ディープラーニングのサマースクールで学んだ26のこと | POSTD
(訳注：2015/11/4、いただいた翻訳フィードバックを元に記事を修正いたしました。) 8月の初めに、モントリオールでディープラーニングのサマースクールに参加することができました。サマースクールは10日間にわたるもので、著名なニューラルネットワークの研究者の講演で構成されていました。この10日間で、私は1件のブログ投稿にはまとめきれないほど多くの事を学びました。ここで私は、60時間で得られたニューラルネットワークの知識をそのままお伝えしようと試みるのではなく、1パラグラフに要約できるようなちょっとした面白い情報のリストを作ることにしました。 これを書いている現在、 サマースクールのウェブサイト は現存しており、全てのプレゼンテーションのスライドが載せられています。全ての情報とイラストはこれらのスライドから利用しており、権利はそれぞれのオリジナルの著者に帰属するものです。またサマースクール
非負値行列因子分解 - sonoshouのまじめなブログ
このエントリーは、集合知プログラミング第８章を参照にしています。 非負値行列因子分解は、データマイニングの手法の一つである。 データの重要な特徴を抽出するために用いられる。 非負値行列因子分解は、non-negative matrix factorizationの日本語訳であり、 よくNMFと省略されるので、こちらの省略形も覚えておきたい。 非負値行列因子分解の基本的なアイディア非負値行列因子分解は、その名の通り、行列を正の数（非負値）で因子分解することで、 特徴の抽出を行う。 因子分解とは、掛け合わせることで再び分解前の行列を構築できるような ２つの小さな行列を探し出すということである。 非負値行列因子分解の例以下、具体例を交えながら解説する。 文書の記事と記事内に存在する単語との対応付けがあるとき、 これらに対してNMFで特徴を抽出する。 対応付けの表は以下のようになっているとする。
第一線のAI研究者が注目する最新機械学習技術6選（NIPS2015招待講演より） - 作って遊ぶ機械学習。
ちょっと前になりますが、昨年12月に行われた機械学習のトップカンファレンスであるNIPS2015の講演ビデオが上がっているようなのでチェックしてみました。今回ご紹介するのはケンブリッジ大学のZoubin Ghahramani教授の研究です。 datasciencereport.com 同教授は今後excitingな機械学習の基礎・応用に関する取り組みとして次のような６テーマを紹介しています。 ・Bayesian Nonparametrics ベイジアンノンパラメトリクスでは、無限次元を持つモデルを仮定することにより、データ量に応じて適切なモデルを学習することができます。こういったモデルは関数上の確率分布（確率過程）を考慮することによって実現できます。代表的な例はガウス過程、中華料理店過程、インド料理過程などです（ご飯ばっかりですね）。 ガウス過程は、回帰や識別、ランキングや次元削減に使われ
生成モデルの Deep Learning
PFIセミナー(2016/02/25)で発表したスライドです。伝承サンプリング可能な生成モデルに関するDeep Learningの紹介です（キーワード：Wake-Sleep, 変分 AutoEncoder, Generative Adversarial Nets, Likelihood Ratio）Read less
読書日記: 読了：Domingos(2012) 機械学習について知っておきたい12の事実
« 読了：Ljungqvist, et al.(2015) 重度の精神疾患患者に毎月お金を渡したら？ | メイン | 読了: Ronkko, McIntosh, & Antonakis (2015) PLS-SEMに怒りの鉄拳を » 2016年1月 7日 (木) Domingos, P. (2012) A Few Useful Things to Know about Machine Learning. Communications of the ACM, 55 (10), 78-87. たまたま見つけて、前半はお茶を飲みながらぼけーっと眺めていたのだけれど、途中でこりゃあ勉強になるわと気づき、心を入れ替えて真剣に読んだ。大変面白かった。 きわめてイイカゲンな訳だが、メモをとっておくと... みんな機械学習使ってますね。教科書もいっぱいありますね。でも、機械学習をうまく使うためには、知って
SIG2D
今回の C93 で頒布した既刊 SIG2D’15/‘16 に，表紙と中身が入れ替わるという印刷ミスが発覚しました． カラー表紙に書いてあるタイトルと，その次のページ（扉）にあるモノクロ版表紙絵に書いてあるタイトルが異なる場合，今回の印刷ミスの影響を受けています． 会場で手に取って購入して頂いた方々に，大変ご迷惑をおかけしてしまい，申し訳ございません． 現在，対応を検討中です．決まり次第，当ウェブサイトおよび Twitter アカウント にてアナウンス致しますので，今しばらくお待ち下さい．
Chainerを用いたマルウェア検出への取り組みについて - Longbow
2015 - 12 - 13 Chainerを用いたマルウェア検出への取り組みについて この記事は Chainer Advent Calendar 2015 13日目 の記事です． はじめに Chainerで実装を進めているのですが，今回は構想的な話をします．ご容赦下さい． 私は 修士論文 でEディスカバリ *1 を対象に 自然言語処理 と 機械学習 を用いて研究を進めていますが，それとは別に，Deep Learningで マルウェア 検出に取り組んでいます．本当は研究室配属された時に，これで論文書きたいと思っていましたが，色々大変であることが発覚したので，個人的に細々とやっている感じです．卒業までになんとか実現しようと奮闘しております． マルウェア を 機械学習 させるための戦略 マルウェア にも様々な種類がありますが，PEフォーマット *2 の マルウェア を対象にしております． マル
論文紹介: Fast R-CNN&Faster R-CNN
第二回 Deep Learning Acceleration 勉強会（DLAccel #2） での発表資料 https://idein.connpass.com/event/139074/ 高速化技術を下記の6観点で紹介 - 畳み込みの分解 (Factorization) - 枝刈り (Pruning) - アーキテクチャ探索 (Neural Architecture Search; NAS) - 早期終了、動的計算グラフ�(Early Termination, Dynamic Computation Graph) - 蒸留 (Distillation) - 量子化 (Quantization)
20140131 R-CNN
第27回 CV勉強会＠関東 「コンピュータビジョンでこんなもの作ってみたLT大会」 発表資料 Deep Learningで物体検出Read less
スライド 1
