【アスキークラウド2月号・特集連動ロングインタビュー】 自動運転車、ロボット──グーグルが人工知能を使った新たなデータビジネスに着手している。しかし、日本でも人工知能に関する試みは30年以上も前からあったという。なぜ当時は失敗してしまったのか。人工知能研究の草分けである慶応大学理工学部の山口高平教授に、人工知能ビジネスの発祥、日本の最先端研究、そしてグーグルの目指す世界について話を聞いた。 ──グーグルを筆頭に、人工知能がビジネスとして注目を集めています。 このごろ「なぜ最近人工知能がよく出てくるのか」とよく質問されるけど、人工知能はもう57年の歴史がある。3回目なの、人工知能ブームは。最初は1956年。チェスとか定理証明とかを対象に人に、どれだけ迫れるかという感じでやってた。でも産業界からのニーズはチェスや定理証明じゃない。実際の問題が解けないから、ブームはすぐに沈滞した。 1970年代

最も代表的な教師あり分類手法の一つであるサポートベクターマシン。 訓練サンプルから、各データ点との距離が最大となるマージン最大化超平面を求めるという明確な分類基準がある、かつ、一見求めづらそうなこの超平面を一意に求められるということから 数学的に美しい分類手法と言えるでしょう。 サポートベクターマシンの詳しい説明はこちらになります。 サポートベクターマシン - Wikipedia さて、上のWikipediaの記述にもある通り、 マージン最大化超平面は最適化問題の凸二次計画問題となります。 今回は、この凸二次計画問題を勾配法で解くことで、 ハードマージンのサポートベクターマシンを実装しました。 使用したデータ 線形分離可能なデータです。 また、こちらの座標関係をテキストデータにしたものがこちらです。 各行がデータを表しており、スペースで区切られています。 左から、X座標、Y座標、クラス(1

自分の実装した「Numpyで混合ガウス分布のEMアルゴリズムを実装した」のコードを中谷さんの「EM アルゴリズム実装(勉強用) - Mi manca qualche giovedi`?」と照らしあわせて答え合わせしてみる。 まず、EMアルゴリズムってなんなのかって話を簡潔に。観測できている確率変数Xの他に観測できてない確率変数Zもある状況。それを表現するために自分で何か確率モデルを仮定する。その確率モデルのパラメータθを、観測されたデータXから考えてもっとも良さげなものを選びたい。コレが目的。数式で言えばp(X|θ)を最大にするθを求めたい。 但し残念なことにp(X | θ)の式は簡単には最大化できない(できるならEMアルゴリズム使わなくていい)とする。そして幸運なことに完全データの対数尤度 ln p(X, Z | θ)の最大化は簡単だと仮定する。PRMLの下巻p.166あたりの議論と持橋

“手話を勉強するのは難しいが、聴覚障がいがある人ともスムーズにコミュニケーションを取りたい！”“手話で多くの人と話がしたい”そんな夢を叶えてくれそうなのが、こちらの手話を読み取る未来派デバイス「Smart Sign Language Interpreter（スマート・サインランゲージ・インタープリター）」だ。 このほどコンセプトデザインとして発表され、世界的なデザイン賞「レッドドット賞」を受賞したこのリストバンド型のデバイスは、筋電位測定センサーや、傾きや角度を検出するジャイロセンサーを内蔵。さらに、爪に小型の距離センサーを付けることで、手の動きを精確に分析し、手話を読み解いていくのだ。 読み解かれた手話は、その場で“声”に変換できる他、音声データまたはテキストデータとしてスマートフォンに送ることも可能。また、会話の相手が発した音声言語は、テキストや手話の図式として、デバイスの小型スクリー

Shohei HidoChief Research Officer at Preferred Networks America, Inc.

