Kubernetes上で利用できる機械学習ツールキット「Kubeflow 1.0」リリース | OSDN Magazine
Kubernetes上で動作する機械学習ツールキット「Kubeflow」の開発チームは3月3日、「Kubeflow 1.0」を公開した。モデルの開発や実装のためのコア技術の安定性を図った。 Kubeflowは、Kubernetes上で機械学習のワークフローを実装するツールキット。2017年12月にオープンソースプロジェクトとして公開された。シンプル、拡張性、移植性にフォーカスし、すべてのKubernetes環境上で実行できることを目標としている。データサイエンス分野で広く使われている「Jupyter notebooks」との連携機能やTensorFlowモデルのトレーニング、学習モデルの「TensorFlow Serving」コンテナ形式でのエクスポート、機械学習ワークフローのデプロイや管理のための包括的なソリューションである「Kubeflow Pipelines」の提供といった機能が特徴
40歳エンジニア管理職が「Deep Learning for ENGINEER(E資格)」に合格した話 - Qiita
Deep Learning for ENGINEER（E資格）とは この記事は2020年1月時点の情報であることをご了承ください。 現在、この日本においてAIのスキルを証明する公的資格として下記が挙げられます。 JDLA Deep Learning for GENERAL（G検定） JDLA Deep Learning for ENGINEER（E資格） です。 位置付けとしては、G検定がAI関連技術に関する一般教養を問う試験。 E資格がAI関連技術に関する理論を理解し、AIを実装できるスキルを問う試験。 という理解です。 詳細というか、正確な定義については、日本ディープラーニング協会（JDLA）のサイトをご参照ください。 E資格の受験方法とJDLA認定プログラム とういうわけで、ここからはE資格のことを中心に話を進めていきたいと思います。 E資格を受験するチャンスは年に2回あり、2月と8
機械学習モデルを作成する - Training
Microsoft Learn では、対話的な方法で、従来の機械学習の概要を理解することができます。 これらのラーニング パスは、ディープ ラーニングのトピックに移行するための優れた基盤にもなり、各自の生産性を向上させます。 最も基本的な従来の機械学習モデルから、探索的データ分析やカスタマイジングのアーキテクチャまで、ブラウザーを離れることなく、概念的内容や対話型の Jupyter Notebook を簡単に把握することができます。 知識と興味に応じて自分のパスを選択してください。 オプション 1: 完全なコース: 機械学習のためのデータ サイエンスの基礎 ほとんどのユーザーには、このパスがお勧めです。 これには、概念の理解を最大限に高めるカスタム フローを備えた、他の 2 つのラーニング パスと同じモジュールがすべて含まれています。 基になる概念と、最も一般的な機械学習ツールでモデルを構
2019年、俺の読んだ論文50本全部解説(俺的ベスト3付き) - Qiita
第一位 Focal Loss for Dense Object Detection 物体検知のためのFocal Loss これは不均衡データに対処するための損失関数Focal Lossを提案した論文なのですが, とにかくそのシンプルさにやられました. 画像のFLの式を見てください. たったこれだけです. ptは正解ラベルに対する予測値なのですが, ptが大きければ大きいほど損失値をしっかり抑えられるように設計された関数となっています. 正解ラベルに対して0.6と予測するサンプルを学習に重要視せず, 0.3とか0.1とか予測しちゃうサンプルにしっかりと重要視するのです. 自分も7月くらいまでは不均衡データに関する研究していたのですが, 自分が考えた多くのアイディアが結局Focal Lossの下位互換に帰結してしまうのです. しかもこの損失関数の汎用性は非常に高く, あらゆるタスクに入れること
MacでTensorFlow Liteを実装する【2019年版】 - Qiita
MacでTensorFlow Liteを動かすまでの流れを解説していきます。 環境 動作確認済の環境は以下の通りです。 ・macOS Catalina バージョン10.15 ・Python 3.7.4 ・conda 4.7.12 ・TensorFlow 1.15.0 ・keras 2.2.4 環境構築 以下のURLよりAnacondaをインストール https://www.anaconda.com/distribution/ ダウンロードしたインストーラパッケージをダブルクリックして起動します。 利用規約に同意し、保存先を決めてインストールします。 HomeからJupyter Notebookを起動します。 作業場所を決めて、NEW→Python3でipynbファイルを作成します。 ファイルを開くとこのようにプログラムを書ける画面に移ります。ここにプログラムを書いていきます。 次にTens
