Google Colaboratory を用いた機械学習・深層学習の入門教材を無料公開（健康・医療向けデータを用いた実践編も含む）
.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #DevFest23 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads
Deep Q-Networkベースでの強化学習の俯瞰③｜強化学習フォローアップシリーズ #3 - Liberal Art’s diary
#1では連載の経緯とDQNの理解にあたって簡単な全体像について言及し、#2ではマルコフ決定過程についてまとめました。 #3では#1で上がった話題である価値関数や報酬、ベルマン方程式について詳しく解説していきたいと思います。 以下、この記事の目次になります。 1. 簡単な復習 2. 価値関数に関して 2.1 状態価値、状態行動価値に基づく決断 2.2 方策（戦略）のアップデートはどう考えるべきか 2.3 報酬とベルマン方程式 2.4 Q関数の学習にあたっての方向性 3. まとめ 1. 簡単な復習 強化学習の問題設定として、MDPにおける状態価値や状態行動価値（状態における行動の価値）を算出する必要が出てきた際に、将来報酬も含めて現在の状態の価値を算出するのがベルマン方程式です。 2. 価値関数に関して 2.1 状態価値V(s)、状態行動価値Q(s,a)に基づく決断 #2ではマルコフ決定過程で
Deep Q-Networkベースでの強化学習の俯瞰②｜強化学習フォローアップシリーズ #2 - Liberal Art’s diary
#1では連載の経緯とDQNの理解にあたって簡単な全体像について言及しました。 #2では#1で上がった話題であるマルコフ決定過程(MDP; Markov Decision Process)について詳しく解説していきたいと思います。 以下、この記事の目次になります。 1. 前回の復習 2. マルコフ決定過程の詳細 2.1 確率過程とマルコフ性 2.2 マルコフ過程と具体例 2.3 マルコフ過程からマルコフ決定過程への拡張 2.4 強化学習におけるマルコフ決定過程 3. まとめ 1. 前回の復習 軽く前回の復習から入ります。 大枠の問題設定自体がマルコフ過程なので系列データを取り扱うということです。系列というと難しく聞こえますが、簡単に考えると時系列のような取り扱いが必要だということです。 という風に書きましたが、強化学習は系列データの取り扱いを行います。系列データの取り扱いに環境の観測やエージ
Deep Q-Networkベースでの強化学習の俯瞰①｜強化学習フォローアップシリーズ #1 - Liberal Art’s diary
強化学習の勉強会を行った際に予想以上に苦戦している方が多かった（他のトピックなら大体わかる人でも詰まっている人が多かった）ので、フォローアップシリーズを書いていければと思います。 #1では「scikit-learnとTensorFlowによる実践機械学習」の16章からDeep Q-Network(DQN)の話をピックアップしてまとめられればと思います。（予想以上に分量膨らんだので#1では全体の俯瞰にとどめ、#2~#5でそれぞれ1つずつ取り扱って行こうと思います。なので、ざっくりとした理解で一旦OKです。） わかりやすくはあり本に書かれている内容は読み取れたと思うのですが、本の対象的に実装よりなので厳密性に欠ける可能性を少々懸念しています。隔週開催が決まったのでこの辺は随時アップデートしていければと思います。 以下、この記事の目次になります。 1. 機械学習と強化学習 2. 参照本の重要なポ
趣味でディープラーニングするための GPU 環境を安上がりに作る方法 - Qiita
趣味でディープラーニングで遊ぶために GPU マシンを使いたい。 GPU は本当にすごくて、自分の MacBook Air で 2 時間かかるような学習が GPU を使うと 5 分足らずで終わる。CPU だけでディープラーニングするのは馬鹿馬鹿しいという気持ちになる。 しかし自宅に GPU マシンを組んだとしても四六時中計算し続けるわけでもないからもったいないし、ここはクラウドサービスを活用して安く済ませたい。1 さらに、最近では Docker コンテナ内から GPU を利用することができる NVIDIA Docker という Docker プラグインがあり、これを利用することで GPU マシンの環境を汚すことなく好きなだけ学習環境を立ち上げることができる。 今回は Amazon EC2 の GPU インスタンスと NVIDIA Docker を使って趣味用のディープラーニング環境を作った
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（後編：深層学習実践） | さくらのナレッジ
高火力コンピューティングを使って深層学習をできるようになるまでの連載の2回目の記事です。 前編では、プログラムを動かすための様々な環境構築を行いました。 今回は、前回作成した環境で実際に深層学習を行なって、機械学習の"hello world"と呼ばれている手書き文字分類を行います。 手書き文字分類では、下記のような手書き文字の画像データをそれぞれ0から9のどれに該当するかを分類します。 （http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf より引用） サンプルコードのダウンロードと実行 Kerasのサンプルコードを取得してきます。 $ wget https://raw.githubusercontent.com/fchollet/keras/master/examples/mnist_mlp.py 上のコマンドでダウンロードしたコードは、深
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
CSVファイルからChainer用のデータセットを作成する - Qiita
