AIによるアニメ生成の挑戦
The document discusses recent advances in generative adversarial networks (GANs) for image generation. It summarizes two influential GAN models: ProgressiveGAN (Karras et al., 2018) and BigGAN (Brock et al., 2019). ProgressiveGAN introduced progressive growing of GANs to produce high resolution images. BigGAN scaled up GAN training through techniques like large batch sizes and regularization metho
Apache Kuduは何がそんなに「速い」DBなのか? #dbts2017
4. 4© Cloudera, Inc. All rights reserved. 会社概要 - Cloudera（クラウデラ） 設⽴ 2008年、以下4社出⾝の社員により設⽴ 本社 アメリカ パロアルト マーケット 機械学習とアドバンスドアナリティクスのプラットフォーム ビジネスモデル オープンソースとプロプラ製品のハイブリッド 従業員数 世界全体で 1,400⼈以上 事業展開 世界28カ国 世界レベルのサポート 24x7 対応グローバルスタッフ(⽇本語は8x5) EDHを使ったプロアクティブ・予測サポートプログラム ミッションクリティカル 世界中の様々な業界の本番環境 - ⾦融、⼩売、通信、メディア、ヘ ルスケア、エネルギー、政府 最⼤のエコシステム 2,600 社以上のパートナー Cloudera University 45,000⼈ 以上がトレーニングを受講 https://www
Direct Sparse Odometryの解説
5. 4 Abstract • SLAMやVOは特徴点ベース(indirect)の手法が長い間主流だったが, 近年はdirectでdenseな手法が人気。 • Direct vs Indirect, Dense vs Sparseの2軸で方法を分類できる • 本論文はDirect + Sparseという部分の方法を提案する 手法 Direct Indirect Sparse DSO(本手法) monoSLAM(2007) PTAM(2007) ORB-SLAM(2015) Dense/ Semi-Dense DTAM(2011) LSD-SLAM(2014) 3D geometry Estimation ... 6. 5 Motivation • Direct – 特徴点ベース(Indirect)の手法の利点としては画像中の幾何学的 歪みに対して頑強性を持つ – 一方, Directな手法
機械学習モデルフォーマットの話：さようならPMML、こんにちはPFA
2. ⾃⼰紹介 l ⽐⼾将平（HIDO Shohei） l Twitter ID: @sla l 専⾨：データマイニング、機械学習 l 経歴： l 2006-2012: IBM東京基礎研究所データ解析グループ l 機械学習のアルゴリズム研究開発（主に異常検知） l 2012-2014: 株式会社Preferred Infrastructure l ⼤規模オンライン分散機械学習基盤Jubatusチームリーダー l 2014-: 株式会社Preferred Networks l 2015-: Preferred Networks America, Inc. @ シリコンバレー l Chief Research Officer 2
仕事ではじめる機械学習
The document discusses machine learning projects and production. It begins with an introduction of Aki Ariga and their background. It then discusses 4 patterns for machine learning projects: 1) train batch/predict online via REST API, 2) train/predict batch via shared DB, 3) train/predict/serve continuously via streaming, and 4) train batch/predict on mobile apps. The document also covers machine
明日使えないすごいビット演算
KMCの例会講座で用いたスライドを一部編集したものです。 ビット演算を組み合わせたトリッキーな方法で様々な操作を高速に行う方法を紹介します。Read less
画像認識モデルを作るための鉄板レシピ
