NumPyは、多次元配列を扱う数値演算ライブラリです。機械学習だけでなく画像処理、音声処理などコンピュータサイエンスをするならNumPyを学んでおくことで、あなたの日々の研究や開発の基礎力は格段にアップするはずです。 プログラミングの初心者から、Webエンジニア、これから研究する人など、初学者にも分かりやすく優しく説明することを心がけて必要な知識が身につくように解説しています。 腰を据えて学習する時間と余裕のある方は、Step1から順に進めていくことで、苦手意識のあった方でも一通り読み終わる頃には理解できなかったPythonとNumPyのソースコードがスラスラと読めるようになるはずです。 上級者の方は、分からない記事だけ読むだけでも、力になると思われます。あなたのプログラミング能力を向上する手助けになることをお約束します。このサイトを通して、コンピュータサイエンスに入門しましょう。 Ste

TFRecordを使用する理由 TFRecordの作り方 ExampleレコードとSequenceExampleレコード Fashion MNISTをTFRecord化してみる TFRecordの中身を確認する方法 TFRecordの読み込み方 実際に実装してみる TFRecordを使用する まとめ 参考 TensorFlowが推奨しているTFRecordというデータセットのフォーマットがあります。 TFRecordを使いこなせるようになると、大規模なデータを効率的に学習できるようになることがあります。 本記事では、TFRecordの使い方をマスターできるように読み書きする方法を解説し、実際にQueueRunnerを使った実装をしてみます。 TFRecordを使用する理由 TFRecordの中身はProtocol Bufferというバイナリフォーマットです。一度TFRecordを作成するこ

強化学習の位置づけ 教師あり学習 教師なし学習 強化学習 強化学習の応用事例 Atariの攻略 AlphaGo ロボットの自動動作獲得 ファイナンスへの応用 広告配信の最適化 OpenAI Gymを使ってQ-learningを実装してみる 状態 行動 報酬 実装 参考文献 ディープラーニングなどの機械学習技術の進歩によって、過去のデータから学習する技術は大きく進化し、写真の中に写っている対象を認識することや病気の診断、多言語間の翻訳をする性能を著しく向上させることができました。 すでにその性能は専門的な教育を受けた人間の能力と同等 [1] か超えている分野もあるほどです。 一方で、人間にはデータを与えなくとも自ら経験から学び、スキルを上達させることができます。特に何も教えられなくとも、経験からゲームを攻略することやロボットの正しい動作の仕方を学んでいくことができます。 機械学習の中でも、こ

Dataset API Dataset APIの2つの概念 Dataset Iterator 3種類のIteratorの使い分け方 one-shot initializable reinitializable DatasetのTransformerの種類と使い方 基本変換 map flat_map zip group_by_window データセット作成便利関数 repeat shuffle batch unbatch padded_batch 生成関数 range enumerate 知っておくと役に立つDataset APIの使用方法 CSVファイルから前処理をする TFRecordを読み込む実用例 まとめ 参考 TensorFlowのDataset APIは、バージョン1.2から追加された新しい機能です。Dataset APIを使うことで、TensorFlowの独自のキューによる入力

深さ優先探索と幅優先探索 深さ優先探索 幅優先探索 ビームサーチ 機械学習への応用 Google Alloの返答 学習時にビームサーチの幅を持たせて学習 3D形状の学習への応用 まとめ 参考文献 ビームサーチ（Beam Search）は、探索アルゴリズムの一種でメモリをそれほど必要としない最良優先探索です。 機械学習の分野でも、翻訳やチャットボットの返答などに応用されています。本記事では、ビームサーチのアルゴリズムを理解してどのように応用されているのかを解説します。 機械学習を活用したシステムを構築する際にも、探索空間が広い場合などには応用可能なので、使いこなせるようにしておくと役に立ちます。 深さ優先探索と幅優先探索 いきなりビームサーチの解説に入る前に、理解しやすいようにグラフ探索アルゴリズムを紹介します。 深さ優先探索 深さ優先探索は、その名の通り可能な限り突き進んで、行けなくなった

