人工知能・機械学習の基礎が学べるキカガクの一番人気『脱ブラックボックスコース』に完全版が登場＆全12時間分の解説動画付きで無料公開！
人工知能・機械学習の基礎が学べるキカガクの一番人気『脱ブラックボックスコース』に完全版が登場＆全12時間分の解説動画付きで無料公開！ 人工知能 (AI) 領域を含めた先端技術に関する教育事業を展開する株式会社キカガク（本社：東京都千代田区、代表取締役 吉崎 亮介）からAI・機械学習を学び始める全ての方へ、全編に解説動画が付いた『キカガク流 脱ブラックボックスコース』の完全版を無料で提供します。この完全版は、世界中でオンラインコースを提供するUdemy上で提供されている初級編と中級編を2020年版へブラッシュアップし、待望の声が多かった上級編を加えたコースです。このコースは E-learning のプラットフォームであるキカガク（https://www.kikagaku.ai）上で受講することができます。 コース内容の紹介 ■ キカガク流 脱ブラックボックスコース キカガク流ブラックボ
サマースクール’20：深層強化学習 | Deep Learning JP
本講座は、Deep Learningを用いた強化学習に特化した全6回の講義です。東京大学でDeep Learning基礎講座を公開してきた松尾研究室が、深層学習の基礎を習得済みの学生を対象として開講するものです。 深層学習を用いた強化学習の研究・社会実装のスタートラインに立てるレベルの知識・実装力の習得を目指します。離散制御や連続値制御、モデルベース学習などの強化学習の基礎的なアルゴリズムから、sim2real、模倣学習、Control as Inference、世界モデル、まで深層強化学習の種々のトピックをカバーします。講義のみでなく、実践的な演習を通して、効率的に強化学習について手を動かしながら技術を深く理解します。
IT未経験からMLエンジニアになるまでの2年半でやったこと - MLaaSS - Machine Learning as a Self-Satisfaction
はじめに 自身の転職活動にあたり皆さんの転職エントリが非常に参考になったので、私も同じ境遇の方の参考になればと思い、書き残すことにしました。（ただ、本当に私と似た境遇の方にはなかなかリーチしづらい気がしていますが・・・） TLDR; 30歳でIT未経験からMLエンジニアに転職 約2年半独学で勉強（ほとんどkaggleしてただけ） 無関係に思えた現職での経験もなんだかんだ転職で役に立った 目次 自己紹介 現職について 転職の理由 勉強したこと 転職活動 終わりに 1.自己紹介 かまろという名前でTwitterなりkaggleなりをやっています。kaggleでは画像やNLPといったdeep learning系のコンペを中心に取り組んでおり、2019年の9月に金メダルを獲得しMasterになることができました。 恐らくここが他の転職エントリを書かれている方々と大きく異なる点かと思うのですが、現職
初心者でも機械学習の基本的なアルゴリズムを学べる11のスライド - paiza times
Photo by fdecomite こんにちは。谷口です。 最近、機械学習の勉強をしている人や、機械学習関連の求人が増えてきましたね。弊社のエンジニアにも、機械学習を勉強中の人達が何人かいます。 ただ、初心者だと「機械学習を勉強したいけど、難しいし何から手を付けたらいいのかよくわからない」という人も多いかと思います。 そこで今回は、機械学習の勉強を始めたばかりという初心者の方向けに、機械学習でよく使われるアルゴリズムがわかるスライドをいくつかご紹介します。 ■機械学習以前 そもそも「機械学習で何ができるのか・どんなものなのか知りたい」という段階の人が機械学習の概要をつかむには、このあたりのスライドが参考になるかと思います。 If文から機械学習への道 from nishio www.slideshare.net 機械学習入門以前 from mrtc0 www.slideshare.net
【機械学習ステップアップ】確率モデルの考え方 - HELLO CYBERNETICS
はじめに よくある機械学習の問題設定 よくある機械学習の解法 確率モデルの考え方 問題の定式化 問題を確率分布で一貫して表現 解法 ノイズを正規分布とみなした最尤推定 余談 はじめに 今回は機械学習の中でも、多くの初学者が行き詰まる確率モデルについて、その考え方をまとめておきたいと思います。 機械学習で最も基本的な話題の展開方法は、線形回帰や線形分類のお話を、適当な損失関数を最小化するような関数を決定するというお話で進めていくことです。これは直感的にはわかりやすく、しかも（深く考えなければ）、そこで設定される損失関数は常識的に真っ当なものに見えたりします。 よくある機械学習の問題設定 ここで簡単に例を提示しておきたいと思います。ベクトル$\mathbf x$とスカラー$y$の組が$N$個手に入っているとしましょう。このような訓練データ集合$D=\{(\mathbf x_1, y_1),..
