確率・統計の基礎 — ディープラーニング入門：Chainer チュートリアル
確率・統計の基礎¶ 本節では機械学習で用いる確率論、統計学の概念や用語を解説します。 世の中には「ランダム」に起こる出来事、もしくは背景のメカニズムがわからないため「ランダム」として扱わざるを得ない出来事が存在します。そのようなランダムな出来事を理論的に扱うには、出来事そのものや、ある出来事と別の出来事の関連を数学的に記述できなければなりません。確率論ではランダムな出来事のことを事象 (event)と呼びます（厳密な定義は本資料では省略します）。 本節では、まず事象を記述する道具として確率分布を導入し、それに関連する概念（周辺確率、条件付き確率、確率変数の独立）を解説します。さらにこれらの概念を用いてベイズの定理を説明します。ベイズの定理により、ある出来事が観測された時に、その原因となる出来事が起こった確率の計算ができるようになります。 次に、確率分布の中から観測データに適合した最適な確率
線形代数の基礎 — ディープラーニング入門：Chainer チュートリアル
線形代数の基礎¶ 機械学習の理論では線形代数で用いられる概念が多く登場します。 これらの概念を利用することで、複数の値や変数をまとめて扱うことができるようになり、数式を簡潔に表現できるようになります。 本章では、特に以下の概念を順番に紹介します スカラ・ベクトル・行列・テンソル ベクトル・行列の演算（加減算・スカラ倍・内積・行列積） 特別な行列（単位行列・逆行列） 多変数関数（線形結合，二次形式）とその微分 スカラ・ベクトル・行列・テンソル¶ まず始めに、スカラ、ベクトル、行列、テンソルという 4 つの言葉を解説します。 スカラ (scalar) は、2.5、-1、\(\sqrt{2}\)、\(\pi\)といった 1 つの値もしくは変数のことを指します。スカラは温度や身長といった単一の数量を表します。スカラ変数を表すには のように、太字や斜体にされていない文字を利用するのが一般的です。 \
微分の基礎 — ディープラーニング入門：Chainer チュートリアル
微分と関数最小化の関係¶ 前章で微分が目的関数の最小化に役立つと紹介しました。本節ではまず具体例を用いてそのことを直感的に理解しましょう。 例として、下図のような下向きにくぼんだ形をした関数がどこで最小値をとるかを探す問題を考えます。 適当な点 \(\theta_{1}\) でこの関数のグラフに接する直線（接線）を考えます（注釈1）。 仮にこの接線の傾きが \(+3\) 、すなわち正の値であったとしましょう。この時、接線は右に進むほど高さが上がり，逆に左に進むほど高さが下がります。 \(\theta_{1}\) の周辺では、関数のグラフと接線は非常に近く、両者はほとんど見分けることができません。 すると、関数も接線と同じように \(\theta_{1}\) 右に進むと増加し，左に進むと減少していることがわかります。 次に、グラフ上の別の点 \(\theta_{2}\) においてこのグラフに
機械学習に使われる数学 — ディープラーニング入門：Chainer チュートリアル
機械学習に使われる数学¶ 次章より 3 つの章にわたって、ディープラーニングを含む機械学習に必要な数学のうち、基礎的なものとして「微分」「線形代数」「確率統計」の 3 つについて、要点を絞り、簡潔に紹介していきます。 その前に、本章では機械学習 (machine learning) の考え方について大枠を掴み、どの部分でそれぞれの項目が登場するかを把握しておきましょう。 機械学習とは¶ 機械学習は、与えられたデータから、未知のデータに対しても当てはまる規則やパターンを抽出したり、それらを元に未知のデータを分類したり、予測したりする手法を研究する学術領域です。 機械学習は様々な技術に応用されており、例えば画像認識、音声認識、文書分類、医療診断、迷惑メール検知、商品推薦など、幅広い分野で重要な役割を果たしています。 教師あり学習の考え方¶ 機械学習の代表的な問題設定として、教師あり学習 (su
深層学習による画像処理の概要からChainerCVとFCISで『物体検出ソフト』を作るまで｜はやぶさの技術ノート
こんにちは。 コンピュータビジョン(『ロボットの眼』開発)が専門の”はやぶさ”@Cpp_Learningです。 前回『ChainerCVとYoloを使ったリアルタイム物体検出ソフトを作る』という記事を書きました↓ ChainerCVとYoloで『カメラ・動画対応！リアルタイム物体検出ソフト』を作るChainerファミリ一つChainerCVのYoloサンプルソースをカメラ・動画に対応できるよう改造した「リアルタイム物体検出ソフト」を開発した。その開発手順を紹介します。... 本記事では、より高性能な物体検出アルゴリズムのFCISを使い、ChainerCVとFCISで『カメラ・動画対応！”高性能”物体検出ソフト』の作り方を説明します。ソースコードだけ見せて！という人は目次から『FCIS_Chainer_Video.py開発』の項目に飛んでください。 また、
ディープラーニング入門：Chainer チュートリアル
