BNO055をESP32やTeensyで使う - Qiita
今回は出荷時の設定そのままで使用できます。 BXM055に比べてジャンパがさらに小さいです。 目視だとJP4,JP5がオープンのように見えますが、ジャンパの間に凸があり、しっかりショートしてます。（写真の左下にジャンパがあるのが見えるでしょうか。必要に応じてここをはんだでブリッジします。） 動作確認 下記のサイトが参考になります。まずはプロセシングでうさぎを回しましょう。 ホームメードガービッジ：モーションセンサ BNO055 モジュールの動作確認 上記の補足としまして、現在はAdafruit_BNO055ライブラリは、ArduinoIDEのライブラリ管理より「BNO055」を検索してインストールすることができます。 動かない時！ 接触不良は大いにあり得ます。接点に対してなかなかセンシティブなようです。 ブレッドボードにしっかり刺さっていても内部的に接触不良を起こしている場合や、ジャンパワ
「時系列分析」にはグーグルやフェイスブックが考案した最新手法がお薦め
ビジネスでデータサイエンスを活用するシーンとして、過去データを使って将来を予測するタイプの問題がある。商品販売数や店舗売上高など、折れ線グラフを使って表現するようなデータ（時系列データ）に基づいた時系列分析だ。過去の販売データに基づいて翌月の発注量を決めたり、3年後など中長期の計画を策定したりするのに使う。今回は、この時系列分析に活用しやすい3つのアルゴリズムを見ていこう。 Prophet
時系列予測を一次元畳み込みを使って解く with Keras - Qiita
こんにちはみなさん。 本記事はKerasアドベントカレンダーの6日目となります。 他の方と比べてしょうもない記事ですが、がんばります。 時系列予測とか時系列解析をするのに、機械学習界隈で一般的な手法はRNN ( リカレントニューラルネットワーク ) だと思うのですが、これの理論て結構難しくて、特にLSTMなんて、私は未だによくわからないし、コードを見てもちんぷんかんぷんです。 そんなの知らなくてもとりあえず動けば問題ないっちゃ問題ないんですが、やっぱりある程度自分が動きを理解できているもののほうが、安心して使えるというものです。 というわけで、一次元畳み込みを使って時系列解析をするという話が出てきているので、kerasを使ってその使い心地を調べてみました。 畳み込み( Convolution ) を使ったニューラルネットワーク ( CNN ) は、今や機械学習の代名詞のようなものですが、C
【深層学習】時系列データに対する１次元畳み込み層の出力を可視化 - 株式会社カブク
機械学習エンジニアインターン生の杉崎です。 今回は時系列データ予測に一次元畳み込み層を使用した際の出力の可視化の方法について書きたいと思います。 本記事の目的 深層学習における畳込み層は多くは画像等の２次元データに使われることが多いです。そして、ブラックボックスであるモデルに対して理由を明らかにするため、中間層の重みや出力を取り出し可視化する様々な手法が提案されています。(下図) 画像引用元 しかし、そんな中で一次元畳込み層(Conv1D)を用いたモデルでは可視化の事例があまり多くありません。そこで今回はConv1D層の出力の可視化の一例についてご紹介します。 目次 本記事の目的 画像などの２次元データに対する可視化手法は数多く提案されている。 しかし、１次元データに対する中間層の可視化は事例が少ない。 そこで、１次元データを入力とする１次元畳み込み層(Conv1D)を使用したモデルを用い
計算できるもの、計算できないもの
計算機による計算とは何か、計算できるものとできないものの境界はどこにあるのか―それを明らかにする計算理論は、計算機科学においてもっとも基本的、かつ重要なものです。本書では、概念の説明や、結果の証明にPythonプログラムを利用する実践的なアプローチにより、計算可能問題と計算不能問題、扱いやすい問題と扱いにくい問題があること、文章では簡単に表現できても計算機には解けない重要な問題が数多くあること、効率よく解ける問題と解けない問題があることなどを、計算理論の礎を築いたアラン・チューリングとリチャード・カープの論文の抜粋とともに解明します。チューリングマシン、有限オートマトン、万能計算、非決定性、チューリング還元、計算量クラス、NP完全性などのトピックをカバーしています。 謝辞 まえがき:教科書として使う方へ 全体像 1章 はじめに:計算できるもの, できないものとは 1.1 扱いやすい問題 1
カメラ感度の評価方法
