ChatGPT plus(GPT4)による機械学習

今回は前回の統計分析の続編で、ChatGPT4のエンジニアとして使用範囲の把握のため、GPT4によるプロンプトとPythonによるコーディングにおいて、作業性と結果比較を行いました。（※プラグインは未調査）
1. 最適輸送問題の計算
2. レコメンドシステムによる推薦
3. ベイズ最適化による計算

以上の比較から下記のことが分かりました。
作業性：計算手順が複数に及ぶ場合はアルゴリズムの指定など細かな指示が必要
結果：間違いでもそれらしい値を出力するので注意。指定したアルゴリズム以外で求める場合も有。

結論として機械学習や推測はChatGPT4へのプロンプト作業時間および値が正しいか自信が持てないため、個人的にはPythonなどのプログラミングが良いと感じました。
参考までに上記1~3の説明概要を下記に示します。

1. 最適輸送問題の計算
   最適輸送の理論の応用として理論計算を現実のデータへ近づけるデータ同化、テキスト比較、色相変換など輸送経路問題以外にも多種多様な課題に対応し、分布比較で用いられるKLダイバージェンスの指標よりもモデル性能の向上が見込まれることから今回採用しました。
   使用アルゴリズム：一般化シンクホーンアルゴリズム等

2. レコメンドシステム
   ネットショッピングの際、表示されるおすすめの商品でよく使われる分かりやすいAIということで採用しました。
   使用アルゴリズム：類似度計算としてのピアソンの相関係数等

3. ベイズ最適化による計算
   実験計画、プロセス設計、分子設計などで使用される手法で次のアクションを示す最適解の算出がある程度可能で、実用性が高いと思い採用しました。
   使用アルゴリズム：GPyOptライブラリのBayesianOptimization等