TensorFlowを使ったディープラーニングでタイタニックの生存予測
世間的に人工知能というかディープラーニングがとても注目されていて、僕も色々読み漁ったり実際に動かしてみたりして勉強しています。 ディープラーニングの勉強を始めたのは4月とかだったのでもうその頃にはTensorFlowに関する情報も多く、皆さんが使っているなら、ということでライブラリはTensorFlowを使っています。 TensorFlowに関する情報だとやっぱり画像の分類に関するものがとても多いように感じます。機械学習させるときに今まで人間が行っていた特徴量抽出を、少なくとも画像の分野ではディープラーニングが自ら行えるようになったということ、画像はトピックとしてやってて面白いということが理由なのかなと理解していますが、画像以外も扱いたい！と思うようになりました。 (画像分類もmnist、cifer10、cifer10に独自のデータセットを利用する、さらにモデルを改良する、みたいなことも楽
深層学習とTensorFlow入門
3. 3 普段やっていること データマイニング案件の受託開発 データ整形〜実行環境におけるPDCAまで 2017/9/19 Singularity Copyright 2016 Singularity Inc. All rights reserved 要件定義及 びデータ項 目確認 設計 実験計画 データセット準備 モデ ル 実 装 学習・評価＆ チューニング 論文調査 手法選定 データ選定 インフラ設計 根幹に関わる部分なので慎重に 行う必要がある。 データセット収集 データセット作成 データ前処理 読込プログラム作成 経験上かなりの時間が 取られる 学習 評価 パラメータ変更 データ見直し もっとも時間がかかる フェーズ
TensorFlow Playground でわかるニューラルネットワーク
この記事を読みニューラルネットワークに興味を持ち勉強を始めました。 ニューラルネットワークを目で見て直感的に理解できるのは素晴らしいですね。 半年以上も前の記事なのでコメントを読まれているか分かりませんが、お聞きしたいことがあります。 TensorFlow Playgroundの入力層のFeatureについて勉強をしているのですが、なぜ生の入力値(座標x,y)ではなく、Featureを間にかませているかその背景を教えていただきたいです。 というのも、MNISTのチュートリアル等では縦横28x28ピクセルの784個のアドレスのグレースケールの値を入力とし、入力層に784個のニューロンを並べている解説が 多く、TensorFlow Playgroundで行われているようなFeatureの選択がどこから出てきたものなのか分からないのです。 ちょっと宣伝のようになってしまいますが、自分の学習成果の
1
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