EMVA1288 撮像性能標準を用いてのカメラ性能比較 内容： EMVA1288 に基づく撮像性能測定基準の紹介 様々な測定基準の定義と測定法 異なる露光時間での低照度性能の比較 従来型 CCD センサーと最新型 CMOS センサーの比較 ソニー Pregius センサーの各世代の比較 結論 フレームレートや解像度、インターフェイスといった基本的なカメラ仕様を比較することは、それほど難しいことではありません。フリアーシステムズの最新版カメラ選択ツールを利用すれば、14 項目を超える EMVA 規格の仕様条件から絞り込み検索を行い、プロジェクトの要件にぴったり合うモデルを見つけることができます。ですが、量子効率やテンポラルダークノイズ、飽和容量など、撮像性能の比較となるともう少し複雑です。まずは、様々な測定基準の意味を正確に理解する必要があります。 量子効率とは何でしょうか? また、どの波長
もう YouTube の英語セッションも怖くない！日本語 & 英語の字幕を同時表示できる Chrome 拡張機能 『Language Learning with Youtube BETA』 が便利 | DevelopersIO
コンバンハ、千葉（幸）です。 YouTube で英語の動画を見る際には、字幕機能と文字起こし機能が大変便利です。標準で備わっているこれらの機能を活用することで、概ね問題なく英語のセッションを視聴することができます。 とはいえ、さらに便利なものが世の中には用意されていました。 Chrome 拡張機能の LLY ( Language Learning with Youtube ) BETA です。 どんな感触なのかご紹介していきます。 目次 目次 YouTube の字幕機能と文字起こし機能 LLY を使うと何が嬉しいのか 字幕がリッチになる 文字起こしがリッチになる 他にもいろいろ嬉しい 終わりに YouTube の字幕機能と文字起こし機能 ツールの確認の前に、まずは標準機能でどういったことができるかを押さえておきましょう。 以下のイメージです。 字幕と文字起こし、これだけでもだいぶ助かります
画像データに対するActive learningの現状と今後の展望 ~最新の教師なし学習を添えて~ - ABEJA Tech Blog
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
機械学習におけるハイパーパラメータ最適化の理論と実践 Part.1
2019年9月16、17日、日本最大のPythonの祭典である「PyCon JP 2019」が開催されました。「Python New Era」をキャッチコピーに、日本だけでなく世界各地からPythonエンジニアたちが一堂に会し、さまざまな知見を共有します。プレゼンテーション「機械学習におけるハイパーパラメータ最適化の理論と実践」に登壇したのは、株式会社サイバーエージェント／産総研特定集中研究専門員の野村将寛氏。講演資料はこちら ハイパーパラメータ最適化問題 野村将寛 氏（以下、野村）：簡単に自己紹介をさせていただきます。僕は今、サイバーエージェントのAI Labという研究組織に所属していまして、ハイパーパラメータ最適化の研究をしています。先ほどの午前中のセッションで、AutoMLのセッションがあったと思うんですけど、そちらで発表していた芝田のチームメンバーになります。 産総研でもハイパーパ
Pythonではじめる教師なし学習
教師なし学習はラベル付けされていないデータから学習する機械学習の一種です。現在の機械学習では大量のラベル付きのデータを用いる教師あり学習が主流ですが、ラベルを付けるには膨大なコストがかかります。現実世界に機械学習を適用していくためには、ラベル付けを必要としない教師なし学習の重要性が増してくると考えられます。本書は実践的な視点から、データにある隠れたパターンを特定し、異常検出や特徴量抽出・選択を行う方法を紹介します。ラベルなしデータを有効に利用することで、機械学習の可能性を各段に広げる教師なし学習の本質に迫ります。さらに、変分オートエンコーダ（VAE）や敵対的生成ネットワーク（GAN）、制限付きボルツマンマシン（RBM）などの生成モデルも紹介します。 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、正誤表を作成し、増刷書
高速フーリエ変換の実装を難しそうかなと思っている方が、なんだ簡単じゃないですか！！ となるための実装講座です - CADDi Tech Blog
