はじめに — 機械学習帳import torch x = torch.tensor([1., -1.]) w = torch.tensor([1.0, 0.5], requires_grad=True) loss = -torch.dot(x, w).sigmoid().log() loss.backward() print(loss.item()) print(w.grad)
大企業機械学習エンジニアに立ちはだかる3つの壁おじさん - BizDeep
昨今大企業やめました記事が盛り上がってますね。 anond.hatelabo.jp kumagi.hatenablog.com 僕もかくいう大企業ソフトウェアエンジニアで、機械学習を担当していて、クソみたいなことがいっぱい起こって辞めようかと思うことが非常に多い。 怒りの原因を分析したところ、僕のケースでは以下の3人の壁となるおじさんがいることがわかった。 [ここで注意] 本記事は著者含め大企業で働く機械学習エンジニアの友達とslackやtwitterで盛り上がった内容を、全て”僕”一人の体験としてまとめ上げたものです。つまり 実話に基づいたフィクションです。 分散する様々な大企業の悪いところをまとめて3人のタイプのおじさんを作っているので、とある大企業の批判をしていたり、著者個人がこの様な体験をしている訳ではないことにご留意ください。 (1) 幼稚園児でもわかる結果でしか技術を評価できな
Perfume とライゾマティクスの新たな試みを支える Google の機械学習 | Google Cloud 公式ブログ
Google Cloud デベロッパーアドボケイト 佐藤一憲 3 月 20、21 日に NHK ホールで開催された Perfume のライブ ステージ「Reframe」。このステージは、NHK が東京オリンピック・パラリンピックに向けて文化面においても機運を高めていくイベント「This is NIPPON プレミアムシアター」の一環として開催したもので、NHK と Perfume がこれまで生み出してきたパフォーマンスの最新テクノロジーによる「再構築」をテーマに、インタラクション デザインを担当したライゾマティクスによるドローンや AR 技術をふんだんに投入した演出が話題となりました。 今回のイベントでのライゾマティクスによる新しい試みのひとつが、Google の機械学習技術を応用したステージ演出です。同社を率いる真鍋大度氏は次のように説明します。「Perfume のミュージックビデオや歌
「AI」と「機械学習」は何がどのように違うのか？をわかりやすく解説するとこうなる - GIGAZINE
by geralt 「AI」と「機械学習」の2つは並列して使用されることが多いものですが、両者はまったく異なるものを指します。AIと機械学習はどのように違うのか、そしてしばしば両者が同時に使われるのはなぜなのかを、ソフトウェアエンジニアのBen Dickson氏が解説しています。 Why the difference between AI and machine learning matters | TechTalks https://bdtechtalks.com/2018/10/08/artificial-intelligence-vs-machine-learning/ 「機械学習と高度な人工知能(AI)を使って何百ものデータを収集・解析してモバイルアプリのユーザーエクスペリエンスを改善」といった文言を、テクノロジーを利用する製品やウェブサイトで見かけたことがある人も多いはず。しかし
Teaching - CS 229
My twin brother Afshine and I created this set of illustrated Machine Learning cheatsheets covering the content of the CS 229 class, which I TA-ed in Fall 2018 at Stanford. They can (hopefully!) be useful to all future students of this course as well as to anyone else interested in Machine Learning. Cheatsheet • Loss function, gradient descent, likelihood • Linear models, Support Vector Machines,
Sononymより、機械学習サンプルブラウザ「Sononym」がリリース | Computer Music Japan
PC内の膨大なサンプルを管理するブラウザです。機械学習が介在することで、カテゴリ分けなどが素早く自動的に行えます。 ディープオーディオ分析：サンプルからピッチ、テンポ、明るさなどを抽出します。オートグループ化機能：ループやワンショット、キックやスネアなどの関連カテゴリにサンプルを自動的にグループ化します。類似検索：あらゆるサウンドのバリエーションを発見するユニークで強力な方法です。ライブ録音：入力音に基づいてサンプルをすばやく簡単に見つけることができます。統合されたブックマークとエクスポート：ブラウジング中にクリエイティブフローを失わない。クロスプラットフォーム：SononymはWindows、Linux、OS Xで利用可能。価格は$99となっています。 購入はこちら 先日リリースされたこちらも合わせてチェックしてみてください。 PC内のドラムサンプルを自動マッピングし、自身の好みを学習し
LeFlow: Enabling Flexible FPGA High-Level Synthesis of Tensorflow Deep Neural Networks
Recent work has shown that Field-Programmable Gate Arrays (FPGAs) play an important role in the acceleration of Machine Learning applications. Initial specification of machine learning applications are often done using a high-level Python-oriented framework such as Tensorflow, followed by a manual translation to either C or RTL for synthesis using vendor tools. This manual translation step is time
CS 285
CS 285 at UC Berkeley Deep Reinforcement Learning Lectures: Mon/Wed 5-6:30 p.m., Wheeler 212 NOTE: We are holding an additional office hours session on Fridays from 2:30-3:30PM in the BWW lobby. The OH will be led by a different TA on a rotating schedule. Lecture recordings from the current (Fall 2023) offering of the course: watch here Looking for deep RL course materials from past years? Recordi
ディープラーニングの限界 | POSTD
