1時間で試す！さくらの高火力コンピューティングで深層学習（前編：環境セットアップ） | さくらのナレッジ
さくらインターネット 技術本部アプリケーショングループ アルバイトの伊東道明です。 ここ数年、人工知能や機械学習というワードが流行していて、興味のある方が増えてきています。 特に、機械学習の中でも深層学習(ディープラーニング)と呼ばれる技術がここ数年で爆発的に成長し、様々な大学や企業が特に力を入れています。 深層学習が利用されるようになったのは、GPUの普及による学習の超高速化が可能になったためです。しかし、性能のいいGPUは高価なため、なかなか手を出しづらい方も多いと思います。 さくらの高火力コンピューティングでは、GPUを積んだマシンを１時間単位でレンタルすることができます。１時間あたりの金額はなんとワンコイン以下です。そのため、比較的気軽に、そして簡単にGPUを使用でき、深層学習を始めたいけどリソース面で踏みとどまっていた方にはちょうど良い環境になるでしょう。 この連載では、さくらの
高精度人工知能は帰納と演繹をまとめて「サボる」 - SmartNews Engineering Blog
スマートニュースの高橋力矢です。去る3月5日(日)に、電気通信大学で開催されたゲーム理論ワークショップに出席しました。そこで機械学習とゲーム理論とのつながりについて経済学者や生物学者の方々と話してきましたので、当日議論したことをここでも紹介したいと思います。当日のプログラムはこちらで見られます。今回の講演に当たっては電気通信大学の岩崎敦先生に大変にお世話になりました。この場を借りまして改めて御礼申し上げます。以下にプレゼンテーション資料も添付しましたので、数式や参考文献等の技術的詳細に興味ある人はご覧ください。 要旨とスライド 複数のプレイヤーが利害を持つ環境における社会現象や最適戦略の分析にはゲーム理論が役立つ ゲーム理論的分析には利得表が必要であり、その具体的数値の取得にはデータ分析が有効である しかしデータ分析による利得表には誤差が伴い、誤差の水準によっては結論が変わりえる データ分
ルネサス、ディープラーニング結果を組み込み機器に実装する「e-AI」提供開始 | IoT NEWS
2021-09-072017-04-11 ルネサス、ディープラーニング結果を組み込み機器に実装する「e-AI」提供開始 ルネサス エレクトロニクス株式会社（以下、ルネサス）は、スマート社会の実現に向けて、IoTの末端となるエンドポイントに人工知能技術を実装する「e-AI（イーエーアイ、embedded-Artificial Intelligence）」を注力技術のひとつと位置づけ、マイクロコントローラ（以下、MCU）、マイクロプロセッサ（以下、MPU）にAIを搭載するソリューション開発に取り組んでいる。 今回、ディープラーニング（深層学習）結果をエンドポイントの組み込み機器に実装する新機能をMCU/MPU開発し、e-AIソリューションの第一弾として提供開始する。具体的には、オープンソースであるEclipseベースの統合開発環境「e2 studio」に対応したプラグインとして、機能限定版を本
テンプレートを使って爆速で機械学習プロジェクトを作成する - Qiita
あなたは機械学習のプロジェクトを毎回違う構成で作っていませんか？ 何をどこに配置するかで悩んで時間がかかっていませんか？ そんな方に朗報です。 機械学習のプロジェクトはコマンド一発で作れます。 以下のようなプロジェクトを数秒で作れます。 ディレクトリ構造 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├── README.md <- The top-level README for developers using this project. ├── data │ ├── external <- Data from third party sources. │ ├── interim <- Intermediate data that has been transfor
ニューラルネットワークの量子化についての最近の研究の進展と、その重要性 - SmartNews Engineering Blog
こんにちは、スマートニュースの徳永です。深層学習業界はGANだとか深層強化学習だとかで盛り上がっていますが、今日は淡々と、ニューラルネットワークの量子化の話をします。 TL;DR パラメータだけを量子化するのであれば、ほぼ精度を落とさずに、パラメータのデータ容量は1/16程度にまで削減できる パラメータ、アクティベーション、勾配のすべてを量子化し、推論だけでなく学習までもビット演算だけで実現する研究が進んできている 現在は深層学習 = GPU必須というぐらいの勢いがあるけど、量子化の研究が進むと、今後はどうなるかわからないよ はじめに 情報理論における量子化とは、アナログな量を離散的な値で近似的に表現することを指しますが、本稿における量子化は厳密に言うとちょっと意味が違い、十分な（=32bitもしくは16bit）精度で表現されていた量を、ずっと少ないビット数で表現することを言います。 ニュ
Crash Course - データサイエンティスト育成クラッシュコース -
