はてなブックマークアプリ

サクサク読めて、
アプリ限定の機能も多数!

アプリで開く

はてなブックマーク

  • はてなブックマークって?
  • アプリ・拡張の紹介
  • ユーザー登録
  • ログイン
  • Hatena

はてなブックマーク

トップへ戻る

  • 総合
    • 人気
    • 新着
    • IT
    • 最新ガジェット
    • 自然科学
    • 経済・金融
    • おもしろ
    • マンガ
    • ゲーム
    • はてなブログ(総合)
  • 一般
    • 人気
    • 新着
    • 社会ニュース
    • 地域
    • 国際
    • 天気
    • グルメ
    • 映画・音楽
    • スポーツ
    • はてな匿名ダイアリー
    • はてなブログ(一般)
  • 世の中
    • 人気
    • 新着
    • 新型コロナウイルス
    • 働き方
    • 生き方
    • 地域
    • 医療・ヘルス
    • 教育
    • はてな匿名ダイアリー
    • はてなブログ(世の中)
  • 政治と経済
    • 人気
    • 新着
    • 政治
    • 経済・金融
    • 企業
    • 仕事・就職
    • マーケット
    • 国際
    • はてなブログ(政治と経済)
  • 暮らし
    • 人気
    • 新着
    • カルチャー・ライフスタイル
    • ファッション
    • 運動・エクササイズ
    • 結婚・子育て
    • 住まい
    • グルメ
    • 相続
    • はてなブログ(暮らし)
    • 掃除・整理整頓
    • 雑貨
    • 買ってよかったもの
    • 旅行
    • アウトドア
    • 趣味
  • 学び
    • 人気
    • 新着
    • 人文科学
    • 社会科学
    • 自然科学
    • 語学
    • ビジネス・経営学
    • デザイン
    • 法律
    • 本・書評
    • 将棋・囲碁
    • はてなブログ(学び)
  • テクノロジー
    • 人気
    • 新着
    • IT
    • セキュリティ技術
    • はてなブログ(テクノロジー)
    • AI・機械学習
    • プログラミング
    • エンジニア
  • おもしろ
    • 人気
    • 新着
    • まとめ
    • ネタ
    • おもしろ
    • これはすごい
    • かわいい
    • 雑学
    • 癒やし
    • はてなブログ(おもしろ)
  • エンタメ
    • 人気
    • 新着
    • スポーツ
    • 映画
    • 音楽
    • アイドル
    • 芸能
    • お笑い
    • サッカー
    • 話題の動画
    • はてなブログ(エンタメ)
  • アニメとゲーム
    • 人気
    • 新着
    • マンガ
    • Webマンガ
    • ゲーム
    • 任天堂
    • PlayStation
    • アニメ
    • バーチャルYouTuber
    • オタクカルチャー
    • はてなブログ(アニメとゲーム)
    • はてなブログ(ゲーム)
  • おすすめ

    新内閣発足

『qiita.com』

  • 人気
  • 新着
  • すべて
  • 今更聞けない!? Adversarial Examples - Qiita

    9 users

    qiita.com/deaikei

    となります。 $x$ が入力画像ベクトル、$\epsilon$ は適当に小さい値、$y$ が正解ラベルです。また、 $J$ は損失関数で $\theta$ は分類器モデルのパラメーターです。分類器を学習させるのが目的ではないため、$\theta$ は固定します。一方で、分類器を騙すように入力画像を変形させたいので、損失関数 $J$ を入力画像 $x$ で微分し損失が大きくなる方向に $\epsilon$ を加算します。$\text{sing}( )$ は値の符号を取り出す関数です。 (1.1) の場合は、正解ラベルとの損失を大きくするという発想ですが、あらかじめ指定した不正解ラベルに向けて画像を変形させるという方法もあります。このときは、ターゲットとなるラベルとの損失を小さくしていくことになるので とかけます。 $t$ がターゲットとなる不正解ラベルです。 以上が基本ですが、Adversa

    • テクノロジー
    • 2018/05/02 07:11
    • ML
    • AI
    • python
    • セキュリティ
    • 技術
    • 画像
    • あとで読む
    • 音声信号処理をlibrosaでやってみるー初級編 - Qiita

      7 users

      qiita.com/deaikei

      はじめに 筆者は音声信号処理・音声認識周辺の知識は皆無です。 その道のプロフェッショナルな方には本記事はおすすめいたしません(;´・ω・) ちなみに初級、中級、上級と進んでいくつもりです。 動機 お仕事で「楽曲レコメンドしよーぜ!」的な話が出てきたので。 楽曲レコメンドは音声認識に分類される? 答えは否です。音声認識とは、人間が喋った声を機械が文字に直すことなので、楽曲レコメンドは音声認識とは呼ばないんですね。(こちらのサイトがとても分かりやすかった。) 楽曲レコメンドはMIRと呼ばれる研究分野のようで、音声信号処理が核になるようです。 MIRとは MusicInformatioRetrieval(音楽情報検索)の略。 普段から使っている、アーティスト名や曲名での楽曲検索はテキストデータをInputとするが、MIRでは音声波形そのものを入力とする。 以下MIRの具体例 聴く人に合った音楽を