概要 ChainerでローカルのCSVファイルを扱う方法です。 Chainerの公式サイトに載っているMNISTのサンプルはライブラリから直接データを取得していたので、CSVファイルを扱う方法が分からず調べた次第です。 環境 $ sw_vers ProductName: Mac OS X ProductVersion: 10.11.6 BuildVersion: 15G1212 $ python --version Python 3.5.2 :: Anaconda 4.1.1 (x86_64) $ pip list --format=legacy | grep chainer chainer (1.18.0) 学習に使用するデータ kaggleのチュートリアル的存在である、タイタニック号の乗客の生死を予測するコンペのデータを使いました。 Titanic: Machine Learning
Chainerチュートリアル(ver. 1.5.1)を和訳 - 日記マン
Chainerがversionを1.5以上にしてから随分変わってて、インストール方法や記述も違うから 正直アップデートせずに見送ってたけど、ここらでしっかり公式チュートリアルを読んで理解すべく和訳に取り組みました。 英語が苦手なので不十分かつ訳注も明示していないので至らないとこだらけです。 間違いなどありましたら是非指摘していただけるとうれしいです。 Chainerチュートリアルを和訳する必要があったからかいてみた(1) そもそもこちらの記事を参考にさせていただいてたのですが、verUPして内容が古くなってしまったので勝手ながら最新のver. 1.5.1版を書き起こします。 Introduction to Chainer 翻訳 これはChainerチュートリアルの第1章です。 この章でやることは なぜChainerを開発したか、既存の他フレームワークとの長所短所 簡単な順伝播・逆伝播計算
機械学習初心者が1からChainerのコードを書き始められるまでに必要だったことをまとめた - sora_sakakiのブログ
ディープラーニングが面白そうだったので、始めたChainer。簡単という噂も聞き選びました。 ですが、いざ手をつけようと環境を用意してから早2週間超、なかなかサンプル以上のものを動かせずに悶々としていました。 そのような焦りの中、できるだけ頑張って情報を集めた結果、ようやっと自分で調べながらなにか書き始められそうなところまできたので、一度ここまでに拾い上げた知識をまとめます。 必要な知識ジャンル別にまとめました。それぞれの題目になってる目的が達成できれば全部読む必要もないかも。 長すぎるので経緯を分離しました。 機械学習初心者が1からChainerのコードを書き始められるまでの経緯を書いたら長くなりすぎた - sora_sakakiのブログ ディープラーニングを知る なにができるのか 人工知能は人間を超えるか (角川ＥＰＵＢ選書) なにができるのか、なにができるようになる可能性があるのかな
Chainerチュートリアル -v1.5向け- ViEW2015
Deep Learning の簡単な説明から実装、そしてChainer の使い方を紹介します。CUDA サポートについても簡単に解説します。 最新のインストール方法も含んでいます。Read less
私的Chainer入門 - Qiita
2015年から2016年にかけて流行した言葉の一つに「人工知能」があるワケだけれど、「よく知らないので使えません」なんてことを言ってる場合でもないので、仕事とは関係なくChainerの勉強を始めてみようと思う。 業務などで判別機が必要なシーンでは、SVMとかRandomForestとかを使っていたのだけれど、これから、いつもどおりにSVMで判別機を書いた時にされるであろう質問もなんとなく予想されるし(「それってDeep Learningしたらどうなるの？」→「どうもなりません」って回答だけで済ませたい)、なんだかんだで流行語には敏感な姿勢をアピールしておきたい(謎)。 というワケで、参考文献： - Chainer – A flexible framework of neural networks chainerのインストール http://docs.chainer.org/en/stabl
Chainer で Deep Learning: Bokeh で Live Monitoring したい - StatsFragments
概要 Deep Learning の学習には時間がかかるため、進捗が都度 確認できるとうれしい。その際、テキストのログ出力では味気ないので、リアルタイムでプロットを眺めたい。 いくつかの Deep Learning パッケージではそういった機能 (Live Monitoring) が提供されている。 Undefined Intelligence: Monitoring Experiments in Pylearn2 Live plotting — Blocks 0.0.1 documentation fchollet/hualos · GitHub 同じことを Chainer でやりたい。自分は EC2 を使うことが多いので、リモート環境でも利用できるものがいい。そのため、ここでは Bokeh を使うことにした。 Bokeh とは Bokeh とは、D3.js を利用したブラウザベースのイ
ChainerとRNNと機械翻訳 - Qiita
自然言語処理とニューラルネット ここ数年で、自然言語処理の分野でもニューラルネットが非常に頻繁に使われるようになってきました。 自然言語処理で主に解析対象となるのは単語の配列や構文木などで、これらの内包する情報を表現するためにrecurrent neural network1やrecursive neural network1などに基づくモデルが頻繁に使われます。これらの最大の特徴はニューラルネットがある種のデータ構造を持っているという点で、1レイヤあたりのノードはそれほど多くない代わりにネットワークの接続が複雑で、しかも入力されるデータごとにネットワークそのものの形状が変化するという特徴があります。このため、伝統的なfeedforward neural networkを前提としたツールキットでは構築が難しいという問題がありました。 Chainerは、そのような問題を概ね解決してしまう強力
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
CUDAなしMacで、Chainer使ってCaffeモデルをインポートして画像認識させてみる
長文日記