Pythonを使った機械学習の勉強にはJupyter NotebookをHerokuの無料枠で立ててスマホからでも実行できるようにして共有しよう - Qiita
Pythonを使った機械学習の勉強にはJupyter NotebookをHerokuの無料枠で立ててスマホからでも実行できるようにして共有しようPythonHeroku勉強会Python3JupyterNotebook はじめに 社内で週１の機械学習の勉強会を主催しています。G-awaです。 勉強会は👇の本を輪読しながら、プログラムも書いていく方式で進めています。 プログラムも書きながら勉強会を進行していますし、 毎回いろんな人が参加するので、いちいちその人に合わせて開発環境をととのえるのが面倒でした。 それに、実行した履歴をどう残して振り返ろうかと考えていたのですが、とてもいい方法がありました。 それがJupyter Notebookです。 Jupyter Notebookとは Jupyter Notebookは Webページ上でPythonのコードを実行して、 それを履歴（ノート）と
【機械学習を基本から丁寧に】TensorFlow Eager Executionで単回帰の実行 - HELLO CYBERNETICS
理屈編 問題設定 損失関数 損失を小さくする勾配法 損失の減少はいつ終わるのか 学習がうまくいく更新の大きさ 学習がうまくいかない更新の大きさ 実践編 実行環境 必要なライブラリの準備 問題設定 モデルの設計と損失関数 tf.keras.Modelクラスでモデルの雛形を作る 損失関数 勾配の計算 パラメータの更新 実験 初期状態のモデル 学習後のモデル 本当に学習は上手く行ったのか コード全体 多項式フィッティングへの発展 理屈編 問題設定 ここでは最も単純な線形回帰である単回帰について説明します。 これは、入力変数がスカラーで $x$ １つ、出力変数もスカラーで $y$ １つのときに、 $x$ と $y$ の関係を一次式で表そうというものです。 データセット $D={(x_1, y_1), (x_2, y_2), \cdots, (x_N, y_N)}$がある時に（ $x_i, y_i$
Deep Learning勉強のための書籍【2018年版】 - HELLO CYBERNETICS
はじめに 初級編 ゼロから作るDeep Learning 中級編 scikit-learnとTensorFlowによる実践機械学習 PythonとKerasによるディープラーニング 上級編 Pro Deep Learning with TensorFlow Deep Learning はじめに ディープラーニングに関する書籍は山ほど出てきています。 その中でどれを読めば良いのか分からない、というのは初心者にとって最初の問題でもあるでしょう。まずはブログなどのネットの情報を参考に勉強をする人が多いかと思われますが、私のブログも含め、大抵は個人の興味に沿ってバラバラに話題が提供されるため、できれば1つ1つ順を追って解説してくれる物が欲しいと感じるのが本音と思われます。 今回は、数ある書籍の中でも私自身が所持していておすすめできるディープラーニングの書籍を載せたいと思います。 初級編 ゼロから作
超入門訳TensorFlow MNIST For ML Beginners - Qiita
はじめによりはじめに プログラミングもデータ分析も初心者、高校数学しか知らないのにTensorFllowに手を出したのですが、TensorFllow入門で調べてみても、全く入門でなかったのでTensorFlow MNIST For ML Beginnersチュートリアルを訳してくださっていたものを自分なりに解釈して書き換えました。 せっかくなので投稿します。 自分のために作ったので、よくわからないところは赤字、分かった気になったところは太字にしてあります。 理解の助けとなるサイト等ありましたら教えていたただけると幸いです。 はじめに このチュートリアルは機械学習と TensorFlow の初心者を想定しています。もしMNISTやsoftmax（多項ロジスティック）回帰について知っているなら、より早いペースのチュートリアル が良いかもしれません。 プログラムを学ぶ時、最初に “Hello W
Kaggleをはじめたので対策や攻略法についてのブックマーク | Futurismo
Kaggle# Kaggle: Your Home for Data Science Kaggle - Wikipedia Kaggle モチベーション# 機械学習系コンペの意義 | threecourse’s memo 『データサイエンティストとマシンラーニングエンジニアはKaggleやれ』というのは何故なのか - Qiita データサイエンティストを目指して勉強するなら、Kaggleからはじめよう - Qiita はじめの一歩# Kaggle事始め - Qiita The Beginner’s Guide to Kaggle チュートリアル# Titanic: Machine Learning from Disaster | Kaggle House Prices: Advanced Regression Techniques | Kaggle Digit Recognizer | K
レコメンドエンジン作成コンテストの勝ち方
PyData.Tokyo Meetup #18での講演資料です。 https://pydatatokyo.connpass.com/event/Read less
KaggleのCTOが教えてくれた"AIエンジニアに超オススメな8つの学習ステップ” | Jenio Inc. HR Blog