      • テクノロジー
      • 2017/05/29 18:04
      • Python
      • 音楽
      • audio
      • プログラミング
      • Music
      • librosa
      • OPTIMIZER 入門 ~線形回帰からAdamからEveまで - Qiita

        10 users

        qiita.com/deaikei

        Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

        • テクノロジー
        • 2017/03/30 21:25
        • 機械学習
        • seam carving (画像切り抜き) 試してみた - Qiita

          16 users

          qiita.com/deaikei

          seam carving? seam carving とは、画像のリサイズをおこなうときに単純な縮小ではなく、 「いい感じ」に画像のいらない部分をつぶしてくれるアルゴリズムです。 この動画 をみると、一体何が起こるのかがわかりやすいと思います。 初めて見るときはまるで魔法のように見えてしまいます。 SigGraph2007 で提案された方法なので、結構昔からある方法です。1 やってみる IPython Notebook 上で試していたので、notebook上でないと動かないと思います import matplotlib.pyplot as plt from skimage import transform from skimage import filters import cv2 %matplotlib inline def carve(image, num, mode='vertica

          • テクノロジー
          • 2017/01/30 03:30
          • 技術
          • 画像
          • 写真
          • 外部メモリー付きのニューラルネット"Differentiable Neural Computing (DNC)"について解説するよ - Qiita

            12 users

            qiita.com/deaikei

            Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? この記事について DeepMind が Nature に投稿した論文 Hybrid computing using a neural network with dynamic external memory で使用されている "Differentiable Neural Computing (DNC)" について解説します。ロジックの説明がメインですが、Python - Chainer による実装例も紹介します。 Differentiable Neural Computing (DNC)とは sequential data を Neur

            • テクノロジー
            • 2016/12/30 00:22
            • neural network
            • deeplearning
            • ターニングポイントを探せ! 【change finderで時系列の変化点抽出】 - Qiita

              10 users

              qiita.com/deaikei

              さらに具体的に書き始めると超長文になってしまうので今回はスキップします。 異常検知・変化検知の概要を知りたい方は異常検知と変化検知のまとめ 数式なしの記事がオススメです。 今回はこの中の「変化点検出」について時系列データの変化点検出に使用されるアルゴリズムの紹介とpythonにモジュールがあるので実際に試してみました、という内容です。 時系列の変化点抽出のアルゴリズム ※ここからのアルゴリズムの話は、以下の資料を参考にまとめ直したものになります。 SDARアルゴリズムと統計的手法による時系列からの外れ値と変化点の検出 異常値検知のための基本的モデルの考察 従来提唱されてきた変化点検知アルゴリズム 従来提唱されてきた考え方は非常にシンプルです。 ①時系列データの全体を使って構築した時系列モデル(ARモデルなど) ②ある時点tで区切って分けて構築した時系列モデル の両方を用意し、 ①お互いのモ

              • テクノロジー
              • 2016/11/09 23:11
              • Pocket
              • きみにもわかる、カルマンフィルター - Qiita

                8 users

                qiita.com/deaikei

                Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

                • テクノロジー
                • 2016/10/26 09:01
                • research
                • iOS
                • エニグマ!! - Qiita

                  3 users

                  qiita.com/deaikei

                  エニグマとは 暗号の歴史は古く、数千年以上に及ぶ。しかし、現代のように複雑な暗号が用いられるようになったのはコンピューターが発達して後の、直近50~60年のことである。それは、第二次世界大戦中に連合国を苦しめたエニグマ暗号とて例外ではなく、その基本原理はきわめて単純なものであった。 古来より用いられてきた最も基本的な暗号は、換字式暗号である。例えばアルファベット26文字を考えてみよう。アルファベットを順に並べ、一文字分ずらしたものと対応させてみる。 a, b, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, x, y, z b, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, x, y, z, a 上の列のアルファベットを、対応する下の

                  • テクノロジー
                  • 2016/09/20 07:04
                  • ICT
                  • 🌲🌲 Python でランダムフォレストを実装する男 🌲🌲 - Qiita

                    4 users

                    qiita.com/deaikei

                    モチベーション ディープラーニングにあらずんば人工知能にあらずな世の中でも、画像解析や自然言語処理などの非構造データではない、従来通りの構造データに限れば、古きよき機械学習手法はまだまだ手軽かつ高い精度を叩き出す。 例えばサポートベクターマシン、ロジスティック回帰、そしてランダムフォレスト 「でもランダムフォレストってパッケージを使ったことはあるし動作原理もなんとなく知ってるけど、実装したことはないな」 モチベーション完成 ランダムフォレストとは 簡単に言ってしまえば、決定木をたくさん作って多数決によって予測をおこなう手法。 まずは決定木がなんなのかを知らねばならない。 決定木とは 特徴量をひとつ選んでは閾値を決めてデータを分割することを繰り返すことで分類タスクをおこなう学習器。データがどんどん分かれていくさまが木っぽい。 (画像:Wikipedia より) 木を構成する要素にはノードとリ

