脳の信号解読、想像も推定 京大などが成功 （京都新聞） - Yahoo!ニュース
脳の活動パターンを人工知能モデルの信号に変換することによって、人が見たり、想像したりしている物体を推定することに、京都大情報学研究科の神谷之康教授や国際電気通信基礎技術研究所（ＡＴＲ）の堀川友慈主任研究員のグループが成功した。心を解読する技術の大きな前進で、英科学誌ネイチャー・コミュニケーションズで２２日発表した。 神谷教授のグループは、機能的磁気共鳴画像装置（ｆＭＲＩ）を使って人の脳の活動パターンを計測し、あらかじめ記録しておいたパターンと参照するやり方で、何を見たかを推定することに成功している。ただし、記録されたパターンに対応する物体しか推定できないという限界があった。 今回の手法では、ｆＭＲＩで計測した脳の活動パターンを、人工知能で応用されている深層学習モデル（ＤＮＮ）の信号に変換した上で利用した。５人が「カモ」や「シルクハット」などを見たり想像したりした際の脳由来のＤＮＮ信号を
NVIDIA、深層学習やAIの開発者10万人の教育プログラムを発表
NVIDIAは、Deep Learning Institute（DLI）を通じて10万人の開発者を教育する計画を発表した。 NVIDIAにとって、機械学習と人工知能（AI）の分野で開発者をトレーニングする取り組みであるDLIは、これらの専門家を養成する手段であり、いずれはGPUの売り上げ増加につながる可能性がある。 NVIDIAが賭けに出る背景には、調査会社IDCの推計がある。IDCによると、2020年までに、あらゆるアプリケーションのうち80％がAIをコンポーネントとして組み込むようになるという。 NVIDIAのDLIは1年前に設立された組織で、学術機関、企業、政府機関でトレーニングイベントを開催している。DLIはこれまで、Amazon Web Services（AWS）のGPUインスタンス「Amazon Elastic Compute Cloud（Amazon EC2）P2」を利用して
週刊少年ジャンプの短命作品を，機械学習で予測する （前編：データ分析） - Qiita
1. はじめに 週刊少年ジャンプ（以下，ジャンプ）は，日本で最も売れている漫画雑誌1です．言うまでもなく，私は大ファンです． ジャンプ編集部の連載会議は非常にシビアです．ジャンプ作家の奮闘を描いたフィクション漫画「バクマン。」では，編集部が毎号の読者アンケートをもとに各漫画の人気を評価し，掲載順や打ち切り作品を決定する様子が描かれています2．連載開始から10週以内（単行本約1冊分）で連載が打ち切られてしまうことも珍しくありません．とても厳しい世界です． 本記事では，機械学習を使って，短命作品（10週以内に終了する作品）の予測を行います．究極の目標は，ジャンプ編集部より先に打ち切り作品を予測し，好みの作品が危ない場合はアンケートを出して打ち切りを回避することです3．我々は読者アンケートの結果を知ることができないので，掲載順の履歴を入力とし，短命作品か否かを出力する多層パーセプトロン4をTen
人工知能技術の健全な発展のために - Preferred Networks Research & Development
4月10日の日経ITproの記事「 AIベンチャーの雄が総務省の開発指針に反対する理由」で、総務省主導で推進されているAIネットワーク社会推進会議とその開発原則分科会からPFNが離脱したことを、取り上げていただきました。私とのとりとめのないインタビューを適切にまとめてくださった日経ITpro浅川記者に深く感謝いたします。また、その記事に対して、はてなブックマーク、NewsPicks、FacebookなどのSNSを通して多くのコメントを下さった方にも感謝の意を表します。ありがとうございます。離脱の理由は記事にある通りですが、総務省の方々も私達の立場を真摯に受け止めてくださっていて、実りのある議論を続けてくださっています。その上で、今後の議論を深めるために、いくつかの点について補足したいと思います。 汎用人工知能と特化型人工知能 現在、人工知能という言葉は大雑把には、 汎用人工知能（「強い」人
【DevCon Japan 2017】知性を持った組込機器を実現するルネサスの「e-AI」
ルネサス エレクトロニクスは4月11日、都内で国内では2014年以来となる大規模なプライベート・カンファレンス「Renesas DevCon Japan 2017」を開催。基調講演にて、同社 執行役員常務 兼 第二ソリューション事業本部本部長の横田義和氏が登壇し、IoTの末端となるエンドポイントに人工知能技術を実装する「e-AI」の説明を行った。同氏には、基調講演終了後に、別途、話を聞く機会を得たので、それを交えて、e-AIへの同社の取り組みを読み解いていきたい。 e-AIは現在、一般的に考えられているような、エンドポイントに搭載されているセンサから生み出される情報をクラウドに送り、クラウド側で解析を行い、それをエンドポイントに返して、エンドポイントを動かす、という流れを、基本的にはクラウドを介さずにエンドポイントのみで、同様のことを実現しようというもの。基調講演に登壇した同社代表取締役
(自分が思う)web的なコンテンツの、アカデミックな世界に対する敗北
