How to Train Your Robot with Deep Reinforcement Learning; Lessons We've Learned
Deep reinforcement learning (RL) has emerged as a promising approach for autonomously acquiring complex behaviors from low level sensor observations. Although a large portion of deep RL research has focused on applications in video games and simulated control, which does not connect with the constraints of learning in real environments, deep RL has also demonstrated promise in enabling physical ro
機械学習工学研究会（MLSE）
機械学習工学研究会（MLSE）は、機械学習システムの開発・運用にまつわる生産性や品質の向上を追求する研究者とエンジニアが、互いの研究やプラクティスを共有し合う会です。 2018年度より、日本ソフトウェア科学会の公式研究会となります。 何をするの？ 近年の機械学習、あるいは深層学習（ディープラーニング）の発展に伴って、機械学習を利用するソフトウェアは急速に社会に浸透しつつあります。しかしその一方で、これまでのソフトウェア工学は、機械学習を組み込んだシステム（機械学習システム）の前に全くと言っていいほど通用しなくなってしまっています。機械学習ソフトウェアの開発・テスト・運用の方法論は未だに確立できておらず、開発現場ではエンジニア達が試行錯誤でなんとか凌いでいる状況です。 このような現状を踏まえ、機械学習システムに対しては「機械学習工学」ともいうべき、新たなパラダイムの確立・体
Software 2.0
I sometimes see people refer to neural networks as just “another tool in your machine learning toolbox”. They have some pros and cons, they work here or there, and sometimes you can use them to win Kaggle competitions. Unfortunately, this interpretation completely misses the forest for the trees. Neural networks are not just another classifier, they represent the beginning of a fundamental shift i
iMLSE 2020
Keynote Speaker: Clark Barrett (Associate Professor at Computer Science of Stanford University, Co-Director of Center for AI Safety, USA) Title: Towards Rigorous Verification for Safe Artificial Intelligence Biography: Clark Barrett joined Stanford University as an Associate Professor (Research) of Computer Science in September 2016. Before that, he was an Associate Professor of Comput
機械学習工学研究会キックオフシンポジウムは「業界あるある」と「共感」に満ちていた 〜イベントレポート〜 | LeapMind inc.
5/17に開催された、機械学習工学研究会キックオフシンポジウムというイベントに参加してきました！ 機械学習特有の課題を見据えながら、既存のソフトウェア工学をベースにしながら今後の機械学習システムの開発・運用における品質や開発手法を一緒に考え議論する場であり、様々な立場の方々からの視点でかなり詳細に課題提起している会でした。 機械学習における課題は、機械学習関連の企業に勤めている人たちの間では、なんとなく解釈されていて、暗黙の了解のように皆共通で感じていることが多くあるのですが、一歩外に出ると、課題はもちろん理解されていないし、機械学習が魔法かのような扱いを受けることが多々あります。 （発注者と受注者の間で巻き起こる論争。。。。） Twitterなどで、課題提示している人もいますが、大抵は、文章量の少なさや背景知識の差が大きすぎて、マウントをとっているように聞こえることが多く、過去炎上してい
MLSE
機械学習工学研究会（MLSE）は、機械学習システムの開発・運用にまつわる生産性や品質の向上を追求する研究者とエンジニアが、互いの研究やプラクティスを共有し合う会です。 2018年度より、日本ソフトウェア科学会の公式研究会として正式に発足しました。 近年の機械学習、あるいは深層学習（ディープラーニング）の発展に伴って、機械学習を利用するシステムは急速に社会に浸透しつつあります。しかしその一方で、従来型のITシステムに用いられてきた様々なソフトウェア工学的手法は、機械学習を組み込んだシステム（機械学習システム）の前に全くと言っていいほど通用しなくなってしまっています。機械学習システムの開発・テスト・運用の方法論は未だに確立できておらず、開発現場ではエンジニア達が試行錯誤でなんとか凌いでいる状況です。 このような現状を踏まえ、機械学習システムに対しては「機械学習工学」ともいうべき、
Competitive self-play
We’ve found that self-play allows simulated AIs to discover physical skills like tackling, ducking, faking, kicking, catching, and diving for the ball, without explicitly designing an environment with these skills in mind. Self-play ensures that the environment is always the right difficulty for an AI to improve. Taken alongside our Dota 2 self-play results, we have increasing confidence that self
東大松尾研、高度ディープラーニング技術者養成講座「DL4US」の演習コンテンツ無償公開
東京大学松尾研究室（松尾豊教授）は5月16日、高度なディープラーニング技術者育成を目的とした、エンジニア向けオンライン教育プログラム「DL4US」の演習パートのコンテンツをWebサイトで無償公開した。個人・非商用に限って無料で利用できる。 DL4USは、2カ月間にわたる無償のオンラインプログラムで、2018年から2期にわたって開講。さまざまな業種から、のべ3800人以上の参加申し込みがあり、累計500人が受講した人気講座という。 公開した演習コンテンツは、Jupyter Notebook形式。GPUを使って実際にモデルを学習させながら技術を習得できる。コードはTensorFlowと、Numpy、Scipy、Scikit-learnなど標準的なライブラリで構成した。演習に高度な数学的知識は不要という。 研究室は「無償公開により、人工知能分野における日本の競争力を向上することに貢献することを目
一般向けのDeep Learning
PFI 全体セミナーで発表した、専門家向けではなく一般向けのDeep Learning（深層学習）の解説です。どのような場面で活躍しているのか、今までの学習手法と何が違うのかを解説しています。Read less
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
機械学習工学研究会（MLSE） - 資料一覧 - connpass
第1回 初めてのニューラルネットワーク実装、まずは準備をしよう ― 仕組み理解×初実装（前編）
深層学習 DS-GA 1008 · 2020年度春学期 · ニューヨーク大学データ・サイエンス・センター
OpenAI