(6,6):100,(6,7):100,(6,8):100,(6,9):100,(6,10):100,
(7,1):100,(7,2):100,(7,3):100,(7,4):100,(7,5):2.9,(7,6):100,(7,7):100,(7,8):100,(7,9):100,(7,10):100,
(8,1):100,(8,2):100,(8,3):100,(8,4):2.2,(8,5):3.0,(8,6):100,(8,7):100,(8,8):100,(8,9):100,(8,10):100,
(9,1):100,(9,2):100,(9,3):100,(9,4):100,(9,5):100,(9,6):100,(9,7):100,(9,8):100,(9,9):100,(9,10):100,
(10,1):100,(10,2):100,(10,3):100,(10,4):100,(10,5):100,(10,6):100,(10,7):100,(10,8):100,(10,9):100,(10,10):100,
(11,1):100,(11,2):100,(11,3):100,(11,4):2.4,(11,5):3.6,(11,6):100,(11,7):100,(11,8):100,(11,9):100,(11,10):100,
(12,1):100,(12,2):100,(12,3):100,(12,4):2.5,(12,5):100,(12,6):100,(12,7):100,(12,8):100,(12,9):100,(12,10):100,
(13,1):100,(13,2):100,(13,3):100,(13,4):2.4,(13,5):100,(13,6):100,(13,7):100,(13,8):100,(13,9):100,(13,10):100,
(14,1):100,(14,2):100,(14,3):100,(14,4):100,(14,5):100,(14,6):100,(14,7):100,(14,8):100,(14,9):100,(14,10):100,
(15,1):100,(15,2):100,(15,3):100,(15,4):100,(15,5):100,(15,6):100,(15,7):100,(15,8):100,(15,9):100,(15,10):100,
(16,1):100,(16,2):100,(16,3):100,(16,4):100,(16,5):100,(16,6):100,(16,7):100,(16,8):100,(16,9):100,(16,10):100} #（ライン、加工品番）工数 ※工数100の部分は、そのラインでは加工できない品番を表す

# モデルの作成
model = LpProblem(sense=LpMinimize)

# 変数の定義
x = {}
for i in I:
	for j in J:
		x[i,j] = LpVariable('x{},{}'.format(i,j),lowBound=0,upBound=None,cat='Continuous')
print(x)

# xの中身は(1,1),(1,2),(1,3),･･････(16,8),(16,9),(16,10)が入っている

# 目的関数
model += sum(cost[i,j]*x[i,j] for(i,j) in x) 

# 制約条件
for i in I:
	model += sum(cost[i,j]*x[i,j] for j in J) <= worktime[i]

for j in J:
	model += sum(x[i,j] for i in I) == order[j]

# ソルバーの実行
model.solve()

# 結果の表示
print(value(model.objective))

for i in I:
	for j in J:
		print(x[i,j],value(x[i,j]))
```

【PULPを使った数理最適化】細かい制約条件を考慮した最適生産計画計算

RBFカーネルを用いたSVMのハイパーパラメータについてです．
コストパラメータ(cost)とRBFカーネルパラメータ(gamma)を調整することができますが，この2値はトレードオフの関係と考えていいのでしょうか．

・costを小さく取り，誤分類を許容すれば決定境界は単純なものとなり，gammaの値は小さくなる．
・costを大きくし，誤分類を許容しないようにすると決定境界は複雑となり，gammaの値は大きくなる．

と認識していますが，これはcost値とgamma値がトレードオフなのではなく誤分類の許容と境界線の複雑さがトレードオフなのであって，2値がそういった関係があるわけではないのでしょうか．
そうなると，costとgammaの間には何か関係性があるのでしょうか．

そもそもの認識が間違っていたら申し訳ありません．
2値の意味や関係性を教えていただけないでしょうか．

RBFカーネルを用いたSVMのハイパーパラメータ

例えば、日本で有名な、J Scoreなんかは、下記のようにAIを使用して信用を可視化している、と言ってます。
[AIで信用を可視化](https://www.jscore.co.jp/score/technology/)

AIっていうと、何かの予測モデルを作るっていうイメージしか湧かないですが、この手のサービスではどういう風に作られているのでしょうか？

どなたか知っていたら、ご教示願います。
よろしくお願いします。

AIであなたの信用を数値化するっていうのは、どんな仕組みなのですか？

クラスに関して勉強しはじめたのですが、とくに使いどころというかメリットがみつかりません

たとえばこんなの
```lang-＜ここに言語を入力＞
class sample:
	def __init__(self, s_1, s_2, s_3):
		self.s_1 = s_1
		self.s_2 = s_2
		self.s_3 = s_3

