少し前に、機械学習やデータ分析手法を使って脳波を分類してみたいと考えた。 kaggleのコンペティションに手の動きを検知する「Grasp-and-Lift EEG Detection」 (https://www.kaggle.com/c/grasp-and-lift-eeg-detection) があったので、勉強のために翻訳を試みた。 当コンペは2015/8に締め切りを迎えており、2017/2/25現在のトップチーム「Cat & Dog」のAlexandre Barachant氏のGithubリポジトリに記載されている、「Signal Processing & Classification Pipeline」から「Code」までの区間、モデルの概要説明を翻訳したいと思った。 当方の脳および信号処理についての知識が乏しく、また、注として「（＊〜＊）」を挿入して読みづらくしてしまった箇所が多

This 3-hour course (video + slides) offers developers a quick introduction to deep-learning fundamentals, with some TensorFlow thrown into the bargain. ">This 3-hour course (video + slides) offers developers a quick introduction to deep-learning fundamentals, with some TensorFlow thrown into the bargain. Deep learning (aka neural networks) is a popular approach to building machine-learning models

文：Daniel Sim　分析：Lee Shangqian、Daniel Sim、Clarence Ng ここ数ヶ月、シンガポールのMRT環状線では列車が何度も止まるものの、その原因が分からないため、通勤客の大きな混乱や心配の種となっていました。 私も多くの同僚と同じように環状線を使ってワンノースのオフィスに通っています。そのため、11月5日に列車が止まる原因を調査する依頼がチームに来た時は、ためらうことなく業務に携わることを志願しました。 鉄道運営会社SMRTと陸上交通庁（LTA）による事前調査から、いくつかの電車の信号を消失させる信号の干渉があり、それがインシデントを引き起こすことが既に分かっていました。信号が消失すると列車の安全機能である緊急ブレーキが作動するため、不規則に電車が止まる原因となります。 しかし8月に初めて発生した今回のインシデントは、不規則に起こっているように見えるた

(目次はこちら) はじめに これまでの記事 で見てきた、Deep Neural Networks / Convolutional Neural Networks では、精度を高めるために中間層を増やすと、それに伴い、パラメータ数も多くなり、それを学習するためにさらに多くのデータが必要とされる。画像認識のコンペティションなどで上位に来るようなものは、複数のGPUを利用したとしても、当然のように学習に数週間以上かかっている。 正直、こんなに時間がかかるものなんて、頻繁に学習したくない。カテゴリ識別において、たとえば、カテゴリを1つ追加したくなった時、また数週間待つんだろうか？？ 嫌だ。こんなときに用いられるのが、転移学習 (transfer learning) / 深層特徴 (deep features)である。 転移学習 (transfer learning) / 深層特徴 (deep fe

The document discusses applying theory of mind, or the ability to infer the intentions of other agents, to multi-agent reinforcement learning. It introduces three papers that use Bayesian reasoning to model other agents in the Hanabi game. Specifically, the papers develop methods for Bayesian action decoding and simplified action decoding to enable agents to reason about each other's intentions du

ロボットから自動運転車、はては囲碁・将棋といったゲームまで、昨今多くの「AI」が世間をにぎわせています。 その中のキーワードとして、「強化学習」というものがあります。そうした意味では、数ある機械学習の手法の中で最も注目されている(そして誇張されている・・・)手法ともいえるかもしれません。 今回はその強化学習という手法について、基礎から最近目覚ましい精度を出しているDeep Q-learning(いわゆるドキュン、DQNです)まで、その発展の流れと仕組みについて解説をしていきたいと思います。 本記事の内容をベースに、ハンズオンイベントを開催しました(PyConJPのTalkの増補改訂版) Pythonではじめる強化学習 OpenAI Gym 体験ハンズオン 講義資料の方が図解が豊富なので、数式とかちょっと、という場合はこちらがおすすめです。 Tech-Circle #18 Pythonではじ

筆者注 UPDATE3 Dec 2019 未だストックが伸びていますが、この記事はあまりにも古いです。そろそろこの記事を参考にするのはヤバいと思います。 UPDATE2 Nov 2016 たくさんの反響ありがとうございます。予想以上に「いいね」「ストック」が伸び続けていたため、記事中のよろしくない部分を修正しました。 UPDATE Nov 2016 本記事は筆者自身も未熟な時期に書いたもので、今読み返してみるとやや不正確な表現があったり、既により良い手段に置き換えられている内容が含まれます。足がかり程度にお読みください。 1. はじめに この記事の想定読者 私 VagrantとDocker、どちらも名前だけは知ってるという方 インフラ構成のコード化と共有に興味があるけどまだ触ってないという方 各種ソフトの概要と利用シーンについて軽く触れつつ、調べた内容をまとめておきました。 （執筆時点でそ

今回はVagrantのメリットまでですが・・ この連載のゴール 連載の最後まで読んでいただくと Dockerとは何か、どんなメリットがあるのか より理想的な開発環境とはどんなものか、テスト環境や本番環境への影響は？ といったことがわかるようになります。おそらく。 前提 サーバーを自分でセットアップしたことのない方、ようこそ！ そして黒い画面1に不慣れな方、ようこそ！ 以下、インフラ？そんなの仕事じゃないよ？な方に向けた記事です。 正確な説明や絶妙な比喩よりも、わかりやすさを優先します。 ケース: 開発環境セットアップ 突然ですが、 「会社のホームページ作ってよ 」と頼まれたらどうしますか？ もちろん HTMLを書けばいいんですが、同時にブラウザで確認もしたい。 Windowsなら XAMPP、Macなら MAMPをインストールするかもしれません。 ですが 「新製品のホームページは会員ページ

