就活とか論文とか色々あり、実に半年ぶりの投稿です！ このブログでは以前、自分が使っているターミナル環境とエディタ環境を紹介しました。 kamino.hatenablog.com 今回の記事では、以前の記事で紹介したNeoVim環境に使用感の近いVisual Studio Code環境を構築した話を書いてみます。 表示系やコマンドモードなど細かい部分は詰め切れていないので、主にサイドバー（NERDTreeっぽく）、タブ移動、ターミナル周りを違和感なく使うためのショートカットの話を書いていきます。 見た目はほぼデフォルトのまま ※ 2021/02/04: vim.use<C-v>で個別にctrlキーを有効化するオプションが削除されたようなので修正しました。またインサートモード中にctrl+h, ctrl+lを使いたいときのためにkeybindingのwhen条件を修正しました。 もくじ 1.

pythonのパの字も分からなかった私がよわよわbotterになれたのは、ネットに素晴らしい資料があったからに他なりません。 何も知らなかった私をよわよわbotterまで高めてくれた神教材たちを紹介していきます。これらの情報を熟読すればあなたもよわよわbotterになれるはず！ ちなみに有料情報は私自身あまり多く手を出しておらず、取り立てて紹介するほどのものに出会ったことがないため、どの記事も無料で読むことができるものです（本当に神！）。 今から紹介する情報で十分によわよわbotterになれたので、なにか高い情報商材を買ってしまう前に一度しっかり読みこむことをおすすめします。 ちなみに厳選に厳選をかさねているため、他のサイトのように膨大なリンクをリストアップするということもないのでご安心ください。 初心者におすすめするのはたった1記事、中級者におすすめするのも1つだけの超シンプル構成になっ

前回の記事では、Equivariant Neural Networksというデータの対称性に着目した深層学習の設計の新しいパラダイムについて概観した。 blog.tsurubee.tech 今回は、2016年に登場したEquivariant Neural Networksの先駆け的な存在であるGroup Equivariant Convolution Networksの論文を解説する。 目次 論文紹介 アブストラクト和訳 群論の予備知識 群の定義 群の具体例 1. 並進群（Translation group） 2. p4m群 準同型写像 群の作用 同変性 従来のCNNの同変性 Group equivariant Convolutional Neural Networks（G-CNNs） G-CNNsとは 群上の関数 G-convolution：群同変な畳み込み層 第1層目 第2層目以降 評

この記事はKyoto University Advent Calendar 2020の記事の12/21日分として書かれた物です. adventar.org 先日のd0ra1998先輩の記事には改めて京都の四季の美しさに気付かされました. 先輩方の面白い記事が並んでいる中でこんな駄文を投下するのは気が引けますが.... A2Cってなに? どういう仕組み? Actor-Criticとは? 損失関数の構造 実装 結果 嵌った所 参考にした物 ポエム A2Cってなに? A3Cよりあとに提案された,Advantage, Actor-Criticの2つを用いる手法です.(Aが2つなのでA2C.) experience replayを用いないので, RNN を使えるといったメリットもあります. 学習の概要は, 一つのネットワークに対して複数のAgentを準備しておいて, (それぞれのAgentに対して)

依存性なしで、フレームワークも必要なし。 CSSの特別なテクニックも必要とせず、リアルに使えるCSSレイアウトやUIパターンを集めたサイト CSS Layout が注目を集めています。 フロントエンジニアとして働くひとは、ウェブサイト制作においてどれだけ多くのレイアウトやコンポーネントを扱う必要があるかよく分かるでしょう。 人気のあるレイアウトやUIコンポーネントを提供するCSSフレームワークはたくさんありますが、すべてを自分のプロジェクトに加えたくないときも。 そんな悩みを解決すべく、CSS Layout ではCSSのみで構築できる人気レイアウトやUIコンポーネントを集め、カテゴリ別にまとめています。 FlexboxやCSS Gridといった最新CSS機能によって実現されたレイアウトは、それぞれのニーズに合わせて簡単にカスタマイズでき、スターターキットとしても最適です。 パーツを組み合わ