コンパイルエラーの問題点 DeepFix Iterative Repair まとめ 参考文献 プログラミング言語のコンパイルエラーを自動で検知して修復することができたら、プログラマの作業時間を減らせる可能性があります。もしくは、テキストエディタがプログラムを書いている最中に、エラーだろうと思われる構文を見つけたときにさり気なく教えてくれたら生産性が著しく向上することも考えられます。 “Software is eating the world.“という言葉は、マーク・アンドリーセンの提唱した言葉です。まだまだ「食い尽くす」ほどではないものの、徐々にその影響力は高まっていると感じます。ソフトウェアを開発する必要性が増すにつれて、ソフトウェアエンジニアも次第に求められていくことでしょう。そして、そのプログラマの仕事の大部分はデバッグに費やされます。 バグや構文エラーを自動検知するシステムがテキス

Neural Turing Machines ソースコード Attentionインターフェース Adaptive Computation Time コード Neural Programmer ソースコード 総括的な今後の展望 参考 本記事はAttention and Augmented Recurrent Neural Networksの著者の許諾を得て翻訳しました。 Recurrent Neural Networksは、文章や音声、動画などの順序を持つデータをニューラルネットワークで扱うことができるディープラーニングの重要な要素のうちの1つです。 RNNを使うことで、一連の順序に現れるパターンを抽象的に理解して、注釈をつけたり、まったくのゼロから一連のデータを生成することすらできるのです！ シンプルなRNNの設計では、長期の時系列データには苦戦しますが、「long short-term

Recurrent Neural Networksとは何か RNNの応用事例 機械翻訳 音声認識 画像の概要生成 説明文からの画像生成 知っておくと便利なRNNの種類と進化 Simple RNN LSTM GRU Bi-directional RNN Attention RNN Quasi-Recurrent Neural Network TensorFlowによるRNNの実装 まとめ 参考文献 人間は、目の前で起きた出来事から、次に起こりそうな出来事を予測しながら文脈を読んで判断を下すことができます。例えば、車を運転している際に歩行者が飛び出しそうだと思えば、十分な間隔を置いて走行することが出来るでしょう。 また、現実世界は時間の制約を受ける事象はたくさんあります。アニメーションなどのストーリーでは、前回の文脈を前提として次の展開が進んでいきます。 Recurrent Neural Ne

Disney Researchの新しい研究成果は、スポーツのデータ分析に関するものです。 これまでも、サッカーやバスケのデータ分析は主にアメリカを中心に取り組まれて来ました。今回の発表は、従来の統計学を使った手法ではなくディープラーニングを応用したものです。 ディープラーニングは、近年、囲碁に勝利したAlphaGoや画像認識、音声認識の分野で従来手法と比較して圧倒的な成果を挙げ始めていることで注目されているテクノロジーです。 ゴーストプレイヤーを使ったデータ分析とは スポーツでのデータ分析では、バスケならEPV、サッカーであればEGVといった指標を使ってアナリストが分析することがあります。 この指標は、過去の膨大なプレイデータを参考にして確率として何らかのスコアを算出することができます。 つまり、「選手やチームのプレイは、リーグ全体の平均と比べてどのくらいのパフォーマンスが期待できますか？

人工知能やビッグデータ解析やクラウドの技術進歩によって、ロボットや機械による人間らしいヒューマンインターフェースの研究は、盛んに研究されるようになりました。 ソフトバンクのPepperをはじめとして、日本でも商業レベルでロボットに人間らしい振る舞いをさせる取り組みは今後も注目を集めそうです。 一方で、ロボットが人間の感情を理解し、表現するためには、人間の行動や表現する感情を機械が理解し、自身の記憶や他者とのかかわり合いを考慮しながら複雑なコンテキストを自力で表現することが必要不可欠になってきます。人間ですら、自分の感情を理解することが出来ないのですから、非常に難しく終わりの見えない研究のようにも思えます。 本記事では、現在の感情に関する事例や進歩を感じられる研究を紹介していきます。 表情から人間の感情を推定する技術 ロボットやコンピュータは、カメラを通して人間の表情を解析することができます