はじめに こんにちは！Team AIでは渋谷の拠点で毎日機械学習の研究会を行なっていますが、中でも目玉なのが、データ分析のコンペサイトKaggle.comを使ったデータ分析ハッカソンです。 現状、産業別にテーマを分けて、FinTech、医療、HR、マーケティング、自然言語の各分野のハッカソンを定期的に行なっています。データ分析を学ぶ上では、確かに教科書を理解することは重要ですが、実際には"データと格闘して"経験値として覚えた方が効率が良いと我々は思っているので、ハンズオンなKaggleを学習の題材としてオススメしています。 データをこねくり回してみて、Kernel(他のユーザーのケーススタディ)を写経して理解して、腹落ちしない点を教科書から探して読んで理解する、逆向きの学習がいいと思っています。(諸説あると思いますが) 今日は、初学者のアプローチとして、Kaggle CTOがQuoraとい
新米データサイエンティスト、研修プログラムを考える。 - Qiita
こんにちは、教育業界に就職した新卒1年目のデータサイエンティストです。 新卒研修ということで自分でコンテンツを探してプログラムを組み立てる機会をいただきました！ そこで、折角なので進捗状況や学んだこと等、以後の振り返りのためにポストしていこうと思います。 今回は、自分のスキル状況、目標、具体的なコンテンツについて書いていきます。 現在のスキル SQLのSELECT文の基本的な部分が書ける pythonがほんの少し書ける（関数の実装くらいまで） Tableauが使える（Tableau アカデミックプログラムを利用していました） ご覧の通り、一般にデータサイエンティストとして必要なスキルがほぼありません... 本当に0からのスタート、何から始めれば良いのか... 目標 目標を立てる上で、こちらの記事を参考にさせていただきました。 データサイエンティストに必要なスキル要件 上記事によると、データ
社内でKaggleの布教活動をやっている話 - yasuhisa's blog
最近、社内勉強会で機械学習についてエンジニアに説明する機会があり、その際にKaggleについても説明しました。一方で うーん、「Kaggler はパラメータチューニングやアンサンブル等の自明でインクリメンタルな改善『しか』できない」というような誤解はどうやって解いていけばいいんだろう。— im132nd (@im132nd) 2018年4月4日 という話もあり、(特にデータサイエンティスト以外の職種の人が)Kaggleをやる意義/メリットについてまとめてみました。ガッと勢いで書いたので、項目に結構被りがあります。なお、書いている本人はKaggleほぼ初心者であまり説得力がないです。Kaggle Masterの人がもっといいエントリを書いてくれるのを期待しています、議論の叩き台エントリです!! Kaggleをやる意義/メリット 様々なデータセットを触ることができる kernelでデータ分析の
Kaggleとは？機械学習初心者が知っておくべき3つの使い方
機械学習の基礎用語や初歩的な手法、数学的な理解を深めませんか？環境構築が不要、オンラインで実行が可能な機械学習入門チュートリアルを公開中！機械学習の世界へ飛び込んでみませんか？ スクラッチで最小二乗法と最急降下法をPythonでコーディング（線形回帰） ロジスティック回帰の概要や数学的理解と実践に役立つ知識（ロジスティック回帰） まず呼び方ですが、Kaggleと書いて「カグル」と読みます。日本でも最近は定着してきましたが、Kaggleに参加している方を「カグラー（Kaggler）」とも呼びます。 Kaggleですが、本サイトへ行くと一番上に書かれていますが「The Home of Data Science & Machine Learning」（データサイエンスと機械学習の家）と題されている通り、世界中の機械学習・データサイエンスに携わっている約40万人の方が集まるコミニティーです。 Ka
[Python]インスタ映えする決定木を描く - Qiita
はじめに 概要 この記事ではPythonをつかって↓こんなのをつくります GraphVizによる決定木描画の不満点 機械学習が流行の今、pythonにおいてはscikit-learnを使う方が多いですよね。 その第一歩として、sklearnのDecisionTreeClassifierでIrisやTitanicを決定木分析するかと思います。 （ぼくはそうでした） sklearnのDecisionTreeClassifierでは、学習した決定木をDOT言語を介してGraphVizで可視化することができます。 ↓こんなふうに。 ダサい 勿論、分析に必要な情報は揃っていてわかりやすい秀逸な図だと思います。でもダサさが溢れ出てますね。 Tableauとかオサレなツールが登場している時代に、この古臭さ。 これではインスタグラムに投稿できないです。 もっとフォトジェニックに描画できないものでしょうか。