機械学習で画像認識モデルを自作してAndroidアプリを実装する最短経路について - Qiita
この記事の目的 画像認識モデルを簡単に作って，簡単にアプリとして動かす方法を共有する 実行環境 google colaboratory(ランタイム：GPU)(tensorflow 2.0)(Google Chrome) win 10 Android Studio(3.5.2) android 9.0(Huawei mate 10 pro) この記事で書くこと 画像認識モデルのためのデータセット作成方法 画像認識モデルの作成方法 作成した画像認識モデルをAndroid Studioで読み込み動かす方法 筆者の失敗(?)談 画像認識モデルのためのデータセット作成方法 以下のステップを踏む 1. 認識したいクラスを複数作る．（ここではクラスA,B,Cとする） 2. クラスA,B,Cの画像を集める 3. クラスA,B,Cの画像をトレーニング用，テスト用に分ける クラスA,B,Cの画像を集める すで
機械学習を使って地方競馬を予測する - Qiita
最近競馬を始めたのですが、競馬の世界には統計学やAIを使って競馬予測をしている人たちがいるらしいです。自分も機械学習を使えば予測できるのではと思ったので、どれぐらい当たるのかやってみました！ 目的 複勝の控除率は20%なので、ランダムに馬券を買い続けた場合、回収率は80%に収束するはずです。 競馬はランダムに買い続けても儲かるのか？ - Qiita 実際に試したところ、確かに80%に近い値になりました。 なので、今回のゴールは機械学習を使って回収率80%を超えるAIを作ることです！ データの取得 まずは過去レースのデータを集めます。中央競馬のスクレイピングコードはあがっているので、今回は地方競馬を対象にしました。地方競馬のデータは以下のサイトをスクレイピングして取得します。 http://www.keiba.go.jp/index.html 上記サイトのスクレイピングコードを公開します。
機械学習・AIプロジェクトの要素を整理する手法をまとめてみました - Qiita
機械学習やAIのプロジェクトを始めたり進めたりするのに，いわゆる "PoC祭り" になってしまうことがありますが，何とか回避できないかといろんな人たちが分析・コミュニケーション手法を作っていますので少し調べてみました．たぶん網羅はしていないのでその点はご容赦ください． 海外の手法 The Machine Learning Canvas 公開の日付が見つけられませんでしたが，たぶん老舗です．書籍なども出ているようです． ぱっと見でどこに何を書くのか分かりにくいですが，要素は充実しています．明らかに技術者寄りの作りになっています． 後で出てくる「機械学習キャンバス」もそうですが，初期の手法は非MLとの比較が含まれているのが面白いです． 出典: Machine Learning Canvas — Louis Dorard AI Project Canvas 要素数や配置を含め，ほとんどビジネスモ
やる夫で学ぶ機械学習シリーズ · けんごのお屋敷
これは、機械学習に関する基礎知識をまとめたシリーズ記事の目次となる記事です。まとめることで知識を体系化できて自分自身の為にもなるので、こういうアウトプットをすることは大事だと思っています。ただ、普通にブログ記事を書くのも面白くないので、ちょっといつもとは違う方法でやってみようというのが今回のシリーズ記事。 2 ちゃんねるのキャラクターが登場人物として出てきて、彼らが会話して話が進んでいく「やる夫で学ぶシリーズ」という講義調の形式のものがあります。個人的にはやる夫で学ぶシリーズや 数学ガール のような会話形式で話が進んでいく読み物は読みやすいと思っています。さらに、先日みつけた やる夫で学ぶディジタル信号処理 という資料がとてつもなくわかりやすく、これの真似をして書いてみようと思い至りました。記事中のやる夫とやらない夫のアイコンは http://matsucon.net/material/m
ディープラーニングさえあれば、競馬で回収率100%を超えられる - Qiita