Chainer チュートリアル 数学の基礎、プログラミング言語 Python の基礎から、機械学習・ディープラーニングの理論の基礎とコーディングまでを幅広く解説 ※Chainerの開発はメンテナンスモードに入りました。詳しくはこちらをご覧ください。 何から学ぶべきか迷わない ディープラーニングを学ぶには、大学で学ぶレベルの数学や Python によるプログラミングの知識に加えて、 Chainer のようなディープラーニングフレームワークの使い方まで、幅広い知識が必要となります。 本チュートリアルは、初学者によくある「まず何を学べば良いか」が分からない、 という問題を解決するために設計されました。 初学者は「まず何を」そして「次に何を」と迷うことなく、必要な知識を順番に学習できます。 前提知識から解説 このチュートリアルは、Chainer などのディープラーニングフレームワークを使ったプログ
最も速く簡単にChainerの環境を構築する方法（Azure Machine Learning） - NEXTSCAPE blog
こんにちは。 コンサルティング＆テクノロジー部の上坂です。 みなさんDeep Learningしてますか？Deep LearningはTensorFlowやKerasや、Chainer、CNTKなどがありますが、さぁやってみようと思うとまず環境作るところから始めなければならないのは面倒ですね。 今回ご紹介するのは恐らく？最も速くChainerの実行環境を作成する方法です。 ローカルのマシンには何もインストールする必要はありません。 でも代わりにMicrosoft Azureの環境は必要です。無料で始められますので、これを機会に是非。 Azureを無料で始める まるでMicrosoftの回し者のようですね。えぇ、Azure MVPなので回し者のようなものです。 さて、ではChainerの環境を作りましょう。とても簡単でしかも速いです。 １．Workspaceを作る 管理ポータルからAzure
PFNのエンジニアさんが公開してるJupyter Notebookが実践的なハンズオン形式でディープラーニング（Chainer）の入門に最適 - karaage. [からあげ]
Chainerでディープラーニング ここのところ、ディープラーニングのフレームワークはTensorFlowを使っています。以前はChainerも使っていたのですが、Chainer v2.0になり、以前画像認識とか試していたコードも動かなくなってしまい、やる気を失っていたのですよね。 そんな折、たまたまNVIDIAの機械学習のセミナを受ける機会があったのですが、GPU(Titan)積んだサーバに、Jupyterの環境が構築されていて、参加者はサーバにアクセスしてエンターキー連打していくだけでそれっぽい結果が出て、凄いやった気分になるし、絶対初心者は自分で環境出来ないからNVIDIAの環境にお金払うことになるしで、とてもよく設計されたセミナでした。 と書くと凄い悪徳セミナのようですが、Jupyterを使って、説明を読んでから、実際にコードを実行してその結果を確認していくというハンズオン形式は、
![PFNのエンジニアさんが公開してるJupyter Notebookが実践的なハンズオン形式でディープラーニング（Chainer）の入門に最適 - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/c9ae38e10dbf0fbb5c2724a8b81e9bbc30dc1764/height=288;version=1;width=512/https%3A%2F%2Fcdn.image.st-hatena.com%2Fimage%2Fscale%2F16cfc29fe9beb8e223efb9dcdb760b322a28eb02%2Fbackend%3Dimagemagick%3Bheight%3D1300%3Bversion%3D1%3Bwidth%3D1300%2Fhttps%253A%252F%252Fcdn-ak.f.st-hatena.com%252Fimages%252Ffotolife%252Fk%252Fkaraage%252F20171002%252F20171002221628.png)
【TensorFlow/Chainer挑戦者必見】Anacondaのインストール方法 | 侍エンジニアブログ
Python環境を一覧表示する画面も紹介しましょう。 画面中央を見ると、root環境、py27環境、py36環境、tensorflow環境が作成されていることがわかります。 画面右側に表示されているのは、各環境で利用できるcondaパッケージの一覧です。 画面中央で選択されているroot環境では、画面右側に表示されている217種類のcondaパッケージが利用できることがわかります。 Anaconda Project（β） 「Anaconda Project（β）」は、アプリケーションの動作環境を定義するための機能です。 AさんのAnaconda環境で「Anaconda Project（β）」を作成し、アプリケーションの動作環境を定義しておけば、BさんのAnacondaでも同様のアプリケーション動作環境を簡単に構築できるという機能です。 英語の文章ですが、以下の文書を参考に挑戦してみてくださ
