勉強会資料
人工知能技術戦略会議等主催 第1回AIチャレンジコンテスト 表彰式 プレゼンター（敬称略、五十音順） 2 安西 祐一郎 人工知能技術戦略会議 議長、独立行政法人日本学術振興会 理事長 大崎 真孝 エヌビディア合同会社 日本代表 兼 米国本社副社長 大渕 栄作 株式会社ディジタルメディアプロフェッショナル 常務取締役開発統括部長 齊藤 秀 株式会社オプト 最高解析責任者CAOデータサイエンスラボ代表 成田 一生 クックパッド株式会社 最高技術責任者 宮内 淑子 株式会社ワイ・ネット 代表取締役社長 AIチャレンジコンテスト 概要 ■趣旨 国内の学生・社会人を幅広く対象として、先端的な人工知能技術の開発とビ ッグデータ活用の能力を競う場として、「AIチャレンジコンテスト」を開催。 人工知能技術を開発し活用できる人材の発掘や、実際的な課題・データを対 象とした研究開発や優れた参加者の技術・アイデ
chainerでVAT(準教師学習) - verilog書く人
準教師学習とは一部のデータにのみ正解ラベルがつけられていて、残りはラベルがないという状態で、学習を行うことです。 ディープラーニングに必要な1クラスあたり数千のラベルを用意するのは大変なので、準教師学習の応用範囲は広いと考えています。 全てのデータセットにラベルがついてる場合でも準教師学習の手法を導入することによって性能が上がる場合があります。 今回はVAT(Virtual Adversarial Training)を使ってみます。 なぜVAT？ 導入が非常に楽で、そこそこ性能がいいからです。性能だけならLadder Networkの方が上です。 ここではmattyaさんの実装 chainer-semi-supervised/vat.py at master · mattya/chainer-semi-supervised · GitHub のパクってみます。 が、trainerを使ってみ
GitHub - nejumi/kaggle_memo
まずは、素うどんのXGBoostにかけて、plot_importance, feature_importances_を確認する。しかる後に、各特徴量をF-SCOREの高い順にExploratory Data Analysis (EDA)を行い、データに対する感覚を掴む。特徴量の数が少ないのであれば、初めからEDA。 情報を含まないcolumnsを除く。[Kaggle Kernel: R, Python] 標準偏差が0の説明変数 (constant cols) を除く。 重複した説明変数 (duplicated cols) を1つだけ残して他を除く。 相関係数が1である説明変数の組 (perfectly correlated cols) を探し、1つだけ残して他を除く。 各列について、値が0である説明変数の数を数えて、合計値を追加の説明変数として加える (count 0 per row)。逆
hyperoptって何してんの？ - Qiita
hyperoptのロジック、使い方、検証結果についてまとめる はじめに 機械学習でモデルを作成する際、hyper-parameterのチューニングが必要になります。 gridサーチで徹底的に調べることができればいいのですが、DNNのようにパラメータ数が多くなると、計算量がとんでもないことになります。 ランダムサーチでパラメータの探索を行えば、計算量を少なくすることは可能ですが、最適なパラメータを見つける確率は低くなります。 そこで、効率よく、良さげなパラメータを探索していく方法に、Sequential Model-based Global Optimization（SMBO）というものがあります。 pythonには、SMBOを利用するためのライブラリであるhyperoptというものがあります（kagglerがよく利用しているらしい・・・）。 hyperoptで検索すると、使い方を説明した記
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
処理を実行中です
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
Keras CNN with Pseudolabeling (0.1514 LB)
GitHub - pfnet-research/chainer-ADDA: Adversarial Discriminative Domain Adaptation in Chainer