Crash Course - データサイエンティスト育成クラッシュコース - Home Crash Course - データサイエンティスト育成クラッシュコース - 統計数理研究所の人的リソースを最大限に活用した教材を開発しました。 データサイエンティストが知るべきことをひと通り概観する、約2.5時間のビデオ教材として、YouTube上で公開しています。各ユニットの最後には、講師がお勧めする文献リストも掲載されています。
Neural networks and deep learning
ニューラルネットワークと深層学習 What this book is about On the exercises and problems ニューラルネットワークを用いた手書き文字認識 逆伝播の仕組み ニューラルネットワークの学習の改善 ニューラルネットワークが任意の関数を表現できることの視覚的証明 ニューラルネットワークを訓練するのはなぜ難しいのか 深層学習 Appendix: 知性のある シンプルな アルゴリズムはあるか? Acknowledgements Frequently Asked Questions Sponsors Resources 「ニューラルネットワークと深層学習」は無料のオンライン書籍です。 この本では、次のような内容を扱います。 ニューラルネットワーク：コンピュータに、観測データにもとづいて学習する能力を与える、生物学にヒントを得たプログラミングパラダイム。 深
機械学習最前線！Cloud Machine Learning を始めてみた！
最近、機械学習・深層学習というワードをよく耳にするようになりましたね。機械学習は知っているけど、実際に使ったことは無いという方もいるのでは無いでしょうか。昨年、Googleから機械学習のためのクラウド サービスが発表されました。それが、Google Cloud Machine Learningです。 Google Cloud Machine Learning は、サイズを問わず、あらゆるデータの機械学習モデルを簡単に構築できるマネージド プラットフォーム（Google Cloud Platformで提供）です。Google Cloud Machine Learning（以下Cloud ML）の裏では、Googleが開発した機械学習ライブラリであるTensorFlowが使われています。しかし、TensorFlowや機械学習の知識が無くても、Cloud MLは簡単に試すことができます。 今回は
A visual introduction to machine learning
: In machine learning, computers apply statistical learning techniques to automatically identify patterns in data. These techniques can be used to make highly accurate predictions. Keep scrolling. Using a data set about homes, we will create a machine learning model to distinguish homes in New York from homes in San Francisco. First, some intuition Let’s say you had to determine whether a home is
AzureMLでロジスティック回帰して、その結果をRに取り込んでggplot2でグラフ書いてみた | takemikami's note
この記事は、Microsoft Azure Advent Calendar 2016 の18日目の記事です。 Microsoft Azure Advent Calendar 2016 http://qiita.com/advent-calendar/2016/azure 機械学習を試してみたいと思ったとき、 AzureMLを使うと、マウスをぽちぽちするだけで、 とりあえず出来てしまうので、とてもお手軽です。 AzureMLはただお手軽なだけでなく、 PythonやRに結果を取り込んでさらに分析を行うことも出来ます。 この記事では、そのような連携の第一歩として、 お手軽に作ったロジスティック回帰の結果をRに取り込んで、グラフを書いて見ることにします。 AzureMLへのアクセス以下URLの、AzureMLのサイトにアクセスします。 Machine Learning | Microsoft A
機械学習ざっくりまとめ～パーセプトロンからディープラーニングまで～ - Qiita
ゼロから作るDeep Learning――Pythonで学ぶディープラーニングの理論と実装を読みましたので、機械学習についてざっくりとまとめます。 できるだけ数式とかは使わない感じで説明していきますので、イメージだけつかんでもらえればと思います。 機械学習とは 機械学習は入力データから反復的に学習を行うことによって、パターンを学習し、新しいデータに対しても答えを得ることができるようにするものです。 機械学習の問題はデータから数値を予測する「回帰問題」とデータがどのクラスに属するか分類する「分類問題」の2つに大別できます。 ある問題に対する適切なパラメータを学習していくため、学習するためのデータさえ用意できれば基本的なアルゴリズムを変更することなく様々な問題を解決していくことができます。 機械学習の手順 機械学習では、まず学習モデルの構築を行います。 学習モデルは多くの数式を含むモデルです。
Azure ML を学習したい方向けのコンテンツ(2016.1時点) - Qiita