1. 明確なゴール設定 有益な目的を持った開発にすること 反社会的にならず、人類にとって有益であること 2. 透明性と信頼 信頼性 透明性 3. アカウンタビリティ（説明責任） 4. 安全性の確保 監視と停止 セキュリティ システムの攻撃性 5. ベネフィトの共有 有益な知識はシェアしましょう システムによる利点を広く多くの人々へのシェア 6. ヒューマンコントロールの担保 人間が設定した目的をすること 自己学習や自己管理をするAIの場合にはデザインに注意すること 7. 改善と尊重 常に改善を続けること まとめ AIの開発が盛んになり、世の中の殆どの人がその恩恵を受けることになったら、どのような世界が広がるのでしょうか。 例えば、自動運転車が実現すると、交通事故は無くなり、道に迷うことも、自然エネルギーの無駄遣いも無くなるでしょう。 また、賢いロボットが誕生して、単調な仕事は無くなるのかも

TensorBoardの主要機能 折れ線グラフ 画像 音声 ヒストグラム 計算グラフ 次元削減のプロット TensorBoardの読み方 シンボルの意味 name scopeとnode グラフの色 Structure View Device View 計算時間・メモリ テンソルの次元数 Summary Operation scalar histogram image audio 可視化してみる ハイパーパラメータの探索 Embedding Visualization メタデータファイルの作り方 スプライト画像の作り方 ラベルによる色分け t-SNEとPCA まとめ TensorFlowの優れた機能として、TensorBoardによる充実した可視化環境が挙げられます。TensorBoardがあれば、ニューラルネットワークの学習が上手くいかないときに、俯瞰してネットワークを表示したり、様々なデ

誤差逆伝播法とパラメータ 計算グラフ 偏微分の計算 計算グラフ上での偏微分の計算 TensorFlowで実際に計算してみる まとめ 参考 誤差逆伝播法（Backpropagation）は、ニューラルネットワークの基本アルゴリズムです。 本質的な仕組みを理解していると、ディープラーニングがどのように動作しているのかのイメージを掴むことができます。 つまり、誤差逆伝播法の仕組みを知ることは、ニューラルネットワークの開発やデバッグ・設計において重要な役割を果たすのです。 にも関わらず、解説を読むと、突然偏微分を含む数式が出てきたりするので、難解なイメージを持つ方が多いのではないでしょうか。 本記事は、誤差逆伝播法を計算グラフと具体的な例を示しながら、噛み砕いて解き明かそうとする試みになります。 おそらく、あなたが誤差逆伝播法を理解する手助けになるはずです。 誤差逆伝播法とパラメータ 誤差逆伝播法

不良品検品システム 不良品の誤認識を最小化するカスタマイズを施した、高精度な検品ソリューションを提供します。製造業におけるリコール発生を劇的に削減します。

ビッグデータと未来予測 ロングテールとは ロングテールとビッグデータの関連 未来予測のためのビッグデータ解析 重回帰分析 回帰分析の基礎、単回帰分析 最小二乗法 相関係数 重回帰分析 変数の影響度 多重共線性 ビッグデータで重回帰分析を用いるリスク SARIMAモデル ARモデルとMAモデル ARモデル（自己回帰モデル） MAモデル（移動平均モデル） ARMAモデル（自己回帰移動平均モデル） 定常過程と非定常過程 ARIMAモデル（自己回帰和分移動平均モデル） SARIMAモデル（季節自己回帰和分移動平均モデル） まとめ 様々な分野でビッグデータの応用が進んでいます。 その中でも企業が競争力を持つための、トレンド予測や需要予測が注目されています。 膨大なデータを解析することで、トレンドの変化や周期的な法則を導き将来を予測することができます。 今回は未来予測を目的としたデータの解析手法につい