2. Agenda 自己紹介 はじめに 鉄板レシピの全体構成 Recipe1: Survey Task Planning: モデルの要件を設計する Gather Images: 画像の収集を行う Implements Pipeline: 画像の処理プロセスを実装する Annotation: 画像へのアノテーション Recipe2: PreProcessing Calculate Parameters: 前処理用パラメーターの計算を行う Data Augmentation: 学習画像の拡張を行う Recipe3: Training Use Pretrained Model: 事前学習済みモデルを利用する Training: 学習を実行する Conclusion 3. 自己紹介(1/2) 久保隆宏 TIS株式会社 戦略技術センター
freee みんなの会社設立実態_2017
2. Copyright 2012-2017 © freee.K.K この資料を作った背景 ● 起業手続きに関するデータに基づいた情報があまり存在しない ○ 先輩起業家や士業などのプロの方でも、原則と実体験以上のアドバイスをするのが難しい ○ 法人登記の解説ページや書籍には、「～すべき」「～した方がよい」「～は可能」という記載があるが、 「実際にはどの程度重要なのか」「どの程度採用されているか」など、最終判断の参考になる情報に 乏しい ● 起業家には、もっと本業にフォーカスして欲しい ○ 会社設立の実態をオープンにすることで、より多くの起業家が登記手続きについて迷う時間、考える 時間を減らし、本業に費やす時間を増やしてほしい 3. Copyright 2012-2017 © freee.K.K 注意 ● 本資料については様々な用途に使いただきたいと考えておりますが、内容の正確性を担保するた
広告プラットフォーム立ち上げ百鬼夜行
55. チケットの雛形[解] 項目 記載する内容 ・何を作るか？ 開発する機能そのものの説明 ・誰が使うか？ この機能を利用するユーザーやシステムを記載する ・なぜ必要か？ この機能を開発する背景を説明する(最重要) この背景次第では作るものを変えたり、やめたりする。 ・完了定義 正常な場合の挙動を明らかにする。 ボタンやフォームなどが存在している場合には 押下時の動作やバリデーションも全て記載する ・成功定義 この機能がリリースされた時の「成功とはなにか？」を 定量的に規定する。 ・論点 あいまいな点、決めないといけない点を記載する
スタートアップのためのデットファイナンス入門
6. ©2017 なかしま6 （資産の部） （負債の部） 【流動資産】 【流動負債】 現⾦及び預⾦ 買掛⾦ 売掛⾦ 短期借⼊⾦ 短期貸付⾦ 未払⾦ 製品及び商品 【固定負債】 【固定資産】 社債 （有形固定資産） ⻑期借⼊⾦ 建物 ⼟地 負債合計 機械及び装置 （純資産の部） ⼯具、器具及び備品 【資本⾦】 （無形固定資産） 【資本余剰⾦】 ソフトウェア 資本準備⾦ （投資その他資産） 【利益余剰⾦】 投資有価証券 利益準備⾦ ⻑期貸付⾦ その他利益余剰⾦ 【繰越資産】 純資産合計 資産合計 負債・純資産合計 貸借対照表（BS） 【資⾦調達⽅法のおさらい】BSでみる資⾦調達⽅法 7. ©2017 なかしま7 「資産」を現⾦化 アセットファイナンス 「負債」の増加を伴う資⾦調達 デットファイナンス 「資本」の増加を伴う資⾦調達 エクイティファイナンス 外部から
NIPS 2016 Overview and Deep Learning Topics
1. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. NIPS 2016 読み会 @Preferred Networks 2017/1/19 NIPS 2016 Overview and Deep Learning Topics @hamadakoichi 濱田晃一 Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. 2. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. 2 AGENDA ◆Deep Learning Topics ◆NIPS 2016 Overview ◆Generative Adversarial Networks(GANs) ◆Recurrent Neural Networks(RNNs) ◆G
Googleのインフラ技術から考える理想のDevOps
デブサミ2017で発表予定の資料です。 http://event.shoeisha.jp/devsumi/20170216 2017/02/14 ver1.0 公開Read less
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
[DL輪読会]Learning agile and dynamic motor skills for legged robots
Blockchain Market Trend (June 2018)
[DL輪読会]Learning to Navigate in Cities Without a Map
深層学習フレームワーク�Chainerとその進化
Tutorial laser cut
BLE Localiser for iOS Conf SG 2017
合成変量とアンサンブル：回帰森と加法モデルの要点
Large Scale Jirou Classification - ディープラーニングによるラーメン二郎全店舗識別
