Build software faster in an editor designed for pair-programming with AI
PhotographersCreative AgenciesReal EstateE-commerceRemove text, logo or watermarkDevelopers API Photographers use Cleanup.pictures to remove time stamps or remove tourists from holiday pictures before printing them for their customers. They clean portrait photos to create the perfect profile pictures. Cleanup.pictures is the perfect app to remove cracks on photographs. You can clean any images, re
人工知能のブログと言っておきながら今まで人工知能っぽいことを書いてきませんでしたが,ようやくそれっぽいことを書こうと思う(汗 今回は2つの文字列の類似度を数値化する2つの方法について考える. これらは自然言語処理の分野でよく用いられる方法である. 私も必要に応じて調べたのだが,ジャロ・ウィンクラー距離を日本語で詳しく解説してくれているところがなかったため,理解したことを日本語でメモしておく. (2017/12/24 一部ご指摘をいただいたため修正) (2018/05/12 一部修正) 目次 目次 2つの文字列の類似度を数値化 レーベンシュタイン距離(Levenshtein Distance) ジャロ・ウィンクラー距離(Jaro-Winkler Distance) 2つの文字列の類似度を数値化 2つの文字列の類似度を数値化する手段として レーベンシュタイン距離(Levenshtein Dis
「企業からイラスト作成を発注されたが、提示された価格は安すぎないだろうか」──SNSなどで、イラストレーターからこんな声が時折上がっている。客観的に、イラストの工数や価格を評価できないか。こんな要望を叶えるシステムを、コンテンツ制作会社がAI(人工知能)で試作した。 「塗り方」「描き込み量」「難易度」「価格」 AIが評価 このシステムに、食べ物を持った女の子のイラストを入れてみる。すると、AIが数秒かけてイラストを解析し、「水彩塗り」「ギャルゲ塗り(※)」といった塗り方の割合判定や、背景画像の比率、描き込み量、制作難易度、総合スコア、想定制作価格を提示してくれる。 ※ギャルゲ塗り:美少女ゲーム(ギャルゲー)でよく用いられる塗り方。主にエアブラシツールなどで、キャラクターの柔らかな陰影や色のグラデーションを表現する手法を指す。
ディープラーニングも使える確率的プログラミングツール「Gen」を開発、MIT:AIモデルやアルゴリズム作成の民主化に貢献 マサチューセッツ工科大学(MIT)の研究チームが開発した確率的プログラミングツール「Gen」を使えば、初心者でも簡単にAIに触れることができ、専門家は高度なAIプログラミングが可能になる。ディープラーニングよりも適用範囲の広いことが特徴だ。 【訂正:2019年7月4日10時50分 記事タイトルの一部に誤解を招く表現があり訂正しました。 訂正前:ディープラーニングを超える汎用AIツール→訂正後:ディープラーニングも使える確率的プログラミングツール】 マサチューセッツ工科大学(MIT)の研究チームは、2019年6月下旬に米アリゾナ州フェニックス市で開催されたカンファレンス「Programming Language Design and Implementation」で、新し
線形回帰では、データの傾向やパターンを上手く表現できる線を引く(数式を求める)ことで未知のデータ(連続値)を予測するのですが、実際どのようにそうした適切な線を引いているのか(適切な数式を求めているか)気になりますよね。 ※連続値・・・1.1や1.01のように繋がった値をとれるもののこと。時間や速度など 実はこの疑問に非常に関係しているのが平均二乗誤差(MSE:Mean Square Error)です。この平均二乗誤差(MSE:Mean Square Error)は何を表しているかというと、「モデルの性能がどれだけ悪いか」を示しています。 もっと具体的に言うと平均二乗誤差(MSE:Mean Square Error)は、「モデルがどれだけ悪いか」を実際の値と線形回帰モデルによる予測値のズレ(誤差)がどれだけあるかを示すものです。 なので、平均二乗誤差(MSE:Mean Square Erro
ディープラーニングを応用したGAN(敵対的生成ネットワーク)により、 高解像度(1024×1024)のアイドル顔画像を安定して生成することに成功 株式会社データグリッド(本社:京都府京都市左京区吉田本町36-1 京都大学国際科学イノベーション棟西館1階、 代表取締役社長 岡田侑貴、以下「データグリッド」)は、研究開発として「アイドル自動生成AI」を開発いたしました。 1. 開発の背景・目的 データグリッドは「AIと共に創造する社会を実現する」をビジョンに、価値あるコンテンツを生成するクリエイティブAIの開発を行っております。これまで、AIがクリエイティブな活動を行うことは難しいとされてきましたが、近年AIによる生成技術が活発に研究されており、その精度は飛躍的に向上しております。そこで、クリエイティブAIの開発を加速するために、画像生成分野における最新の研究成果を応用し、アイドルの顔画像生成
この記事はLINEで動作する栄養士Botを開発するチュートリアルのPart1です。 食べたものを通常の話言葉でBotに報告すると、その食べ物のカロリー、栄養量を教えてくれる、というシロモノを開発していきます。 Bot本体のプログラムはNode.jsで開発し、Heroku上で稼働させます。その後、自然言語処理のapi.aiや形態素解析サービス、食品の栄養情報が格納されているクラウドデータベースと連携しながらBotを構築していきます。 このチュートリアルはOracle Cloud Developers Meetupでおこなうワークショップを記事化したものです。実際には動作するBotのデモンストレーションをご覧いただいてから作業に着手する流れとなっています。上図はその完成型のBotのアーキテクチャーで、このチュートリアルでは食事履歴の保存はカバーしない予定です。 今回はまず開発環境をセットアップ
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
処理を実行中です
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