畳み込みニューラルネットワークの最新研究動向 (〜2017) - Qiita
昨年に引き続きDeep Learningやっていき Advent Calendar 2017の25日目の滑り込み記事で，畳み込みニューラルネットワークの歴史および最新の研究動向についてのサーベイです．2017年12月のPRMU研究会にて発表した，畳み込みニューラルネットワークについてのサーベイをベースに追記を行ったものになります． はじめに 畳み込みニューラルネットワーク (Convolutional Neural Networks; CNN) （以降CNN）は，主に画像認識に利用されるニューラルネットワークの一種である．CNNの原型は，生物の脳の視覚野に関する神経生理学的な知見1を元に考案されたNeocognitron2に見ることができる．Neocognitronは，特徴抽出を行なう単純型細胞に対応する畳み込み層と，位置ずれを許容する働きを持つ複雑型細胞に対応するpooling層とを交互
畳み込みニューラルネットワークの研究動向
2017年12月に開催されたパターン認識・メディア理解研究会（PRMU）にて発表した畳み込みニューラルネットワークのサーベイ 「2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．ILSVRCでは毎年のように新たなCNNのモデルが提案され，一貫して認識精度の向上に寄与してきた．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている． 本稿では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，代表的なモデルについて複数のデータセットを用いて学習および網
PCA, Kernel-PCA, t-SNE, CNNによる可視化のための次元削減の比較 - Qiita
画像の特徴量を可視化のために、2次元への次元削減を考えます。次元削減の結果を主成分分析（PCA）、カーネルあり主成分分析（Kernel-PCA）、t-SNE、畳込みニューラルネットワーク（CNN）で比較します。 目次 MNISTのテストデータを各ラベル100個ずつ取って各アルゴリズムで2次元にプロットします。以下の順で比較します。 主成分分析（PCA） RBF（ガウス）カーネルの主成分分析（Kernel-PCA） t-SNE 畳込みニューラルネットワーク（CNN）の隠れ層の値を取る 最後のCNN以外は比較的よくある方法だと思います。CNNをデータの可視化のために使うというのはあまり一般的ではありませんが、AutoEncoderの真ん中の特徴量を取ってプロットするという方法はとても強力な方法なので（例、他にも「AutoEncoder 可視化」で検索するとよく出てきます）、それの簡易版という位
ホリエモンが明かすロケット打ち上げ成功までの軌跡「正直あの時彼を説得していなかったらと思うとゾッとする」 | ホリエモンドットコムブログ
MOMO-F3の打ち上げ成功からひと段落した。とはいえ資金調達およびPRが主な役割の私からすればむしろこれからが忙しくなる。現場チームの頑張りを次の資金に変えていかなければならない。宇宙先進国のアメリカには宇宙へ到達できずに倒産の憂き目に遭った会社は山の様にある。CGベンチャーと揶揄されたりもする。 高度100kmへの到達はまあ例えて言うならばロケット開発企業としてはなんとか仮免許を取得できたくらいのレベルだ。軌道投入機にはクリアしなければならないハードルがまだまだたくさんある。でも姿勢制御や強度計算、主に民生品の部品を使っての格安生産、ガスジェネレーターガスジェット（GGG）でのおそらく世界初のロール制御技術の習得（軌道投入機のターボポンプ回す為のガスジェネレーター技術の習得に繋がる）などなど軌道投入機でクリアすべき課題をいくつかこなしたので一から作るよりはかなり短期間で成功に近づける。
t-SNE の実装はどれを使うべきなのか？ - iwiwi 備忘録
scikit-learn の問題点 scikit-learn 信者としてはとりあえず scikit-learn の実装を使いたくなるが、scikit-learn の実装はおすすめできないらしい。 -https://www.red dit.com/r/MachineLearning/comments/47kf7w/scikitlearn_tsne_implementation/ （はてなブログはred ditのURLを貼るとbad requestになり投稿できない謎仕様） Besides being slower, sklearn's t-SNE implementation is fine once you realize the default learning rate is way too high for most applications. The definitive bh_t
Parametric t-SNEの理論とKerasによる実装 - Qiita
t-SNEといういい感じに次元削減してくれるアルゴリズムがありますが、これをKerasで行う例を紹介します。はじめにScikit-learnでのt-SNEを紹介し、parametric t-SNEが何をやっているのかを説明し、Kerasでの実装を紹介します。 Parmaetric t-SNEの実装はあっても理論の解説がほとんど見当たらなかったので、理論を中心に説明していきます。できるだけ丁寧に解説するようにしましたが、t-SNE自体は結構ハードな内容なので覚悟して読んでください。 コードは先人の実装をフォークして使いました。なので内部の実装はほとんど自分のものではありません1。自分が論文読んで理解した範囲内でのt-SNEのアルゴリズムの説明を中心に行っていきます。説明ガバかったらマサカリ飛ばしていただけると幸いです。 元の論文と偉大なる先人 元の論文 Learning a Parametr
高次元のデータを可視化するt-SNEの効果的な使い方
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
データ ＆ アナリティクス | アクセンチュア
データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
「7人の命を奪ったPowerPointのスライド発表」とは？
by Christina Morillo 2003年2月1日に発生したコロンビア号空中分解事故は、アメリカのスペースシャトル「コロンビア号」が大気圏に再突入する際に空中分解を起こし、7人の宇宙飛行士が犠牲となった事故です。そんなコロンビア号の事故の背景には、とある「PowerPointのスライド発表」があったそうで、医師である教育者であるJames Thomas氏がスライドについて解説しています。 Death by PowerPoint: the slide that killed seven people — mcdreeamie-musings https://mcdreeamiemusings.com/new-blog/2019/4/13/gsux1h6bnt8lqjd7w2t2mtvfg81uhx PowerPointのスライドを用いた発表は仕事の会議や研究発表など、さまざまな場面
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
「何ダムのお陰なんだ...」 スペースコロニーのイメージを聞かれてさらっと言える日本人が多いのが、外国の宇宙関係者には驚きらしい
