がんばらないTypeScriptのはじめ方 - 角待ちは対空
追記 2019/04/16に以下の記事が公開されました。 employment.en-japan.com gfxさんによる記事です。この記事自体2017年の若干古い記事なので、新しく読む方は最新版である上記の記事を読んだほうがいいでしょう。 このエントリは2017/07/12に行われたHatena Engineer Seminar #8 @ Tokyoの発表内容をブログ向けに書き直したものです。 事前の通知では「CoffeeScript脱出にみるTypeScript2.4時代のベストプラクティス」がタイトルだったのですが、主題を変えたためタイトルも「がんばらないTypeScriptの始め方」に変更させていただきました。CoffeeScript脱出の話は一応出てきます。 社内のTypeScript事情 その後のTypeScript 現在の様子 TypeScriptのがんばらないはじめ方
「情報幾何」に入門するための資料PDF。解説論文と機械学習への応用の紹介 - 主に言語とシステム開発に関して
講義ノートの目次へ 日本から発信された数理的手法である情報幾何を学ぶための資料。 機械学習などに応用されている。 無料で閲覧・学習できるマテリアルを集めた。 「情報幾何」を学ぶための資料 情報幾何の基礎となる考え方： 情報幾何学 甘利俊一 http://ci.nii.ac.jp/els/110007390345.... 本家。オープンアクセスから論文PDFを読める。１９９２年「応用数理」より。 引用：「情報要素の一つ一つを分離して考えるのではなく，つながった全体つまり多様体として考えてそこに豊かな構造を導入すれば，情報の分野に新しい方法論を提供できるに違いない．これが情報幾何学の目指すところである」 情報幾何入門 http://www.eb.waseda.ac.jp/murata/nob... ６ページ。早稲田大の村田 昇先生の解説論文。 引用：「情報幾何は確率分布の空間が持つ幾何学的な構
ビタビアルゴリズム
既知のチャンネル歪みとAWGN (Additive White Gaussian Noise 加法的白色ガウス雑音）を仮定したとき、最良の受信方法は最尤（ユウ）系列推定でした。 その原理は次のようです。 送信シンボル系列を有限長とする。 既知チャンネル歪を用いて、可能なすべてのシンボル系列の受信信号（レプリカ）を作る。 実際の受信信号とすべてのレプリカの自乗誤差を計算し、最小を与えたシンボル系列を判定する。 この手順は極めて単純ですが、シンボル系列が長くなると、演算量はあっという間に爆発してしまいます。 この演算量をシンボル長に比例するように工夫したのがビタビ (Viterbi) ・アルゴリズムです。 これは、Richard Bellman による ＤＰ： Dynamic Programming （動的計画法）をストレートに応用したものです。 というわけで、まず ＤＰ の例題を説明します。
行列をつかった記憶のシミュレーション
この内容は拙著『進化しすぎた脳』の巻末に「付論」として掲載されたもので、 脳科学講義として中学生・高校生たちに説明したときの録音テープから起こした文章です。 （朝日出版社の許可を得てここに掲載しております） この課外時間では、数学を使っただけで簡単に「記憶」のモデルができるという話をしよう。 この講義で習った知識を使っただけで簡単な脳のモデルができるんだ。神経細胞がたった３個からなる模型。ほんとの脳ははるかに複雑だけど、ここでは単純化したネットワークを考えてみよう。 まず、モデルの話をする前に、ちょっと基礎練習をしてみよう。いま、この図のように、２つの神経が結合している。 こんな感じで神経１は神経２とシナプスを作っている。丸が神経で、矢印がシナプスの記号。この場合は神経１が送信側で、神経２が受信側だ。つまり信号は神経１から２へ行く。 この図で重要なのは何かというと、２つの神経が結びつく強さ
A 2017 Guide to Semantic Segmentation with Deep Learning
At Qure, we regularly work on segmentation and object detection problems and we were therefore interested in reviewing the current state of the art. In this post, I review the literature on semantic segmentation. Most research on semantic segmentation use natural/real world image datasets. Although the results are not directly applicable to medical images, I review these papers because research on
ゼロから始めるDeepLearning_その4_Restrictedボルツマンマシンとは - 分からんこと多すぎ
はじめに MNISTで全然うまく行かないことが発覚したので、最適化を調べ中きちんと動きました。 学部四年生向け。だった。 ニューラルネットワーク →（AutoEncoder） →（DenoisingAutoEncoder） →ホップフィールドネットワーク →ボルツマンマシン →Restrictedボルツマンマシン（この記事） →（Gaussian Binary - Restricted Boltzmann Machines） →（DeepBeliefNetwork） →（DeepNeuralNetworks） →畳み込みニューラルネット（後日） 太線以外は読み飛ばしてOK Restricted Boltzmann Machines（RBM）をとりあえず使ってみる RBMには、ホップフィールドネットワークという前身がある。 できることは、それと同じである。 即ち、RBMとは、脳的なもの（マル
基盤地図情報ダウンロードサービス
基盤地図情報ダウンロードサービスは、利用者登録制です。 IDとパスワードをお持ちでない方は、新規登録をお願いいたします。 基盤地図情報は基本測量成果です。 利用の際には、測量法に基づき、測量成果の複製又は使用の申請が必要となる場合があります。詳しくは利用規約をご覧ください。
IBM研究所、動的なパターンを学習できる人工ニューラルネットワークモデルを開発――自動車事故の予測や、作曲、文章校正にも応用できる可能性