皆様、あけましておめでとうございます。年末年始も卒論の執筆に追われています。 さて、表題どおり。これを実現出来たら論文管理がどれだけ楽になるでしょう。卒論提出したら実装する予定です。 追記 2014/1/13 卒論提出しましたので書き足しました Mendeleyって？ 「Mendeleyは学術論文の管理とオンラインでの情報共有を目的とした、デスクトップアプリケーションおよびウェブアプリケーションの引用管理ソフトウェアである」（Mendeley - Wikipediaより引用） いわゆる文献管理ソフトです。公式サイトはこちら→Mendeley で、このMendeleyでは、Webから論文をインポートするBookmarklet、「Web Importer」が提供されています→Mendeley Web Importer 論文の書誌ページを開いてワンクリックで、論文情報が取り込めます。Web Im

マルコフ連鎖モンテカルロ法入門-1（http://www.slideshare.net/teramonagi/ss-5190440） の続き。お天気推移モデルを拡張して連続モデル（正規分布等）を構築。そのマルコフ連鎖モンテカルロ法をどうするのか？という点を解説。また合わせて熱浴法・メトロポリスヘイスティング法の解説も実施。Read less

第27回R勉強会＠東京(#TokyoR)用のトーク資料。R言語を用いて乱数生成法の１つである逆変換方について解説。Read less

Shiro(2012/01/03 08:43:15 UTC): 昨年のSIGGRAPHで見たこの論文が気になってたので、 2012年の書き初めとして、勉強のために大筋のところを実装してみた。 Jerry O. Talton, et al., Metropolis Procedural Modeling, ACM Trans. Graph. 30(2). 論文pdfは著者のウェブページ http://www.jerrytalton.net/research/ からもダウンロードできる。 著者はソフトウェアも公開しているので、論文に載っているような美麗なグラフィクスを作りたければそちらを使うのが手っ取り早いだろう。ここのメモはあくまで、段階を追って理解することが目的。 この論文の要点は、Reversible Jump Markov chain Monte Carlo (RJMCMC) を「確率

適当なメモなので間違っていたら突っ込んでください Metropolis法でレンダリングするのが最近ますます流行っているらしいです。SIGGRAPH2012のQuasi-Monte CarloのコースでもMetropolis Light Transportとかが話題になってたみたいです。 https://sites.google.com/site/qmcrendering/ さて、よく聞くMetropolis法とは実はただのサンプリング手法でしかありません。手元の「パターン認識と機械学習　下巻」でも「第11章　サンプリング法」のところで出てきます。これによると、Markov Chain Monte Carlo（いわゆるMCMC）というのは最初物理学に起源があり、Metropolis先生とかが開発したそうです。 Metropolis法とはマルコフ連鎖モンテカルロによってある確率分布pに従うラン

■ベイズ統計学を学ぶには 日本でもベイズ統計学に関する本が増えてきました。RやWinBUGSの普及ともにベイズが身近な存在になってきています。しかし、入門書などでは「主観確率」を扱えてビジネスに有用とか書いてありますが、なかなか一般企業でビジネスに使われている状況にはなっていないのではないかと思っています。 その理由はベイズモデルの複雑さ（柔軟さ）にあるのではないかと思います。たとえば、普通のロジットモデルに慣れてしまうと、階層ベイズを使ったロジットモデルを理解するのにちょっとしたハードルがあるように感じられます（少なくとも私はそうでした）。WinBUGSというMCMCサンプラーでモデリングするんだ～というところはなんとなく分かるんですが、モデル式をどのように記述すればいいのかイマイチ想像がつかないのです。 これから紹介する本のようにこのあたりの学習のしづらさを補うものが登場してきましたが

最近は状態空間モデリングの勉強をしています。その一環できちんとMCMCを理解しようとあれこれ資料を漁っていました。マルコフ連鎖モンテカルロ法を実装してみようというブログ記事や「計算統計 2 マルコフ連鎖モンテカルロ法とその周辺」などを読みつつ、メトロポリス法というシンプルなMCMCをPythonで実装してみました。 ■計算条件 ・2変量正規分布からサンプリング 【2変量正規分布】 ・b = 0.5 (ここでは適当にこの値にした） ・burn-in = 0 -サンプリングの挙動を確認するためバーンインは0とした ■Pythonコード #!/usr/bin/env python #-*- coding:utf-8 -*- import math import random import numpy as np import matplotlib.pyplot as plt def metrop

※ここで解説しているお天気推移モデルはオリジナルなものですので、数値・計算等にミスがある可能性が否めませんので、もし間違いを見かけた方は優しく教えていただけると助かります。 お天気推移モデルで理解するマルコフ連鎖モンテカルロ法。２状態離散モデルの解説を中心に、メトロポリス法の解説まで行った。 次は連続モデルや熱浴法・メトロポリスヘイスティング法の解説資料も作成したい⇒完成。以下のLINKを参照下さい。http://www.slideshare.net/teramonagi/ss-5344006 誤字を修正（2010/11/01）Read less