機械学習の分野で最も有名なモデルに畳み込みニューラルネットワーク（CNN）と呼ばれるものがあります。2012年にCNNが画像認識処理において卓越した性能を示したことで科学や生活の在り方は大きく変わりました。この手法は画像（2次元データ）のみならず波形のような1次元データに対しても転用可能です。本記事では、スマートホンのセンサから取得した人の行動波形に関する畳み込みニューラルネットワークのPyTorchによる計算方法を紹介します。またOptunaを用いたハイパーパラメータ探索によってハイパーパラメータの探索やその重要度評価が可能となります。計算手順を追ってみていきましょう！ 学習用データ プログラム説明 結果の分析 終わりに 学習用データ 学習用データには、スマートホンのセンサーから取得した人間の行動データとその時の実際の行動（歩行、階段を上る、階段を下る、座る、起立する、横たわる）に対応し

こんばんは。今日のテーマは方策勾配法です。前回の記事では強化学習の基礎から深層強化学習（DQN）までを扱いました。そこでは状態や行動の価値Qの見積もりをいかにして最適化するかという考え方が根底にありましたが、方策勾配法では価値ではなくエージェントの方策（≒エージェントの行動確率）を最適化することが目的です。本記事では学習のワークフローをまじえながら方策勾配法を解説します。 【参考資料】強化学習の入門記事はこちら。 dajiro.hatenablog.com （式の展開をすっ飛ばしたい人は、方策勾配法のワークフローからご覧ください！） 方策勾配法の仕組み 学習のワークフロー おさらい ワークフロー 方策勾配法による学習の実施 1.価値の計算 2.行動確率の計算 3.勾配の計算 方策勾配法の仕組み 方策勾配法は、エージェントの行動確率をニューラルネットワークで表現するためのテクニックです。その

こんにちは。今日は、強化学習に関する入門記事を書きたいと思います。強化学習はニューラルネットワークとはまた違うノウハウがあり、腑に落ちるレベルでの理解をするのがなかなか難しい技術だと思います。実際、私は昨年初めて強化学習の勉強をしましたが、理解したと思っても時間を置くとすぐに忘れてしまいます。そこで、強化学習の本質をがっつりと理解してモノにすることを目的にこの記事を書きました。内容は、強化学習の初歩からモンテカルロ法・Qラーニングを経て深層強化学習（DQN）までを扱います。図解ベースで話を進めますので、どうぞお付き合いください。 なお、本記事は以下の本を参考に執筆させて頂きました。 機械学習スタートアップシリーズ Pythonで学ぶ強化学習 [改訂第2版] 入門から実践まで (KS情報科学専門書) 作者:久保 隆宏発売日: 2019/09/22メディア: 単行本（ソフトカバー） 強化学習の

概要 CNN の学習を行う場合にオーグメンテーション (augmentation) を行い、学習データのバリエーションを増やすことで精度向上ができる場合がある。 Keras の preprocessing.image モジュールに含まれる ImageDataGenerator を使用すると、リアルタイムにオーグメンテーションを行いながら、学習が行える。 キーワード ImageDataGenerator オーグメンテーション (augmentation) 関連記事 具体的な使い方は以下を参照。 pynote.hatenablog.com 概要 キーワード 関連記事 ImageDataGenerator 基本的な使い方 オーグメンテーションの種類 回転する。 上下反転する。 左右反転する。 上下平行移動する。 左右平行移動する。 せん断 (shear transformation) する。 拡

はじめに データの変数間の関係性を明らかにしたいというケースは多いと思います。 その場合相関や散布図をみるのが一般的ですが、交絡やノイズが多いケースなど それだけでは不十分な場合もあるため、その場合にも対応できそうな手法を試してみます。 試す手法は偏相関行列とGraphical Lassoです。 参考資料 ・統計: 偏相関係数で擬似(無)相関の有無を調べる - CUBE SUGAR CONTAINER ・【PyStan】Graphical LassoをStanでやってみる。 - Qiita ・岩波データサイエンス Vol．5 データの準備 NPBのサイトから2013~18年の5年分の打者個人成績をスクレイピングします。 initflag=1 for year, league in itertools.product(range(2014, 2019), ['p', 'c']): url=f

1, はじめに こんにちは, Researcher Intern の中野です. 新型コロナウイルスが世界中で猛威をふるい、個人の生活スタイルのみならず社会全体に変革が迫られているのを感じます。 医療従事者の方々には頭が上がりませんが, 機械学習のコミュニティでもKaggleのコンペ, SIGNATEのコンペ等, なんとか状況の改善に貢献しようという動きが見られます. このような直近の例にも見られるように, 機械学習はデータを扱うあらゆる分野での応用が考えられます. 自分も, 大学での専攻は物質プロセス工学（材料工学系）なのですが, 材料工学に機械学習を応用するマテリアルズインフォマティクスという分野での研究を行っています. 軽く内容を紹介させていただくと, 研究では新素材の製造プロセスを, ガウス過程回帰に基づいたActive Learning アプローチを用いて, 低コストかつ高速に最適