pohotos by Ronnie Macdonald 「AIが人間の仕事を奪う」と言われ始めてしばらく経ちますが、今や「幻滅期に入った」なんて言われ方もしています。おかげで僕は仕事を奪われることもなく、毎日満員電車に揺られています。奪う奪う詐欺もいいとこです。 そんなAIの発展にはもう少し時間がかかりそうな一方で、学べる環境は簡単に手に入るようになりました。触るなら、皆が幻滅しかかっている今な気もします。ということで、今更ですがAIの力を知るべく、ディープラーニングに触れてみることにしました。 いろいろ試したのですが、ここでは結果をメインに「無知の状態から勉強しても、ディープラーニングでこれぐらいは楽しめるよ」ということを伝えてみます。プログラムはお手本になるようなものではないので、見たい人だけに有料で公開してみます。 Kaggleでディープラーニングのお手並み拝見 最初にディープラーニ
anypicks.jp - anypicks リソースおよび情報
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
ディープラーニングは何ができる？ エンジニア以外も知っておきたい注意点
ビジネスにも役立つAI（人工知能）の基礎知識について解説する本連載。第3回で、機械学習とディープラーニングの概念について整理し、第4回では機械学習の種類について解説した。今回はディープラーニングについてもう少し深掘りしてみたい。 連載：よくわかる人工知能の基礎知識 いまや毎日のようにAI（人工知能）の話題が飛び交っている。しかし、どれほどの人がAIについて正しく理解し、他人に説明できるほどの知識を持っているだろうか。本連載では「AIとは何か」といった根本的な問いから最新のAI活用事例まで、主にビジネスパーソン向けに“いまさら聞けないAIに関する話”を解説していく。 （編集：ITmedia村上） ディープラーニングの仕組み 既に解説した通り、ディープラーニングは機械学習の一種で「機械がデータに基づいて自ら学習する能力を持つ」ことを実現する技術である。 ディープラーニングでは、機械が学習するた
エンジニア以外も「AIの仕組み」を学ぶべき理由 機械学習とディープラーニングの違いは？
エンジニア以外も「AIの仕組み」を学ぶべき理由 機械学習とディープラーニングの違いは？：よくわかる人工知能の基礎知識（1/4 ページ） 本連載で解説してきたように、AI（人工知能）といってもそれが何を意味するのか、またAIをどのように実現するかの答えは1つではない。とはいえ、昨今の「このサービスは人工知能を活用しています」という説明は、機械学習もしくはディープラーニングのことを指していると考えていいだろう。 ビジネスでのAI活用を考える上で、これらの用語の基本的な意味や、何ができるかを把握しておくことは重要だ。これは開発に関わるエンジニアだけでなく、経営者や現場担当者にも当てはまる。そこで今回は、いまのAIブームをけん引する2つのキーワードについてあらためて解説してみたい。 連載：よくわかる人工知能の基礎知識 いまや毎日のようにAI（人工知能）の話題が飛び交っている。しかし、どれほどの人が
Pythonと機械学習ができること 画像認識を工場の事例で試してみた
工場を想定した事例をPythonで画像認識 今回は「工場の制御機器で使われているPLC(シーケンサ)」+「画像認識+測定」含めた事例を想定してPythonで制御してみます。 想定しているイメージとしては下記です。「PLC(シーケンサ)で工場内の機器を操作する」+「製品を画像認識で測定する」工程をまとめて管理したいと思います 但し、工場の制御機器におけるPLC(シーケンサ)に関しては「ラダー」という特殊なプログラミング言語で書かれていることが大半でPythonでは直接プログラムできません。 そのためPLC(シーケンサ)自身にはそのままのラダープログラムで動いてもらいます。ラダーの箇所(製造工程)が終わったらGPIO経由でPythonに通知して画像認識(測定工程)を行います Pythonへの通知方法はGPIOでなくても何でも構いません(筆者が使いやすかっただけです)。 Python側はPLCか
Pythonで株価を機械学習モデルに投入して、グラフに表示してみる - Qiita
はじめに 最近の個人的なブームはブロックチェーン・仮想通貨です。 それに伴って（？）仮想通貨など考えるならば、株価を、機械学習で予測することのほうが良いのではないかと思い立った次第です。 とりあえず、データを集めて、それを機械学習のライブラリ（scikit-learnのSVM）に投入してモデルごとの結果を図示化を行いました。 厳密にいえば、今回のものは将来予測ではなく最適収斂モデルなので微妙に違うところもありますが。。 しかしこれは第一弾で、投入データを増やす、モデルをKeras,Tensorflow,chainerなどのやつにする、海外の文献をあさるなど今後に取りうる方針はいろいろありますが、まずはメモ書き残し用途です。 結果 ソースコード import csv import numpy as np from sklearn.svm import SVR import matplotli