Webブラウザで学習 Webブラウザーでできる機械学習Azure ML入門 Webブラウザーでできる機械学習Azure ML入門（1）： Azure MLって何？ からワークスペース作成まで Webブラウザーでできる機械学習Azure ML入門（2）： Webブラウザーだけで学ぶ機械学習の「お作法」 Webブラウザーでできる機械学習Azure ML入門（3）： 作った機械学習モデルをWebサービスにしてデプロイする 書籍的なもので学習 ・Microsoft Azure (旧: Windows Azure) 自習書シリーズ - 概要編 PDF をダウンロードして学習します。かなり広範囲です。 STEP 3. Microsoft Azure が提供するサービス 3.1 Azure が提供するサービス 3.2 コンピューティング サービス 3.3 データ サービス 3.3.1 SQL データベー
イーロン・マスクの人工知能研究機関OpenAIがAI学習プラットフォーム「Universe」をリリース - GIGAZINE
アメリカを代表する起業家や投資家たちが集まり、人工知能(AI)をオープンソース化するための非営利の研究機関として設立されたのが「OpenAI」です。世界中の人々がAIの恩恵を受けられるようにするために設立された同機関は、スペースXやテスラモーターズを手がけるイーロン・マスク氏とY Combinator社長のサム・アルトマン氏が共同で会長を務めているのですが、現地時間で2016年12月6日にAIの知能を測定・学習するためのソフトウェアプラットフォーム「Universe」をリリースしました。 OpenAI Universe https://universe.openai.com/ Universe https://openai.com/blog/universe/ OpenAIの開発したAI学習プラットフォームのUniverseは、既存のライブラリであるTensorFlowやTheanoをその
AI学習プラットフォーム「Universe」を試してみる | DevelopersIO
先月、OpenAIによるAI（人工知能）学習プラットフォーム「Universe」がオープンソース化されたと発表されました。 Universeとは、 OpenAIの開発したAI学習プラットフォームのUniverseは、既存のライブラリであるTensorFlowやTheanoをそのまま使えるプラットフォームです。 AIに学習を施すにはさまざまなタスクを経験させる必要がありますが、UniverseはAIエージェントに「人間と同じようにコンピューターを使ってさまざまなタスクを実行させる」というプラットフォームになっています。 AIエージェントに画面上に表示される映像を認識させ、バーチャル上のキーボードとマウスを使わせることで、人間がコンピューターを使うようにさまざまなタスクを行わせるわけです。 引用元:イーロン・マスクの人工知能研究機関OpenAIがAI学習プラットフォーム「Universe」をリ
機械学習手法を理解する手順 - HELLO CYBERNETICS
はじめに プログラムへの理解度 機械学習への理解度 何が重要か アルゴリズムとしての理解 アルゴリズムとプログラム プログラムの理解 アルゴリズムとしての理解 機械学習手法を理解する方法 機械学習を抑えるためのポイント 更新式を理解すること 判別も回帰も大雑把には何らかの関数 大枠はこれで殆ど掴める 次のステップ モデルについて詳しく知る 最適化を知る まとめ つまずくポイント 記事 はじめに プログラムへの理解度 プログラムは複製が可能です。だれか一人がプログラムを完成させればそれを共有財産として使うことができます。それがいわゆる「ライブラリ」です。 果たして、ライブラリを作った人と使っている人の、そのプログラムへの理解度は同じだと言えるでしょうか。当然言えません。もしも同等の理解度を得たければ、ライブラリの中身まで覗く必要があるでしょう。 機械学習への理解度 同様にして、ある機械学習手
機械学習・深層学習の勉強したこと・したいこと、このブログの方針 - 日記マン
ちょっと予告とは違う更新だけど。。 深層学習(Deep Learning)というものを知り、いろいろ調べて勉強したりした一年 紆余曲折がありつつも、Pythonを初めて扱い深層学習以外の機械学習全般に興味を持った 今取り組んでいることは、「機械学習を基礎から身につけ、pythonで実装していく力を身につける。」 ある程度参考書やサイトを漁った結果、自分なりのベストプラクティスが固まりつつある(前もこんなこと言った) このブログは息抜き程度の備忘録の位置づけにしたいので、技術ブログではないことをあやふやな記述の免罪符にしたい わりとまじで。切実に。 機械学習のベストプラクティス(今現在) 数学の事前準備 さすがに微分積分と行列、確率はある程度必要になる。 個人的に行列の微分が苦手。現役の学生なので覚えてるが、 一切を忘れてしまったという方は数学の参考書で数式慣れしたほうがいいかも 超初心者
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
https://qiita.com/Gordian_knot/items/1a21db4a50245f482ce3
やさしい機械学習入門 | TickTack World
deepanalytics.jp
丸山 2016年 講演資料集