Recurrent Neural Network 時系列データを扱うRNN Long Short-Term Memory Networks 来月の航空会社の乗客数を予測する TFLearnと必要なライブラリのインストール まずは乗客数のデータを可視化してみる LSTMネットワークを構築しよう TensorBoardで誤差を可視化する 時系列分析での予測精度の指標 RMSE(Root Mean Squared Error) RMSLE(Root Mean Squared Logarithmic Error) MAE(Mean Absolute Error) MAPE(Mean Absolute Percentage Error) 結果を可視化する Window幅を変えてみる GRU(Gated Recurrent Unit)を使う GRUの層を増やしてみる LSTM学習のコツ まとめ 参考

TensorFlowでのDeep Learningによるアイドルの顔識別 のためのデータ作成 - すぎゃーんメモ の記事で書いているけれど、学習用データとして使うために収集した画像から「顔の領域」だけを切り出して「固定サイズ」(112x112など)に切り出す必要があって。 以前にも書いたけど、自撮り画像はけっこう顔が傾いた状態で写っているものが多いので、それも検出できるようにしたりしている。 Heroku + OpenCVで簡易顔検出API - すぎゃーんメモ で、せっかく傾きの角度も含めて検出できるならそのぶんを補正して回転加工して切り出すようにしていて。 …というのを RMagick のRVGを使ってcanvasっぽい感じでどやこや書いていたのだけど、どうも使っているImageMagickのバージョンなどの影響もあるのかもしれないけど #destroy!とか明示的に呼んでるはずなのにメ

アイドル顔識別のためのデータ収集 をコツコツ続けて それなりに集まってきたし、これを使って別のことも…ということでDCGANを使ったDeep Learningによるアイドルの顔画像の「生成」をやってみた。 まだだいぶ歪んでいたりで あまりキレイじゃないけど…。顔画像を多く収集できているアイドル90人の顔画像からそれぞれ120件を抽出した合計10800件をもとに学習させて生成させたもの。 分類タスクとは逆方向の変換、複数のモデル定義などがあってなかなか理解が難しい部分もあったけど、作ってみるとそこまで難しくはなく、出来上がっていく過程を見るのが楽しいし とても面白い。 DCGANとは "Deep Convolutional Generative Adversarial Networks"、略してDCGAN。こちらの論文で有名になった、のかな？ [1511.06434] Unsupervise

博士をとってから大学で博士研究員として1年ほど働いたが、先日、民間企業から内定をいただいて大学を去ることになった。転職の活動をする中で思ったことを書き残しておきたい。自分と同じ程度に何も考えず、ちゃらんぽらんに博士課程に進もうとしている人の参考になればよいと思う。 １．スペック 男29　バイオ系　医学研究科所属（non-MD）　特筆すべき業績は無い いわゆるピペド的な分野だけど、医学系に所属していたことが就職にプラスとなった模様。 ２．ポスドクを辞める理由 一般的な基準で言ってブラックな職場だったから。 1日6時間勤務で時給1670円。つまり日給1万円。額面20万程度なので、手取りは16~17万ほど。残業手当や休日出勤手当についての規定はいろいろ事細かに書いてあるが、残業や休日出勤は存在しないことになっている。生物相手の仕事なので6時間の中で全ての仕事を収めることが不可能である。場合によっ

一般物体検出アルゴリズムの紹介 今回CNNを用いた一般物体検出アルゴリズムの有名な論文を順を追って説明します。 コンピュータビジョンの分野において、一般物体検出とは下記の図のように、ある画像の中から定められた物体の位置とカテゴリー(クラス)を検出することを指します。 [6]より引用 Deep Learningアルゴリズムの発展によって、一般物体認識の精度は目まぐるしい勢いで進歩しております。 そこで今回はDeep Learning(CNN)を応用した、一般物体検出アルゴリズムの有名な論文を説明したいと思います。 R-CNN (Regions with CNN features) (CVPR 2014) [1] かの有名なCNNの論文[8]で、ILSVRC 2012の物体認識チャレンジで大差をつけて1位になりました。 このチャレンジでは1枚の画像が1000クラスのうちどれに属するかを推定する

CodeZine編集部では、現場で活躍するデベロッパーをスターにするためのカンファレンス「Developers Summit」や、エンジニアの生きざまをブーストするためのイベント「Developers Boost」など、さまざまなカンファレンスを企画・運営しています。

本日、入力したコードやはてな記法をそのまま表示するスーパーpre記法の拡張を行い、ソースコードや html などのシンタックス・ハイライトを行う機能を実装しました。これまではてなグループのみでお使いいただけた機能でしたが、ご好評をいただいたことによりはてなダイアリーでも実装いたしました。 シンタックス・ハイライトを行うには、ハイライトさせたいファイルタイプを、行頭の >|| の2本のパイプ（ || ）の間に指定してください。例として >|ruby| class Foo def bar 'baz' # return baz end end ||<と記述すると class Foo def bar 'baz' # return baz end end とハイライトされて出力されます。 また、>|?| と || の間に ? を入力すると、自動で判別されハイライトされます。ただしほとんどの場合、一行