創業105年の星野リゾートでは、他社と差別化を図るために、多くのシステムを独自に作っていたが、旅館運営企業を生業であったため、ほぼ全てのシステムを外部に発注していました。 そのため、近年の技術の進化やビジネスの展開にシステムが追いつかず、システムが企業のボトルネックになっていました。 本セッションでは、非IT企業である星野リゾートが、システム開発の内製化を目指し、どのように毎週リリースするチームを一から構築したのかお話いたします。Read less
![創業105年の旅館運営企業が実現した 毎週リリースするチームの作り方](https://cdn-ak-scissors.b.st-hatena.com/image/square/54cd77c2d1152e3061193d29efb3f4927dd39f7c/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2F13-d-4developerssummit2020-200213114946-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
2018/7/13に開催されたGTMF2018TOKYOの講演資料です。 講師:山村 達彦(ユニティ・テクノロジーズ・ジャパン合同会社)Read less
4. 公開にあたって ●まえがきに代えて 本書は 株式会社 セガ にて行われた有志による勉強会用に用意された資料を一般に公開するもので す。勉強会の趣旨は いわゆる「大人の学び直し」であり、本書の場合は高校数学の超駆け足での復習 から始めて主に大学初年度で学ぶ線形代数の基礎の学び直し、および応用としての3次元回転の表現の 基礎の理解が目的となっています。広く知られていますように線形代数は微積分と並び理工系諸分野の 基礎となっており、だからこそ大学初年度において学ぶわけですが、大変残念なことに高校数学では微 積分と異なりベクトルや行列はどんどん隅に追いやられているのが実情です。 線形代数とは何かをひとことで言えば「線形(比例関係)な性質をもつ対象を代数の力で読み解く」 という体系であり、その最大の特徴は原理的に「解ける」ということにあります。現実の世界で起きて いる現象を表す方程式が線形な振
1. 画像生成・生成モデル メタサーベイ Unpaired Image-to-Image Translation: 清田浩史 Neural Radiance Field: 相澤宏旭 Object-oriented Representation Learning: 綱島秀樹, 古川遼 Domain Adaptation: 大川武彦 1 http://xpaperchallenge.org/cv 2. グループ紹介 cvpaper.challenge研究グループ「Generations」 画像生成・生成モデルに関連する研究を行うグループ <業績一覧> - Hiroaki Aizawa, Hirokatsu Kataoka, Yutaka Satoh, Kunihito Kato, "Viewpoint-agnostic Image Rendering," Winter Conference o
1. Copyright © TIS Inc. All rights reserved. 機械学習で泣かないためのコード設計 2018 戦略技術センター 久保隆宏 Don't cry anymore when creating machine learning model 2. Copyright © TIS Inc. All rights reserved. 2 ◼ はじめに ◼ 機械学習モデルの開発における問題点 ◼ 原因の特定が難しい ◼ コード上で管理できない依存が発生する ◼ 処理に必要な静的ファイルが多い ◼ 設計による問題の解決 ◼ 機械学習モデル開発におけるモジュール構成 ◼ 構成のポイント ◼ vs問題の切り分けが難しい ◼ vsコード上で管理できない依存が発生する ◼ vs処理に必要な静的ファイルが多い ◼ おわりに 目次 3. Copyright © TIS Inc.