対象読者さんはどのような方ですか？ FFT（高速フーリエ変換）の定義を知っているものの、その実装が難しそうだと感じて困っている方々です。逆に原理や有用性、理論的な子細にご興味のある方のご期待には応えられないと思います。 目標 FFT に苦手意識のあった方が、最低限動くコードを書くだけなら簡単かも？ と感じてくださるまでになれたら、私はとっても嬉しいです。 離散フーリエ変換とは 定義はウィキペディアにあります。（責任放棄） wikipedia: 離散フーリエ変換 今回採用する定義 最速で実装までたどり着きたいですから、理論的なところはスキップです。 $N = 2 ^ n$ としましょう。$N$ 次多項式を入れると $N$ 次多項式を返してくれる何かがフーリエ変換です。多項式と言いましたが、コンピュータープログラムですから、係数を並べたものだと思ってくださると嬉しいです。 複素係数 $N$ 次
パラメータ数を激減させる新しい畳み込み「MixConv」解説！
３つの要点 その１ パラメータ数を激減させる新しい畳み込みMixConvを提案 その２ MixConv層を含んだモデルをAIに自動生成(=NAS)させることでMixNetを開発 その３ MixNetはMobileNet-V3やMnasNetなどの小型画像認識モデルのみならずResNet-153に対してはパラメータ数1/9程度で性能を凌いだ MixConv: Mixed Depthwise Convolutional Kernels written by Mingxing Tan, Quoc V. Le (Submitted on 22 Jul 2019 (v1), last revised 1 Dec 2019 (this version, v3)) Journal reference: BMVC 2019 Subjects: Computer Vision and Pattern
TensorFlow2.0 with KerasでいろいろなMNIST（TPU対応） - Qiita
TensorFlowのいろいろな書き方「Keras API」「Custom train loop」「Custom layer」についてMNISTの例を解説します。また、TF2.0＋KerasでColab TPUを使った訓練方法も解説していきます1。 TensorFlow2.0での書き方 TensorFlow2.0の書き方は何種類かあります。Kerasの作者によるColab Notebookによると、 縦軸に注目してください。上に行くほど高レベルAPI、下に行くほど低レベルAPIとなります。各項目が何を表すかと言うと、 Built in training/eval loops ： Kerasのfit()やevaluate()といった関数を使うものです。TF1.X時代のKerasとほぼ同じです。 Customized step-by-step loops : Kerasのfit()などを使わず
深層学習による自然言語処理 - RNN, LSTM, ニューラル機械翻訳の理論
本稿ではニューラルネットワーク，誤差逆伝播法，言語モデル，RNN，LSTM，ニューラル機械翻訳の一連の手法について数理的に解説する． 前編の目次 ニューラルネットワーク 順伝播 (Forwardpropagation) 逆伝播 (Backpropagation) リカレントニューラルネットワーク (RNN) Recurrent Neural Network Language Model (RNNLM) Backpropagation Through Time (BPTT) Long Short-Term Memory (LSTM) Gated Recurrent Unit (GRU) RNN のドロップアウトとバッチ正規化 ニューラル機械翻訳 (NMT) Sequence to Sequence (seq2seq) 注意 (Attention) 双方向エンコーダー・多層LSTM 評価手法
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
RayLab – Optical System Design and Analysis
RayOptics Documentation — ray-optics 0.8.6.post1.dev3+g9ee2b7f documentation
KerasのFunctional API で多入力・多出力モデル
My_NoteBook/情報工学/情報工学_機械学習_NN_Note.md at master · Yagami360/My_NoteBook
CP Seminar
How to generate TLE file?