論理に基づく確率モデリングのこれまで，これから 亀谷由隆（東京工業大学） 28/Mar/2011 1 第4回IBISML研究会 発表内容 • はじめに • “論理 + 確率” における諸論点 • 論理に基づく確率モデリングのこれまで – 命題論理に基づく確率推論の高速化 – 統計的関係学習 (SRL) / 確率論理学習 (PLL) – 確率モデリング言語処理系 • PRISM • 論理に基づく確率モデリングのこれから • まとめ 28/Mar/2011 2 第4回IBISML研究会 発表内容 • はじめに • “論理 + 確率” における諸論点 • 論理に基づく確率モデリングのこれまで – 命題論理に基づく確率推論の高速化 – 統計的関係学習 (SRL) / 確率論理学習 (PLL) – 確率モデリング言語処理系 • PRISM • 論理に基づく確率モデリングのこれから • まとめ 28/
Keras Documentation
Keras is now available for JAX, TensorFlow, and PyTorch! Read the Keras 3.0 release announcement "Keras is one of the key building blocks in YouTube Discovery's new modeling infrastructure. It brings a clear, consistent API and a common way of expressing modeling ideas to 8 teams across the major surfaces of YouTube recommendations." Maciej Kula Staff Software Engineer - Google "Keras has tremendo
確率伝播アルゴリズムとは
確率伝播アルゴリズムとは ー 脳の認識機構と関係が深い「確率伝播アルゴリズム」に ついて、極力分かりやすく解説する ー 2010-02-26 産業技術総合研究所 脳神経情報研究部門 一杉 裕志 内容 • 確率論の基礎知識の復習 • ベイジアンネットとは • 確率伝播アルゴリズム 背景 • ベイジアンネットを用いて大脳皮質の機能を 実現する研究が大きく進展しつつある。しかし 関連論文はベイジアンネットの基礎知識がな いと重要性を理解しずらい。 • ベイジアンネットの基本事項は数学的には実 は難しくない。四則演算しか使わない。 • しかし確率論の独特の記法のため独学には 敷居が高い。本資料ではできるかぎり親切に 説明することを試みる。 確率論の基礎知識の復習 確率論の基礎知識の復習 • 確率変数 X が x という値を取る確率： – 省略した記法： • 確率変数 X の確率分布： • 同時確率
Variational Bayesian methods - Wikipedia
Variational Bayesian methods are a family of techniques for approximating intractable integrals arising in Bayesian inference and machine learning. They are typically used in complex statistical models consisting of observed variables (usually termed "data") as well as unknown parameters and latent variables, with various sorts of relationships among the three types of random variables, as might b
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
2020/6/11 画像センシングシンポジウム オーガナイズドセッション2 「限られたデータからの深層学習」 https://confit.atlas.jp/guide/event/ssii2020/static/organized#OS2 での招待講演資料です。 コンピュータビジョン分野を中心とした転移学習についての講演です。 パブリックなデータセットも増えていて、物体検出や領域分割などの研究も盛んですが、実際に社会実装しようとするときのデータは学習データと異なる性質（異なるドメイン）のデータである場合も非常に多いです。 本講演では、そのような場合に有効なドメイン適応の原理となるアプローチ2つと応用としての物体検出と領域分割の事例を紹介しています。
「知識」のDeep Learning
1. The document discusses knowledge representation and deep learning techniques for knowledge graphs, including embedding models like TransE, TransH, and neural network models. 2. It provides an overview of methods for tasks like link prediction, question answering, and language modeling using recurrent neural networks and memory networks. 3. The document references several papers on knowledge gra
確率伝搬法 - Wikipedia
確率伝搬法 (かくりつでんぱんほう、英: belief propagation) あるいはSum-productメッセージ伝達法 (英: sum-product message passing) とは、ベイジアンネットワークやマルコフ確率場などのグラフィカルモデル上で作用する、メッセージ伝達のアルゴリズムである。このアルゴリズムは、既に観測されているノードの状態を基に、観測されていないノードの周辺分布をそれぞれ計算する。確率伝搬法は主に人工知能や情報理論の分野で広く用いられており、低密度パリティ検査符号、ターボ符号、自由エネルギー近似、充足可能性問題を含む、数多くの応用の成功が経験的に確かめられている。 確率伝搬法という表記について、一般に「伝搬は誤りで、伝播が正しい」と言われることがあるが、工学分野では電波法において「電波伝搬」という用語が正式に採用されており、情報分野においても「ループ
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
StackPath
8.4 グラフィカルモデルによる推論
https://dl.acm.org/doi/10.5555/2073796.2073849
GitHub - pgmpy/pgmpy: Python Library for learning (Structure and Parameter), inference (Probabilistic and Causal), and simulations in Bayesian Networks.