TensorFlowを勉強するにはスタンフォードのこの講義資料が良く出来ているぜ、と言われた。 http://web.stanford.edu/class/cs20si/syllabus.html へー、と思って読んでいたら、4日目の所のword2vecのスライドが良く分からない。 word2vecは以前深層学習の本で一通り読んだのだけどあんまりしっかり理解出来た気がしていなかったので、いい機会だ、とちょっとぐぐって解説でも読もうと思った。 これがさっぱり分からんのばかりひっかかる。 仕方ない、と元論文を読むと、大分理解は進んだが、幾つか分からない所がある。 うーん、どうしたもんかなぁ、と思っていた所、上記講義には参照として、別のコースへのリンクがあった。 そこのスライドが素晴らしい。 http://web.stanford.edu/class/cs224n/lectures/cs224n
［速報］Google、データサイエンティストのコミュニティ「Kaggle」買収を発表。Google Cloud Next'17
Googleは米サンフランシスコでイベント「Google Cloud Next'17」を開催。1日目の基調講演で、データサイエンティストのコミュニティを運営する「Kaggle」の買収を発表しました（Googleの発表、Kaggleの発表）。 KaggleのブランドとチームはGoogle Cloudのなかで引き続き存続し、コンペティションなどの運営を続けていくとのこと。 Kaggleは、企業や研究者などがデータを投稿し、世界中のデータサイエンティストらがそのデータを基に、いかに優れたモデルやアルゴリズムなどで与えられた問題を解くかを競うコンペティションなどを運営しています。 Kaggleのコンペティションは、例えば機械学習を利用してガンの兆候を早期発見する方法を競うなど、社会的に重要な問題をコミュニティを通じたクラウドソーシング的な手法とデータサイエンスのアプローチで解決することと同時に、課
スーパーファミコンのソフトをTensorFlowで学習させてみる！ - Qiita
学習方法 ゲームキャプチャ + アクションで報酬(game score)を与えそれを学習させる。 game scoreの取得については、ROMのバイナリ情報を解析する必要があります。 この辺はあまり詳しくありませんが海外にROMの情報が出ているとのことです。 ニューラルネットワークアーキテクチャ 学習関数は定番のReLU。教科学習のアルゴリズムは勾配降下法(Adam)でやってます。 ReLU 勾配降下法 ニューラルネットワークの外観 手順 ⅰ.エミュレータの準備 エミュレータの動作に関しては処理が複雑なのでgitにあげておきます。 https://github.com/tsunaki00/siva_game ※ 他のマシンで試してないので動くかわかりません。 エミュに興味あるかたは海外のgitなどをぐぐってみてください！ ⅱ.ROMの抜き出し 上記にも記載しましたが、ROMの抜き出し方法は
AIエンジニアになる方法
AIエンジニアになる方法 How to change job to AI engineer. 2017.02.26 Updated by Ryo Shimizu on February 26, 2017, 15:03 pm JST AIに関することで、多くの研究者にとって不都合な真実が、まだ世間には理解されていません。 それは、AI研究者の大半は深層学習を専門にして「いない」ということです。 深層学習はAI研究の中では、機械学習という分野の、ニューラルネットワークという分野の、さらに一分野に過ぎません。 比率で言えば、95:5くらいの確率で、これまで「AIの専門家」と言われてきた人は深層学習の専門家「ではない」確率が高いわけです。 この些細な事実がなぜ「不都合」なのかというと、こうしてなにもかも一緒くたにされた結果、これまでほとんど成果の上げることができてなかった旧来のAI研究者に大量の予
ディープラーニングの仕組みと応用
脳の神経回路の構造を模倣 ディープラーニングは、大量のデータを学習するために、人間の脳の神経回路の構造を模倣（モデル化）した情報処理の仕組みであるニューラルネットワークを用いる。図3のニューラルネットワークは、「入力層」「隠れ層」「出力層」という3層で構成している。また、学習データは入力データとなる手書き文字の画素データと、正解データがセットになっている。 このニューラルネットワークのモデルを学習させるには、まず手書き文字画素データをピクセル単位に分割した上で、各ピクセル値を入力層に入力する。図3のモデルでは縦横28ドットで分割していることから、784個が入力層に並ぶ。 入力データを受け取った入力層は、受け取った値に「重み付け」をした上で、後段にある隠れ層のニューロン（神経細胞。CPUのような役割を担う）に伝達する。 同様に隠れ層の各ニューロンは、入力層から受け取った値をすべて加算し、その
【Day-17】DeepLearning系ライブラリ、『Keras』の使い方まとめ(2.x対応版) - プロクラシスト