1. Copyright © TIS Inc. All rights reserved. Reinforcement Learning Inside Business 戦略技術センター 久保隆宏 強化学習のビジネス適用に挑戦する現場より 2. Copyright © TIS Inc. All rights reserved. 2 ◼ はじめに ◼ 強化学習活用の現場より ◼ モビリティ ◼ ゲーム ◼ 広告配信 ◼ おわりに Reinforcement Learning inside Business 3. Copyright © TIS Inc. All rights reserved. 3 久保隆宏 TIS株式会社 戦略技術センター ◼ 化学系メーカーの業務コンサルタント出身。 ◼ 既存の技術では業務改善を行える範囲に限界があるとの実感から、戦 略技術センターへ異動。 ◼ 現在は会計/
日本ロボット学会 ロボット工学セミナー 第126回 ロボットのための画像処理技術 講演資料 https://www.rsj.or.jp/event/seminar/news/2020/s126.html 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては深層学習,その中でも特に畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNはクラス分類をはじめとして,物体検出やセグメンテーションなど様々なタスクを解くためのベースネットワークとして広く利用されてきている.本講演では,CNNの発展を振り返るとともに,エッジデバイスで動作させる際に重要となる高速化等,関連する深層学習技術の解説を行う. 1. クラス分類向けモデルについて 1.1. ILSVRCで振り返る進化の歴史 1.2. その他重要なモデル 1
9. 9 1:Unityでシェーダを書いてみる 4:Shader (Standard Surface Shader) を1つ作成する → 適当な名前を付けておく 5:マテリアルにシェーダを割り当てる Shader は以下に作成するのがお勧め Assets > Shaders (Assets 以下ならどこでもいいけど) 6:シェーダをダブルクリックするとエディタが開くので、次ページのシェーダを書く 10. 10 Shader “Custom/shader_uvColor(シェーダ名)" { SubShader { Pass { CGPROGRAM #pragma vertex vert #pragma fragment frag #include "UnityCG.cginc" struct v2f { float4 position : SV_POSITION; float2 uv : T
10. 設計スタイルの違い 2019/8/31 10 関心 モジュール構造 20:80 入出力 ドメインロジック ビジネスルールに基づく計算と判断のロジック画面、テーブル、Web API トランザクションスクリプト 画面やデータに注目して、入出力手続きを構造化 値の種類に注目して、独自の型を定義 ドメインオブジェクトモデル 11. 設計スタイルの違い 2019/8/31 11 関心 モジュール構造 20:80 入出力 ドメインロジック ビジネスルールに基づく計算と判断のロジック画面、テーブル、Web API トランザクションスクリプト ドメインロジックの設計と実装が アプリケーション全体の構造を左右する 画面やデータに注目して、入出力手続きを構造化 値の種類に注目して、独自の型でロジックを構造化 入出力の設計と実装が アプリケーション全体の構造を左右する ドメインオブジェクトモデル
1. DockerCon SF19 で発表の、基礎→マルチ・ステージ・ビルド→最新動向まで Sakura Internet, Inc. Masahito Zembutsu @zembutsu Docker Meetup Kansai #3 #dockerkansai May 24, 2019 Dockerfileを改善するための Best Practice 2019年版 2. DockerCon SF19 での発表に基づく内容 • Dockerfile Best Practices https://www.slideshare.net/Docker/dcsf19-dockerfile-best-practices 2 • 動画もご覧ください https://www.docker.com/dockercon/2019-videos?watch=dockerfile-best-practice
2. 概要:この資料について • ロボティクスの会議ICRA 2019の参加速報 – 著者のフォーカス分野:コンピュータビジョン(CV),パ ターン認識 • 普段は画像/動画を扱っています • CVPR/ICCV/ECCVなどの論⽂を読んでいます • ICRA/NIPS/ICML/ICLR/SIGGRAPHなども読みます • cvpaper.challengeというコミュニティも主宰(次/次々ページ) – 経験値:ICRA 投稿・採択・参加 2回⽬ – ICRAの歴史/分野はコミュニティの⼈の⽅が詳しいので関 連リンク内(11ページ⽬)の情報をご参照ください – このまとめではひたすら著者のICRAの動向/所感や読んだ 論⽂をピックアップするスタイルにします 3. ⽚岡の主宰するcvpaper.challenge 3 • ⽇本のCV分野を強くするチャレンジ! u論⽂読破・まとめ・発想・議論
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている.本講演では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い,それぞれ解説を行う. Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 http
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