	def keisan(self):
		return self.s_1 * self.s_2 * self.s_3


ans = sample(2, 3, 4)
print(ans.keisan())
```
なんとなく頭にあること
1. 初期化メソッドのinitの引数にselfを指定して、上記のs_1, s_2のように書き、self.s_1 = s_1みたいにselfを使いアトリビュートに何かを指定することで、別の関数で使うときに使いまわし？ができる。

2.別の関数で初期化メソッドのアトリビュートを使うときはkeisan(self):みたいに引数にselfを指定しないと初期化メソッドのアトリビュートにアクセスできない。

3.つまりselfが肝である。

みたいなことでしょうか。そんな感じで全く分かってないまである。
あと、selfはオブジェクト自身を指す。とか書いてあったんですがオブジェクトなんでサンプルソースの中にいくらでもあんだろ。目みえてんのかお前
と言いたくなるくらいにselfが何なのか分かっていません。つまりselfは何なんでしょうか？
コーヒーも飲めない僕には理解できない概念なんでしょうか
教えてください。

クラスって存在する意味あるんですか？

世の中の**Deep Learning**宣伝によって、
自分にはDL(等価的ではないが、以下CNN/DNNと称します)に対する『過大視』のようのものがありました。

今になってようやく下記の幾つかの点について気付いたのです。
この分野に関心のある方、どんなご意見でも宜しいので、ご批判やコメントを承りたいと思います。
**"当たり前や,どうじて最初から分からなかったの？"**というようなご意見も歓迎いたしますが、
批判的なコメントがもっと好ましいでございます。
##

**１．** CNN/DNNは因果関係や規則を発見するのではないし、指定した仮説を現実的な意味で成立するかどうかを判定してくれるものでもない。
　　単に人間が指定した「仮説」を成立させるために、指定因果間の無理やり射影機能を持たせるに過ぎない。
　　(これは莫大なパラメーターを通じて、強烈な数値辻褄合わせで実現された)

**２．** CNN/DNNが形成後の中間数値は(eg,各「特徴map」やpooling)に表現されているデータは
    対象物の人間にとって有意味の「固有特徴」として考えにくく、
    単に強烈な数値辻褄合わせのための副産物に過ぎない。

　  ∵　それは如何なる外的な要素(eg, hyperparameters)にも敏感に反応し,全然違うものに変動するのだから。
   【画像認識の場合、中間処理結果の可視化によってobject パーツらしい模様が現れるのは、もともと画像だから、それに対する局所的な算術計算の結果も当然それなりに元の画像模様を反映する-----これ以上の意味を持たない!】
   これに関してDNNの一部の開発者の言っている画像の「Feature Extractor」という表現に惑わされないように注意したい。(Eg, YOLO作者の論文, 等)

**３．** 上述のように、DLは**能動的に** 潜在関係や規律を発見してくれるのでなく、
　　まったく"受動的に"人間が明示的、または強く暗示した関係を成立させる仕組みである。
　　これに対して、**data mining**のための一部手法、例えば、**Bayesian network**のようなものは**「能動的」に** なまのデータから関係や規則を発見する能力を持ち、『**知能**』という表現に相応しい。

**4．**  DLは本質的に『過学習』で、原理的に『過学習』は必要とし、『過学習』の上で初めて成り立つ。
　  なので、大きな『汎化性能』＝創造的な推論機能を期待(信用)できない。
　　従って、応用面においてDLの『過学習』本質と人間が期待している『汎化性能』の間に大きなジレンマが存在するはず。

　　これに対して、**Bayesian network**のようなものは**『過学習』が存在しない**。

**5．**  DLは**Bayesian network**のようなものと結婚すれば、真の『知能』に近いものが生まれるかもしれない。


**6．**  技術的な視点からすれば「Error propagation」はDLのために存在するのでなく、DLは「Error propagation」のために構造した。

　　「Error propagation」は多量の変数を最適化 ➡ 偏微分 ➡ 微分の伝達性、可分解性を利用するための数学からの要望で、多変数を最適化するための限られた手法の代表であり、簡単に置き換えられない。
　　　それに、propagation = feedbackは【古典制御理論】から【現代制御理論】までの基本方法で、安易に否定できない。

##背景
以前、NNに関する知識があるものの、深層学習について、全然経験なく、その中身もここの皆様に御伺いしながらようやくある程度分かるような気がします。。。。ただし、確実ではないのです。
当初思い込みのような部分があったと強く感じます。　
自分はどんな技術に対しても、その性格や特徴を把握してから、利用したいもので、今の自分の認識を出して、有識者の方に評をいただきたいのです。
**決して『Deep learning』の有効性を否定するのではなく**、 他の処でも述べたように、むしろこれまでのobject追跡法(特徴点法)より優れると思います。 
利用できるように努力したいのですね。　
ただし、自分の当初の感覚や期待とは大きなずれがあるかと思います。

"Deep Learning"　に対する再考

全く同じ条件のIf文を複数並べた場合、最初のIf文しか実行がされないのですが、２つめからのIf文には意味があるのでしょうか。
下記のコードは、Pythonのオンラインサイトで例として出てきたものです。


```python

A = np.array([
        [0, 7, -5, 3],
        [2, 8, 0, 4],
        [3, 12, 0, 5],
        [1, 3, 1, 3]
    ], dtype=np.float_)

def fixRowZero(A) :
    if A[0,0] == 0 :
        A[0] = A[0] + A[1]
    if A[0,0] == 0 :
        A[0] = A[0] + A[2]
    if A[0,0] == 0 :
        A[0] = A[0] + A[3]
    if A[0,0] == 0 :
        raise MatrixIsSingular()
    A[0] = A[0] / A[0,0]
    return A

fixRowZero(A)
```