【最終更新 : 2017.12.17】 ※以前書いた記事がObsoleteになったため、2.xできちんと動くように書き直しました。 データ分析ガチ勉強アドベントカレンダー 17日目。 16日目に、1からニューラルネットを書きました。 それはそれでデータの流れだとか、活性化関数の働きだとか得るものは多かったのですが、Kerasと言うものを使ってみて、何て素晴らしいんだと感動してしまいました 今まで苦労して数十行書いていたものが、わずか3行で書ける！ 正直、スクラッチで書く意味って、理解にはいいけど研究や分析には必要あんまないんですよね。車輪の再発明になるし。 と言うわけで、使えるものはどんどん使っていこうスタンスで、今日はKerasの紹介です！ Tutorial+気になった引数を掘り下げて補足のような感じで書いています。 ちなみに、各部のコード以下をつなぎ合わせるとmnistの分類器が動くよ
「AI」「機械学習」「ディープラーニング」は、それぞれ何が違うのか
「AI」「機械学習」「ディープラーニング」は、それぞれ何が違うのか：「ニューラルネットワーク」とは何か 「AI」「機械学習」「ディープラーニング」は、それぞれ何が違うのか。GPUコンピューティングを推進するNVIDIAが、これらの違いを背景および技術的要素で解説した。 米NVIDIAは2016年7月29日、公式ブログでテクノロジージャーナリストであるマイケル・コープランド氏による記事「人工知能、機械学習、ディープラーニングの違いとは」を公開した。今後のビジネスを変革すると期待される技術の1つとして、「AI（Artificial Intelligence：人工知能）」が注目を集めている。このAIは、「機械学習」や「ディープラーニング」とともに取り上げられることが多いことから、この3つの単語の意味や背景を整理して解説したものだ。以下、ブログ記事を抄訳する。 AI、機械学習、ディープラーニングの
「すごく賢いAIが存在」「ディープラーニングは最強」は誤り――AIに関する“10のよくある誤解”、ガートナーが発表
「すごく賢いAIが存在」「ディープラーニングは最強」は誤り――AIに関する“10のよくある誤解”、ガートナーが発表 「すごく賢いAIがすでに存在する」「機械学習などを使えば、誰でもすぐに『すごいこと』ができる」――IT調査会社のガートナージャパンは12月22日、人工知能 (AI) に関する10個の「よくある誤解」を発表した。AIは現在「過度な期待」を受けているとした上で、日本企業は今後AI開発に必要な人材確保が難しくなる――などと予測している。 「すごく賢いAIは今のところ存在しない」 ガートナーによれば、経営者やテクノロジーにそれほど詳しくない人は「今のAIは、人間と同様のことができる」「今すぐにすごいことができる」と誤解している傾向があるという。 2016年、ガートナーには顧客から「どのAIが最も優れているか」などの質問が寄せられたという。同社はその背景に「すごいAIがすでに存在する」
2016年のディープラーニング論文100選 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? これはFujitsu Advent Calendar 2016の11日目の記事です。 掲載内容は個人の意見・見解であり、富士通グループを代表するものではありません。なお、内容の正確性には注意を払っていますが無保証です。 はじめに この記事では先月今年発表されたディープラーニング論文（ArXivでの発表時期、発表された国際会議が2016年開催またはジャーナル掲載が2016年のもの）から私が個人的に重要だと思った論文を収集しています。また、2015年末ごろの論文も重要なものは採用しています。 以下の投稿も合わせてご覧ください。 2017年の
ディープラーニングによるファッションアイテム検出と検索 - ZOZO Technologies TECH BLOG
データサイエンティストの中村です。VASILYではファッションに特化した画像解析エンジンを開発しています。本記事では、スナップ写真からファッションアイテムを検出するシステムを紹介したいと思います。 概要 このシステムの入力はスナップ写真です。スナップ写真が入力されたとき、システムは以下のタスクを解きます。 写真中からファッションアイテムに該当する領域を検出する 検出したファッションアイテムのカテゴリを予測する 検出したファッションアイテムに似ているアイテムをDBから検索する 各タスクを解く方法は様々ありますが、弊社のシステムでは2種類のネットワークを使ってこれを達成しています。 ファッションアイテムの検出とカテゴリ予測 検出は画像認識の基本的なタスクで盛んに研究されていて様々な手法が提案されていますが、今回はSingle Shot MultiBox Detector (SSD)*1 と呼ば
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
Amazon.co.jp: ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装: 斎藤康毅: 本
Googleのニューラルネットワークが自ら暗号化通信を考案
ComputerworldとCIO Magazineは閉鎖しました
ComputerworldとCIO Magazineは閉鎖しました
デンソー、ディープニューラルネットワーク処理を15倍高速化
