2021年の深層学習ハイライト（応用事例編） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに この記事は前回の研究論文編の続編です．今回は，2021年のおもしろかった深層学習応用事例を紹介します． * 本記事は，私のブログにて英語で書いた記事を翻訳し，適宜加筆修正したものです．元記事の方も拡散いただけると励みになります． 事例4選 紹介するのはこちらの4事例です！ AlphaFold2 GitHub Copilot Airfriend Google Meetの背景効果 AlphaFold2 タンパク質の機能はその構造に依存するため，タンパク質の構造は生物の内部で何が起きているのかを理解するための鍵の一つです．しかし，タ
【保存版】環境構築不要！Google Colaboratoryで始める「ゼロから作るDeepLearning」 - Qiita
「ゼロから作るDeepLearning」とは？ DeepLearningの理論非常に丁寧に説明している良書です。ライブラリに頼らず理論を理解してゼロから実装するので、「DeepLearningの理論をしっかりと理解したい！」という人におすすめです。ですが、Pythonの文法の説明は少ないので、ある程度入門書などでPythonの基礎を習得していないと理論は理解できてもプログラムを理解するのは難しいかと思います。 以下から購入できます。 https://www.amazon.co.jp/dp/4873117585/ref=cm_sw_em_r_mt_dp_U_dEFvEb1FVX4AK プログラムをGoogle Colaboratoryで動かしたい https://github.com/oreilly-japan/deep-learning-from-scratch 上記のGithubにそれぞ
機械学習・アルゴリズム関連まとめ - Qiita
損失関数・不均衡 不均衡データにおけるsampling ランク学習のListNetをChainerで実装してみた 不均衡データへの決定打となるか！？「Affinity loss」の論文を読む、実装する 不均衡データを損失関数で攻略してみる 解説編：オーバーサンプリング手法解説 (SMOTE, ADASYN, Borderline-SMOTE, Safe-level SMOTE) LightGBMでランキング学習 半教師あり学習のこれまでとこれから Struggling with data imbalance? Semi-supervised & Self-supervised learning help! 深層学習 転移学習：機械学習の次のフロンティアへの招待 ディープラーニングの判断根拠を理解する手法 [DNC (Differentiable Neural Computers) の概要
最近、Neural Network Console の動画がやたら充実している件 - Qiita
1.はじめに 皆さん、Neural Network Console をご存知でしょうか？ Neural Network Console は、2017年8月にSONYから発表されたディープラーニングの統合開発ソフトウエアです。プログラミング無しのドラッグ＆ドロップだけで簡単にニューラルネットワークの設計開発が出来、しかもワークステーションの様な美しい画面なのに、なんと無料で提供されているんです（なんて太っ腹な！）。 かく言う私も、Pythonを覚えなくてもディープラーニングが出来ると言うことに凄い魅力を感じ、発表当初から１年間くらいは色々遊んでみた記憶があります。 最近、ひょんなことから、Neural Network Console 関係の動画がやたら充実（2020年1月17日時点で47本）していることに気づきチェックしてみると、チュートリアル以外にディープラーニングの一般的な知識について分
Deep Learning論文紹介 - Qiita Advent Calendar 2019 - Qiita
目的 Deep Learningに関する論文を気軽に紹介しましょう！書き手は知識をさらに深めるために、読み手は新しい知識を得るために活用してください。 内容は自由。概要だけを簡単に紹介してもよし。内部を詳細に説明しても、実装に関する説明でもよし。この機会にあなたが読みたかった / 読んだ論文を紹介してみませんか？
強化学習手法の分類と簡易的内容 - Qiita
と再帰的に計算できます． 価値関数 V(s) ある状態 $s$ からスタートしたときのリターン $C$ の期待値を価値関数 $V(s)$と呼びます．例えば，時刻$t=0$での状態 $S_0$ を $s$ としたとき，$V(s) = \mathbb{E}[C_0|S_0=s]$と表現されます． 効用関数 q(s,a) 価値関数 $V$ は状態 $s$ の関数($V(s)$)でしたが，更に行動も含む関数として，効用関数$q(s,a)$が存在します．同じ状態$s$に対して，$q$が大きくなるような$a$がより良い行動であるということになります． 行動価値関数 Q(s,a) リターンを用いた効用関数として，行動価値関数(Q関数)があります．時刻$t=0$からのリターンを用いると，$Q(s,a) = \mathbb{E}[C_0|S_0=s,A_0 = a]$として表されます． 方策モデル 方策をど
【スマホOK/実行しながら学ぶ】東大松尾研のデータサイエンティスト育成/ Deep Learning基礎講座を自習する - Qiita
2019/5/11 PR: こちらの内容を含め、2019年5月11日発刊の 図解速習DEEP LEARNINGという本ができました。[2019年5月版] 機械学習・深層学習を学び、トレンドを追うためのリンク150選 - Qiitaでも、一部内容をご覧いただけます 2019/3/9 ここで紹介している講座が、「東京大学のデータサイエンティスト育成講座」として書籍化されました! 2019/3/9 Colaboratoryに関する情報交換Slackを試験的に立ち上げました。リンクより、登録・ご参加ください。 TL;DR 東大松尾研がJupyter notebook形式でデータ分析/ Deep Learning講義内資料をそれぞれ公開 Google Colaboratoryを使えば、Python等セットアップ不要ですぐに始められる セットアップ後は、スマホブラウザでもok そもそもデータ分析/人工
【論文読み】新・オートエンコーダで異常検知 - Qiita
以前の記事でオートエンコーダによる異常検知は古い！と書いてしまいましたが、 最近は進化しているようです。 今回ご紹介する論文は、損失関数を工夫することで通常のオートエンコーダよりも 異常検知能力を上げる手法です。 ※本稿の図は論文（Improving Unsupervised Defect Segmentation by Applying Structural Similarity To Autoencoders）より引用しています。 論文の概要 通常のオートエンコーダによる異常検知は、微小な異常は捉えられない。 そこで、一枚の画像に対し小さな枠を用意して「輝度」、「コントラスト」、「構造情報」の類似度を計算して異常検知を行う。 本手法を使うことで、通常のオートエンコーダやVAEの異常検知と比べて、AUCで大幅な向上が見られた。 異常部分の可視化についても、通常のオートエンコーダよりも優れ
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
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