                    • テクノロジー
                    • 2016/09/08 11:00
                    • 機械学習
                    • Python
                    • クラスタ数を自動推定するX-means法を調べてみた - Qiita

                      22 users

                      qiita.com/deaikei

                      背景 前回、k-meansの最適なk数ってどうやって探すの?って記事を書きました ↓ コメント欄 というわけで、『X-means』を調べました クラスタ数を自動推定するX-means法について Pelleg and Moore (2000)が提案したK-meansの拡張アルゴリズム。 クラスター数Kを自動決定する k-meansをデータ数が多くても高速に動くようなアルゴリズムに工夫する という点が、従来のk-meansとの差分。 "x-means"でググると最初に出てくる2本のpopularっぽい論文 X-means: Extending K-means with Efficient Estimation of the Number of Clusters | Carnegie Mellon Univ. (2000) x-meansの提案論文 クラスター数を自動決定するk-meansアルゴ

                      • テクノロジー
                      • 2016/08/22 04:35
                      • kmeans
                      • clustering
                      • 機械学習
                      • Qiita
                      • xmeans
                      • Jupyter-notebook の作図ライブラリ比較 - Qiita

                        72 users

                        qiita.com/deaikei

                        時は戦国 Python には作図ライブラリがたくさんあります。 最もデファクトスタンダードに近く歴史も古い作図ライブラリは matplotlib で間違いないでしょうが、それでも R における ggplot2 ほどの地位は確立していないように思います。 特に、Jupyter-notebook 上ではインタラクティブなグラフを表示するニーズがあり、そこでは静的なグラフよりもさらにライブラリが割拠している印象があります。何がどう違うのかよくわかりません。 そこで今回は代表的な作図ライブラリの Jupyter-notebook 上での 違いについて簡単にまとめます。 注意 各ライブラリはいずれも細かくグラフのスタイルを設定可能で、やろうと思えば同じような見た目のグラフを生成することも可能ですが、今回はできるだけ何も設定せずにプロットした時のグラフを使います。 今回試すライブラリたち matplo

                        • テクノロジー
                        • 2016/08/09 12:24
                        • jupyter
                        • python
                        • pandas
                        • matplotlib
                        • graph
                        • Seaborn
                        • visualization
                        • 可視化
                        • グラフ
                        • 比較
                        • k-meansの最適なクラスター数を調べる方法 - Qiita

                          37 users

                          qiita.com/deaikei

                          背景 お手軽なクラスタリング手段としてk-meansが有名であるが、以下の様な困ったポイントがある k-means法の問題点の一つは、クラスタの個数kを指定しなければならないことだ。 クラスタリングは探索的 (exploratory) なデータ解析手法であって,分割は必ず何らかの主観や視点に基づいているということです.よって,クラスタリングした結果は,データの要約などの知見を得るために用い,客観的な証拠として用いてはなりません. 参照元 それは知っている。で、結局クラスター数は本当に分析者の決め打ちでいいのか? 「このクラスター数はどうやって決めたの?」「これまでの分析結果からソーゴー的に考えて決定しました」とか言いたくない このページの目的 「最終的には分析官の判断でクラスターは決定しました」といいつつも、何かしら数値としての根拠を持ってクラスター数を決定したい 何か良い判断基準は無いの

                          • テクノロジー
                          • 2016/08/08 22:26
                          • kmeans
                          • クラスタリング
                          • 機械学習
                          • K-means
                          • 機械学習系読物
                          • python

                          このページはまだ
                          ブックマークされていません

                          このページを最初にブックマークしてみませんか?

                          『qiita.com』の新着エントリーを見る

                          キーボードショートカット一覧

                          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

                          はてなブックマーク

                          • 総合
                          • 一般
                          • 世の中
                          • 政治と経済
                          • 暮らし
                          • 学び
                          • テクノロジー
                          • エンタメ
                          • アニメとゲーム
                          • おもしろ
                          • アプリ・拡張機能
                          • 開発ブログ
                          • ヘルプ
                          • お問い合わせ
                          • ガイドライン
                          • 利用規約
                          • プライバシーポリシー
                          • 利用者情報の外部送信について
                          • ガイドライン
                          • 利用規約
                          • プライバシーポリシー
                          • 利用者情報の外部送信について

                          公式Twitter

                          • 公式アカウント
                          • ホットエントリー

                          はてなのサービス

                          • はてなブログ
                          • はてなブログPro
                          • 人力検索はてな
                          • はてなブログ タグ
                          • はてなニュース
                          • ソレドコ
                          • App Storeからダウンロード
                          • Google Playで手に入れよう
                          Copyright © 2005-2025 Hatena. All Rights Reserved.
                          設定を変更しましたx