異常検知の一環で外れ値検知をやっていると「どの事例が外れ値か分かるだけじゃなくて、どの次元がおかしくなったかも教えて欲しい。次元数が100とかあると、どの次元がおかしい動きをしているか人手で見るのは大変」というのをちらほら聞きます。Gaussian Markov Random Field (GMRF)を使うと、どの次元の動きがおかしくなったかも異常検知の枠組みで捉えることができる場合があります。 異常検知本の読書メモ Part 3(疎構造学習による異常検知) - yasuhisa’s blog グラフィカル Lasso を用いた異常検知 しかし、この方法は使える状況が限定的で、システムの状態が複数ある(例: 昼と夜で負荷が違うなど)場合にはうまく機能しません。システムに複数の状態が存在することは実データでは珍しくないので、そういった状況にも対応できる方法を探していたところ、ぴったりの論文が

実社会でディープラーニング（深層学習）の利用拡大を目的としたコミュニティ「DEEP LEARNING LAB」は異常検知に関する質問が非常に多かったことを受け、2月14日に異常検知ナイトを開催した。同コミュニティ初となるエンジニア向けのイベントで、深層学習で異常検知問題を解く方法論や異常検知関連の最新技術情報に関する情報を共有した。 2時間以上に渡るロングタイムなイベントの中から、本稿では主要なセッションのレポートをお届けする。セッション後の質問やライトニングトークなどに興味があれば、ぜひYouTubeライブのアーカイブをご覧いただきたい。 異常検知入門 最初に登壇した株式会社Preferred Networksの比戸 将平氏は、異常検知の概要を説明した。イベント当日がバレンタインデーということで、「会社でチョコを3つもらいました」「今年はチョコ0個でした」「今年も彼女が手作りどら焼きをく

概要 確率予測とCalibration(キャリブレーション)に関する勉強会に参加したので、学んだことの一部と、自分で調べてみたことについてまとめました。 概要 Calibrationとは Calibration Curve Calibrationの方法 Sigmoid / Platt Scale Isotonic Regression 確率予測に使われる評価指標 Brier Score ECE コード 不均衡データに対するCalibration LightGBMにCalibrationは不要か NNにCalibrationは不要か 追記 : Calibrationの検討について 追記 : 発表スライドについて 終わり techplay.jp 勉強会で使われていた言葉を、自分なりの言い方に変えています。 間違いがありましたら、コメントいただけたら嬉しいです。 Calibrationとは 普通

日本国内の潜在的な陽性者数を推定することは有益ですが、簡単ではありません。PCR検査がランダムになっていないことが推定を難しくしています。有症状者が検査されやすいというselection biasがあるからです。この記事ではいくつか仮定を置いて潜在的な陽性者数を推定したいと思います。 仮定 全国民のうち潜在的に陽性になっている割合 この割合は年代によらず一定と仮定します。ここでは と書きます（posはpositiveの略）。例えば0.0001なら日本人約1億2千万人中、おおよそ12000人が潜在的に陽性になっている計算です。 なお、国民の年代別人口の値はこのページの令和2年3月報 （令和元年10月確定値，令和2年3月概算値） （PDF：301KB） の「2019年10月1日現在（確定値）」の総人口 男女計の値を使用しました。 陽性者中の有症状者の割合 若年層で無症状が多いなど、年代で異なる

この記事は@sakanazensenさん主催のコンピュータビジョンアドベントカレンダーの12月24日分の記事です。 本日のお題はSparse CodingとDictionary Learningをscikit-LearnというPythonの機械学習ライブラリを使ってやってみよう！というお話。 こちらのテーマを選んだ理由ですが、先日コンピュータビジョン勉強会＠関東で「Sparselet Models for Efficient Multiclass Object Detection」という論文を紹介した際、資料を作る時間がなくてSparse Codingの話を割愛してしまったので、その補足の意味もこめました。 とは言えSparse Codingもscikit-Learn(というよりPython自体)も勉強を始めたばかりのため、解説はあくまでツールを使う上での基本的な知識に留めたいと思います。