(注：2017/04/08、いただいたフィードバックを元に翻訳を修正いたしました。 @liaoyuanw ) この記事は、私の著書 『Deep Learning with Python（Pythonを使ったディープラーニング）』 （Manning Publications刊)の第9章2部を編集したものです。現状のディープラーニングの限界とその将来に関する2つのシリーズ記事の一部です。 既にディープラーニングに深く親しんでいる人を対象にしています（例：著書の1章から8章を読んだ人）。読者に相当の予備知識があるものと想定して書かれたものです。 ディープラーニング： 幾何学的観察 ディープラーニングに関して何より驚かされるのは、そのシンプルさです。10年前は、機械認識の問題において、勾配降下法で訓練したシンプルなパラメトリックモデルを使い、これほど見事な結果に到達するなど誰も想像しませんでした。
ゼロから作るDeep Learning
ディープラーニングの本格的な入門書。外部のライブラリに頼らずに、Python 3によってゼロからディープラーニングを作ることで、ディープラーニングの原理を楽しく学びます。ディープラーニングやニューラルネットワークの基礎だけでなく、誤差逆伝播法や畳み込みニューラルネットワークなども実装レベルで理解できます。ハイパーパラメータの決め方や重みの初期値といった実践的なテクニック、Batch NormalizationやDropout、Adamといった最近のトレンド、自動運転や画像生成、強化学習などの応用例、さらには、なぜディープラーニングは優れているのか？ なぜ層を深くすると認識精度がよくなるのか？ といった“Why”に関する問題も取り上げます。 関連ファイル サンプルコード 正誤表 ここで紹介する正誤表には、書籍発行後に気づいた誤植や更新された情報を掲載しています。以下のリストに記載の年月は、正
香港城市大学ら、手描きスケッチから法線マッピングを推論する敵対生成学習（Wasserstein GAN）を用いた手法を発表
香港城市大学ら、手描きスケッチから法線マッピングを推論する敵対生成学習（Wasserstein GAN）を用いた手法を発表 2018-01-07 香港城市大学と大連理工大学の研究者らは、機械学習とユーザガイダンスを用いてスケッチから法線マッピング（ノーマルマッピング）を推論する手法「Sketch2Normal」を論文にて発表しました。 Sketch2Normal: Deep Networks for Normal Map Generation Wanchao Su、Xin Yang、Hongbo Fu 本稿は、手描きのスケッチを入力に敵対生成学習Conditional WGAN（Wasserstein Generative Adversarial Network）を用いて法線マッピングを生成する提案をします。 関連 リヨン大学ら、直感的なスケッチ入力から現実的な仮想地形モデルを生成できる敵
How HBO’s Silicon Valley built “Not Hotdog” with mobile TensorFlow, Keras & React Native
— July 2018 Update — Not Hotdog has been nominated for a primetime Emmy®. Thanks to all the fans for the amazing reception, and to all the people at HBO & Brown Hill Productions who made this possible. The HBO show Silicon Valley released a real AI app that identifies hotdogs — and not hotdogs — like the one shown on season 4’s 4th episode (the app is now available on Android as well as iOS!) To a
Deep Image Prior
Example results on several image restoration problems. We use deep neural networks, but we never train/pretrain them using datasets. We use them as a structured image prior. Deep convolutional networks have become a popular tool for image generation and restoration. Generally, their excellent performance is imputed to their ability to learn realistic image priors from a large number of example ima
できの悪いソースコードをAIで発見、富士通が不採算案件の抑制へ
富士通が人工知能（AI）などを活用し、システム開発プロセスの改革に本腰を入れ始めた。システム構築・運用支援のツール群を「KIWare（ケーアイウェア）」として体系化し、2017年11月に50件の開発プロジェクトに本格適用を開始した。時間を浪費しがちな開発業務をAIで効率化し、システムエンジニア（SE）が、開発業務の様々な作業や成果物の品質の向上に充てる時間を捻出する狙いである。 富士通がAIの活用に本腰を入れる背景には、開発プロジェクトの作業や成果物の品質の低さが課題になっていることがある。「品質を現場の人任せではなく、技術で底上げする。それによって品質が原因の不採算の案件を減らしたい」（富士通の粟津正輝サービステクノロジー本部 本部長代理 兼 先端技術統括部長 兼 SE変革推進室長代理）。 システム開発において、不採算案件につながる要因は様々だ。設計書の不備による手戻りが発生したり、ソー
ニューラルネットの逆襲から５年後 | Preferred Research
私が2012年にニューラルネットの逆襲（当時のコメント）というのをブログに書いてからちょうど5年が経ちました。当時はまだDeep Learningという言葉が広まっておらず、AIという言葉を使うのが憚られるような時代でした。私達が、Preferred Networks（PFN）を立ち上げIoT、AIにフォーカスするのはそれから1年半後のことです。 この5年を振り返る良いタイミングだと思うので考えてみたいと思います。 1. Deep Learning Tsunami 多くの分野がこの5年間でDeep Learningの大きな影響を受け、分野特化の手法がDeep Learningベースの手法に置き換わることになりました。NLP（自然言語処理）の重鎮であるChris Manning教授もNLPで起きた現象を「Deep Learning Tsunami」[link] とよびその衝撃の大きさを表して
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Google Open-Sources Real-Time Hand Tracking for Android and iOS
GitHub - tomitomi3/DiceRecognitionDatasetForML: Dice Datasets for Machine Learning / サイコロの目認識のための教師用画像データセット
日本の「経済不振」は40歳男性の非婚率に原因 AIによる診断結果 - ライブドアニュース
【Unite Tokyo 2018】Unity for ディープ・ラーニング：ツールキット『ML-Agents』のご紹介
[PDF]Machine Learning for Systems and Systems for Machine Learning Jeff Dean Google Brain team