t-SNEは、高次元のデータを可視化する手法としては、非常に便利ですが、時々不可解な挙動をしたり、誤解を招くような可視化をすることがあります。 シンプルなデータを可視化して動作の仕組みを理解することで、t-SNEのより効果的な使い方を学ぶことができます。 t-SNEは、高次元のデータを調査するための手法として、2008年にvan der MaatenとHintonによって発表 [1] された人気の手法です。 この技術は、数百または数千次元のデータですら無理やり2次元の「マップ」に落とし込むという、ほとんど魔法のような能力を備えているために、機械学習の分野で幅広く普及しています。 このような印象を持っている方が多いのですが、こういった捉え方をしていると誤解を招くこともあります。 この記事の目的は、よくある共通の誤解を解くためでもあります。 t-SNEで可視化できることと、できないことを説明す

TensorFlowは、Googleが公開しているモバイルや、サーバなどデバイスを問わずどんな環境でもディープラーニングを動作させることができるライブラリです。 iOSアプリで識別することも、バージョン0.9.0からサポートされました。 本記事では、TensorFlowやiPhoneアプリ開発にそれほど馴染みのない方でも簡単にXcodeプロジェクトからTensorFlowのモデルを実行できるようになるまでを解説します。 TensorFlowをiOSで動作させるために必要なもの TensorFlowをiOSプロジェクトで動作するには、以下のライブラリやソフトウェアが必要になります。 Xcode7.3以上 XcodeのCommand Line Tools automake, libtool Xcodeは、iTunesストアからダウンロードしてください。 また、XcodeのCommand Lin

多くの人は環境構築や、ライブラリの依存状況などでバグが発生したり、動作しなかったりという問題を抱えています。 Dockerを使うとOSや必要なライブラリ環境ごと差分とともに管理し、チームでも同様の環境で動作させることができるので開発者の間では便利に使われるようになりました。 本記事では、TensorFlowをDockerの実行環境を構築する方法をチュートリアル形式で解説しながら、 Dockerのメリット DockerでGPUを動作させる方法 を紹介します。 Dockerとは Dockerとは、オープンソースで開発されている仮想化技術です。サーバや開発環境のセットアップでは、以下のような問題点がありました。 様々なパッケージやライブラリが依存し合うため、チームで同様の環境を構築することが困難 セットアップに失敗したときに元に戻しにくい ローカルの開発環境ではテストしにくい 時間が経つと、バー

近年、ディープラーニングをベースとした人工知能が脚光を浴びています。 ディープラーニングは、人間の脳を模倣したニューラルネットワークという技術が元になっています。その応用範囲は広く、眼の病気を診断したり、簡単な会話をすることが出来るようになりました。 本記事では、そのニューラルネットワークの仕組みを可視化してブラウザで直感的に理解できるようにしたTensorFlow Playgroundを使いながらステップ・バイ・ステップで使い方を解説しながら紹介します。 現在注目されているAIがどのような仕組みで動いているのかを知りたい方は、まずはこの記事を通して感覚を掴むことをオススメします。 TensorFlow Playgroundとは TensorFlow Playgroundは、A Neural Network Playgroundとも呼ばれ、Daniel SmilkovさんとShan Car

小さな低解像度の画像から大きくてキレイな高解像度の画像に復元することは、小さくして劣化された画像には復元するために必要な情報が足りないので、不可能なことです。 コンピュータサイエンスでは、低解像度の画像から高解像度の画像に変換することを「超解像」と呼びます。 本記事では、Googleが開発した機械学習を使って爆速でキレイな画像を生成する技術「RAISR」を紹介し、 RAISRとは何か RAISRの応用とメリット RAISRの仕組み を解説します。 RAISRとは FacebookやInstagramのようなSNSサービスでは、一般の人が趣味や生活の写真をアップロードして友達にシェアしています。 Instagramの1日のアクティブユーザー数は、3億人を超えるというデータもあります。[1] 美しい写真で、オシャレな印象を醸し出す写真をシェアすることが出来れば、素晴らしい思い出だったのだと余韻