IBM研究所、動的なパターンを学習できる人工ニューラルネットワークモデルを開発――自動車事故の予測や、作曲、文章校正にも応用できる可能性：より生物に近い機械学習の実現を目指し IBM東京基礎研究所は2015年9月16日、従来の人工ニューラルネットワークをさらに発展させ、より生物に近い学習を実現するためのモデル「動的ボルツマンマシン（DyBM）」を開発したと発表した。 IBM東京基礎研究所 恐神貴行氏らのチームは2015年9月16日、生物の脳における学習の仕組みを摸した人工ニューラルネットワークをさらに発展させ、より生物に近い学習を実現するためのモデル「動的ボルツマンマシン（DyBM）」を開発したと発表した。 従来の人工ニューラルネットワーク研究では、1949年にカナダの心理学者ドナルド・ヘッブ氏が提唱したニューロン同士の結合メカニズムに関する「ヘブ則」と呼ばれる法則と、それを基にジェフリー
深層学習を超えた手法とは何か : 思考のカケラ
最近、深層学習の精度を超えた手法が発表されています。 今回は、昨日（6月17日）ニュースになったDeepmindによるPredictron（自動計画＋強化学習）も含めて、紹介します。
多くの若い人より圧倒的に成長速度の速いおっさんと絶望的に遅いおっさんの違い - ふろむだ＠分裂勘違い君劇場
新しい技術が出てきたとき、大多数の若い人よりも圧倒的にスピーディーに使いこなすおっさんは珍しくない。 新技術を習得する能力は、年齢よりも、「スキルを獲得するために必要なスキル」、すなわち「メタスキル」に大きく依存するからだ。 たとえば、ある開発ツールを導入すべきかどうか若い人に相談されたので、「まず、ドキュメントを読もう」と言ったら、「ドキュメントを読んでもよくわからなくて。。」と言う。ググったらすぐに公式サイトの至れり尽くせりのドキュメントが出てきたので、「これ読めばいいじゃん」と言ったら、こんなに大量の英語のドキュメントを読むのは無理だと言う。 あるいは、AIを導入するという話になったとき、「AIがよく分からないので教えて欲しい」と言ってきた若い人に、良質の入門書を勧めたら、数式が分からないので読めないのだという。数式の読み方を教えてみたら、数式以前に、そこで使われている数学概念自体を
コマンドラインがさらに便利になるfillinコマンドを作りました！ - プログラムモグモグ
fillinというコマンドラインツールを作成しました。 コマンドの一部を変数化して、別の履歴に保存しておけるツールです。 ステージング環境と本番環境のように、同じコマンドで複数の環境を切り替えるのに便利です。 zshの本 (エッセンシャルソフトウェアガイドブック) 作者:広瀬 雄二発売日: 2009/06/17メディア: 単行本（ソフトカバー） どうして作ったの コマンド履歴って便利ですよね。 私はよくコマンド履歴からコマンドを選んで実行しています。 シェルに付属しているデフォルトの履歴を使っている方もおられるでしょうし、fzfやpecoのようなインタラクティブな絞り込みを行なっている方もいるでしょう。 私が一番困っていたのが、認証キーの扱いです。 webアプリを作っていてcurlで素早く確認するときに、認証キーやアクセストークンを打つことがあります。 アクセストークンのようなランダムな英
)
第7師団 (日本軍) - Wikipedia
第7師団（だいしちしだん）は大日本帝国陸軍の師団の一つ。北海道に置かれた常備師団として北辺の守りを担う重要師団であり、北海道民は畏敬の念を多分に含め、「北鎮部隊」と呼んでいた。 概要[編集] 鎮台を母体に編成された道外の常設師団とは異なり、第7師団は1885年（明治18年）に北海道の開拓と防衛を兼ねて設置された屯田兵を母体とし1896年（明治29年）5月12日に編成された。補充担任は旭川師管区で、北海道内を旭川連隊区・札幌連隊区・函館連隊区・釧路連隊区と4つに分けて徴募に当たり、北海道の兵士で構成される建前であるが、北海道は人口が希薄であったために1万人の兵力は捻出できず、実際には東北地方出身の兵も加えられた。 もとは4個歩兵連隊を基幹戦力とした4単位師団であったが、1940年（昭和15年）に編制が改正され、歩兵第25連隊（札幌）を樺太混成旅団に転出して3単位師団となった。 沿革[編集]
Exploring LSTMs
LSTMs are behind a lot of the amazing achievements deep learning has made in the past few years, and they're a fairly simple extension to neural networks under the right view. So I'll try to present them as intuitively as possible – in such a way that you could have discovered them yourself. But first, a picture: Aren't LSTMs beautiful? Let's go. (Note: if you're already familiar with neural netwo
VcXsrv Windows X Server
Project has been moved to https://github.com/marchaesen/vcxsrv Windows X-server based on the xorg git sources (like xming or cygwin's xwin), but compiled with Visual C++ 2012 Express Edition. Source code can also be compiled with VS2008, VS2008 Express Edition and VS2010 Express Edition, although current project and makefile are not fully compatible anymore. Versions starting from 1.14.3.0 are not
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
Geospatial Analysis 7th Edition, 2024 - de Smith, Goodchild, Longley and Colleagues
api-guidelines/Guidelines.md at master · microsoft/api-guidelines
E-musu's Memo
国立国会図書館デジタルコレクション
Bonobo — Data processing for humans — Bonobo 0.6.4 documentation
Dogs vs. Cats | Kaggle