【PyTorch、Chainer、Keras、TensorFlow】ディープラーニングのフレームワークの利点・欠点【2017年10月更新】 - HELLO CYBERNETICS
ディープラーニングの大流行の中、様々なフレームワークが登場し、気軽にプログラミングができるようになりました。しかし、そんな中どのフレームワークを選べば良いかわからないという人も多いと思います。そんな人に少しでも参考になればと思い記事を書きます。 はじめに Chainer 特徴 柔軟な計算グラフの構築が可能 Pythonによる実装 直感的な計算グラフの構築が可能 メリット・デメリット メリット デメリット まとめ Keras 特徴 とんでもなく簡単に計算グラフを記述可能 高速計算ライブラリのディープラーニング用ラッパー もはやプログラミングの経験すら不要 メリット・デメリット メリット デメリット まとめ TensorFlow 特徴 圧倒的な利用者数 テンソル計算を行うライブラリ Define and Run 追加のライブラリが豊富 メリット・デメリット メリット デメリット まとめ PyT
エンジニア勉強会でChainerとKerasの比較をしてみました
エンジニア勉強会でChainerとKerasの比較をしてみました pythonエンジニア勉強会機械学習 はじめに こんにちは、新卒1号エンジニアの村上です。 ビザスクでは去年の7月頃から毎週水曜日にエンジニア勉強会(読書会)をやっています。当初は1冊本を選んで、章ごとに担当を決めて読書会形式で行っていました。(ex.『エキスパートPython』『リーダブルコード』) ところが、最近になって「たまには手を動かして新しい技術に触れることもしたいよね！」という想いから、個人の興味がある分野でビザスクに還元できそうな内容をプレゼンするという形式になりました。 今回は、その先々週の勉強会で発表した内容になります。 おしながき ChainerとKerasでやったこと スライド スライドの補足 まとめ ChainerとKerasでやったこと 分類問題を題材に、シンプルなニューラルネットワークをChain
Chainerのサンプルコードを集めてみた（メモ） - あおのたすのブログ
Chainerのサンプルコードは色んな所で公開されていますが、 一箇所にまとまっている所が少ない気がしたので、個人用にまとめておきます。 ここに載ってないサンプルコードがありましたら、 コメント欄か@aonotasまで教えて下さい！！ 誰得かは分かりませんが，gitにもメモ用に作りました。 github.com 適宜更新していく予定です。 Chainer OfficialのTwitterアカウントが主な情報源です。 Official wiki page (some examples list) こちらの公式Wikiも有用です。 他のサイト様では chainerのサンプルコードを集めてみた(チュートリアルも追加) - studylog/北の雲 がサンプルコードのまとめとしては良いかもしれません。 更新履歴 (2016.08.19) 記事作成 (2016.09.31) Fully Convol
【ディープラーニング】ChainerでAutoencoderを試して結果を可視化してみる。 - Qiita
ChainerでAutoencoderを試してみる記事です。前回の記事、「【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。」の続きとなります。ディープラーニングの事前学習にも使われる技術ですね。 本記事で使用したコードはコチラから取得できます。 1.最初に AutoencoderとはAuto(自己) encode(符号化)er(器)で、データを2層のニューラルネットに通して、自分自身のデータと一致する出力がされるようパラメーターを学習させるものです。データだけあれば良いので、分類的には教師なし学習になります。 学習フェーズ こんなことをして何が嬉しいのかというと、 入力に合わせたパラメーター$w_{ji}$を設定できる。（入力データの特徴を抽出できる） その入力に合わせたパラメーターを使うことでディープなニューラルネットでの学習を可能にする（ランダム値
【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。 - Qiita
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです！ Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス 1. インストール まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.co
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
20180729 Preferred Networksの機械学習クラスタを支える技術
Chainerを使って本気でマーケットの予測システムを作ったらこうなった
深層学習フレームワークChainerの特徴