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
ゼロからはじめるPython(26) インストール不要で無料で使える最強Python環境Colaboratoryを使ってみよう
今回は、Googleが機械学習の教育や研究用に提供しているGoogle Colaboratoryについて使い方を紹介する。本連載でも何度か紹介しているが、Pythonのインストールは、とにかく面倒なのだが、Colaboratoryを利用すれば、インストール不要で、かつ、一瞬でPython環境を整えることができる。 URLにアクセスするだけでPython開発を始められるGoogle Colaboratory Colaboratoryの凄さは始めればすぐ分かる 以前から、GoogleがJupyter Notebookを改良して、独自のPython開発環境を公開していると聞いていた。しかし、今回、実際に使ってみてびっくりした。と言うのも、感覚としては、最初からPythonと機械学習ライブラリがインストールされた仮想Linuxマシンをそのまま貸してもらえるという雰囲気に近いものだったからだ。 これ
機械学習にも便利なPythonライブラリ「Pandas」の初心者向けチュートリアル - paiza開発日誌
秋山です。 機械学習やディープラーニングが流行っていますが、基本的には何をするにも大量のデータを取り扱いますよね。 データの集計・分析は、機械学習をするのに大前提として必要な作業です。 そんなときに便利なライブラリがPandasです。Pandasは、Pythonを使ったデータ解析に便利な機能を提供しているライブラリです。数値や時系列のデータの操作や、データ構造をいじったりすることができます。 というわけで、今回はそんなPandasを使えるようになりたい初心者の人に向けて、ちょっとしたチュートリアルを書いてみます。 ■Pandasって何ぞ Pandasとは超ざっくり簡単に言うと、Pythonを使って、ExcelやSQL、R言語みたいな感じでデータを取り扱えるようにしてくれる便利なライブラリです。 例えば、データの整列、グループ化、データ同士の結合、スライス、欠損データがあった場合の除外、時系
Google機械学習系API勉強会レポート | BLOG - DeNA Engineering
AIシステム部の奥村（@pacocat）です。AIシステム部では、AI研究開発グループに所属しており、主に強化学習を用いたゲームAIの研究開発を行っています。 DeNAでは、様々な事業ドメインのデータを実際に使いながら機械学習を使ったサービス開発を推進しており、中でもゲームは豊富なデータ・シミュレーターがあるため、最先端のアルゴリズムを動かすための環境を自前で持っているのが特徴です。 全社的にも機械学習サービスのニーズが高まっている背景の中、7/5にGoogle様による機械学習系API勉強会が当社セミナールームにて開催されました。今回は、勉強会の内容をブログでレポートしたいと思います。 Googleといえば、先日開催されたGoogle I/O 2017でも"AI first"というメッセージが改めて強調されていましたが、実際にGoogle LensやGoogle Homeなど機械学習を活用
人とAIの共存を主とする「Google PAIR」、機械学習（NN含む）をブラウザ上で全て実行できるWebMLライブラリ「deeplearn.js 0.1.0」をリリース
人とAIの共存を主とする「Google PAIR」、機械学習（NN含む）をブラウザ上で全て実行できるWebMLライブラリ「deeplearn.js 0.1.0」をリリース 2017-08-12 人を中心としたAIシステムの研究と設計をするGoogleのプロジェクト「The People + AI Research Initiative（PAIR）」は、ブラウザ上で機械学習（Machine learning）を全て実行できるオープンソースライブラリ「deeplearn.js 0.1.0」をリリースしました。 deeplearn.js 本ライブラリは、可能な限り多くの人に機械学習を開かせたいという思いのもと開発されました。その為、インストールやバックエンドなし、ブラウザ上で全て実行できる仕様になっています。 今までもWeb Machine learning（WebML）ライブラリは存在していま
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