![[Python]インスタ映えする決定木を描く - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/7b4abe12374572b59d909ef0ddba19a1e356e6fa/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCUHl0aG9uJTVEJUUzJTgyJUE0JUUzJTgzJUIzJUUzJTgyJUI5JUUzJTgyJUJGJUU2JTk4JUEwJUUzJTgxJTg4JUUzJTgxJTk5JUUzJTgyJThCJUU2JUIxJUJBJUU1JUFFJTlBJUU2JTlDJUE4JUUzJTgyJTkyJUU2JThGJThGJUUzJTgxJThGJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1jM2FiZGRlMWUwNjc5NzkyOTU5N2Q3N2JhYjljYzdlMA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBuZWtvdW1laSZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NjliNDc4ODEwNDQ1NjBiNmJkNTA3MGM0NjViNWE0MmM%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D0381ea8faf5a8d0298922669fcefdfd9)
ディープラーニングに入門するためのリソース集と学習法（2018年版） - Qiita
最近Bitcoinの方が流行っている印象を受けますが，ディープラーニングの勢いは依然強く，Google Trendを見ても未だに検索数は上昇傾向にあるように見えます． 実際体験してみるとわかりますが，ディープラーニングはとんでもなく強力な機械学習の手法で，うまく使いこなせれば強力な武器になります．しかし，「ディープラーニングにはPhDが必要だ」「ディープラーニングは素人には学べない」といった幻想もちらほらあり，興味はあってもなかなかこの世界に飛び込めない人も多いのではないでしょうか？ この記事の目的 この記事では筆者がディープラーニングを学ぶ上で筆者が特に有効だと感じたリソースと，有効な学習法について紹介します．参考までに，筆者はディープラーニングを学び始めてまだ9ヶ月程度ですが，今となっては職場でディープラーニングを教える立場になっています．まだ筆者はディープラーニングに関しては初心者で
強化学習の基本 Qラーニングを直観的に理解するためのアニメーションによる可視化 - Qiita
経路探索問題を強化学習で解き、その過程をアニメーションで可視化しました。 ↑↓で速度調節、Spaceで最速の学習、ドラッグ or タップで障害物の追加ができます。 これにより、強化学習で何をしているのか直観的に分かりやすくなりました。 問題設定 本アニメーションで可視化している問題の設定は、下記の通りです。 条件 $n\times n$のマスからなる離散的なフィールド 固定の初期位置と目標位置(⭐)、障害物が配置されている 障害物（🔴）は、踏んだら死ぬ。初期位置からやり直し 自機(👾)は単位時間に8方向のいずれかへ1マス移動できる 横移動と斜め移動のコストは同じ 得たい出力 初期位置から目標位置までの、障害物を回避した最短経路 この問題を強化学習のフレームワークに落とし込み、Qラーニングで求解しています。 詳細は後述します。 各インジケータの意味 本可視化の見方を説明します。 前節で述
機械学習手法を用いてブログの文章を分析・可視化（テキストマイニング） - karaage. [からあげ]
自分のブログのテキストを分析・可視化してみたい 以前自分のブログの分析を「内部リンク」や「はてブ情報」の観点で行ってみました。 ただ、目的無く分析してしまったので、結局イマイチどう活用してよいかよく分からない結果しか得られませんでした。 そんな前回の反省を全く活かすことなく、また何の目的もなくブログを分析してみることにしました。今回は以前から興味のあった機械学習を用いたブログの文章の分析・可視化（テキストマイニングと呼ばれるらしいです）にチャレンジしてみることにしました。どちらかというとテキストマイニングが主で、使用する素材（学習データ）に困ったので仕方なく自分のブログを使ってみたというのが正直なところです。 ネットでコピペすりゃ簡単にできるだろと思っていたのですが、自分のやりたいことするのはそれなりに大変だったので、知見としてやり方とどんなことが分かるのかを残しておきます。 ブログのテキ
![機械学習手法を用いてブログの文章を分析・可視化（テキストマイニング） - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/4526bda35cd6dd1d734fd58bf28151217deccc11/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20180208%2F20180208010932.png)
機械学習アルゴリズム チート シート - デザイナー - Azure Machine Learning
Note デザイナーは、従来の事前構築済みコンポーネント (v1) とカスタム コンポーネント (v2) の 2 種類のコンポーネントをサポートします。 これら 2 種類のコンポーネントには互換性がありません。 従来の事前構築済みコンポーネントは、主にデータ処理や、回帰や分類などの従来の機械学習タスク向けの事前構築済みのコンポーネントを提供します。 この種類のコンポーネントは引き続きサポートされますが、新しいコンポーネントは追加されません。 カスタム コンポーネントを使用すると、独自のコードをコンポーネントとしてラップすることができます。 これは、ワークスペース間での共有と、Studio、CLI v2、SDK v2 インターフェイス間でのシームレスなオーサリングをサポートします。 新しいプロジェクトでは、AzureML V2 と互換性があり、新しく更新され続けるカスタム コンポーネントを使
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
