import torch x = torch.tensor([1., -1.]) w = torch.tensor([1.0, 0.5], requires_grad=True) loss = -torch.dot(x, w).sigmoid().log() loss.backward() print(loss.item()) print(w.grad)
![はじめに — 機械学習帳](https://cdn-ak-scissors.b.st-hatena.com/image/square/76e54bc4c04ddef2f1661d5d0b764794c14adcae/height=288;version=1;width=512/https%3A%2F%2Fchokkan.github.io%2Fmlnote%2F_static%2Fmlnote.png)
はじめに 数年ほど前から、「機械学習」や「Deep Learning(深層学習)」という言葉をよく聞きます。 どうやらこれを使えば売上予測ができたり画像の識別ができたり自動運転の車が実現できたりする、 すごい技術といわれています。 たしかにすごそうな技術だということはわかるのですが、「機械学習や深層学習をやってみよう!」 と思い立って、適当にググってTensorFlowとかをはじめようとすると、 いきなり壁にぶち当たるのではないでしょうか。(自分は当たった) 「機械学習でコンピュータが、猫がどういうものであるか人間に教えられること無く理解したんです!」 とかいわれても、いまいちピンときません。 機械学習は最近注目されていますが、1951年に最初のニューラルネットワーク(後述)が作成されたそうで、 それなりに歴史のある技術のようです。 やはりここは機械学習とかその周りの技術や用語についてゼロ
「Splatoon 2」をディープラーニングで攻略してみなイカ? 2018(前編)(1/3 ページ) 2017年夏に発売された「Splatoon 2」(Nintendo Switch向け)は、いわずと知れた人気シューティング対戦ゲームです。ゲームに勝つためには、インクを用いて敵チームのプレイヤーを倒したりステージの床を塗ったり、さまざまな要素を考慮する必要があります。発売後も、定期的にステージやブキの追加、新ルールの登場、ゲームバランスの微調整などがあり、とるべき戦略は日々変化し、今なおユーザーの熱狂が続いています。一方、熱中しすぎたユーザーの間では、負けが続くと「コントローラー投げた」「編成事故」「デボン改修はよ」(※)などと嘆く声も出ています。 (※)「編成事故」は、味方チーム4人のブキの組み合わせが悪いこと。「デボン改修はよ」は、「デボン海洋博物館」というステージの構成変更を望む声の
背景 平成の次の元号は何になるの? エンジニアに限らず、多くの人が気になる話題である。 エライ学者先生ががんばって調べたり選んだりして決めるんでしょ。 しかし、時はAIが囲碁や将棋で名人を負かす時代。 そうだ!AIに新元号を決めてもらえばいいじゃん!! まさに悪魔的発想・・・! 「OK、Google、新しい元号は何になるの?」 ⇒ 教えてくれるワケがない。(元号関連記事くらいは教えてくれる) じゃあ自分で作ってみよう! 人の判断を一切入れずに、AIだけで新元号作ることが出来るのか?が今回のテーマ 余談: ちなみに大喜利人工知能の、大喜利βさんに聞いたところ 「アメリカ」との答えが返ってきた。 このタイミングで、アメリカ合衆国51番目の州は「本州」です、とせよとの啓示なのか!? 新元号のルールは? 以下のように決められているらしい。 1. 国民の理想としてふさわしいようなよい意味を持つもので
※2018年06月23日追記 PyTorchを使用した最新版の内容を次の書籍にまとめました。 つくりながら学ぶ! 深層強化学習 ~PyTorchによる実践プログラミング~ 18年6月28日発売 これから強化学習を勉強したい人に向けて、「どんなアルゴリズムがあるのか」、「どの順番で勉強すれば良いのか」を示した強化学習アルゴリズムの「学習マップ」を作成しました。 さらに、各手法を実際にどう実装すれば良いのかを、簡単な例題を対象に実装しました。 本記事では、ひとつずつ解説します。 オレンジ枠の手法は、実装例を紹介します。 ※今回マップを作るにあたっては、以下の文献を参考にしました。 ●速習 強化学習: 基礎理論とアルゴリズム(書籍) ●Deep Learning for Video Game Playing 強化学習とは 強化学習は、画像識別のような教師あり学習や、クラスタリングのような教師なし
概要 本ページは、代表的な機械学習の手法の特性について独自に簡単にまとめたページです。 (ご意見、ご指摘等あったらご連絡ください。) 世の中のスタンダードなものとして下記もあるので、それを踏まえてご参照いただければと思います。 - ScikitLearn Choosing the right estimator - Microsoft Azure Machine Learning Studio の機械学習アルゴリズム チート シート - 朱鷺の杜Wiki 機械学習 教師データあり 回帰 (一般化)線形回帰 ロジスティック回帰 サポートベクターマシーン(SVM) 木 決定木(CART) 回帰木 ランダムフォレスト 勾配ブースティング木 ニューラルネットワーク(NN) パーセプトロン 畳み込みニューラルネットワーク(CNN) 再起型ニューラルネットワーク(RNN) 残差ネットワーク(ResNe
機械学習を行うために、画像から特定の物体(領域)だけ切り出して認識したり学習データを作りたい、ということがよくあると思います。 本稿では非常に多くの機能を持つOpenCVの中から、そうした機械学習のために利用する機能にフォーカスしてその利用方法を紹介していきたいと思います。具体的には、下記のモジュールを中心に扱います。 CVPR 2015 Tutorials 基本的な切り出しの手順は以下のようになります。以下では、このプロセスに則り解説を行っていこうと思います。 前処理: 物体検出が行いやすいように、画像の前処理を行います 物体検出: 物体の検出を行い、画像から切り出します 輪郭検出: 画像上の領域(輪郭)を認識することで、物体を検出します 物体認識: OpenCVの学習済みモデルを利用して対象の物体を認識し、検出を行います 機械学習の準備: 切り出した画像を用い、予測や学習を行うための準
はじめに 機械学習や深層学習が人気の昨今ですが、それらのモデルの精度に最もクリティカルに影響するのはインプットするデータの質です。データの質は、データを適切に把握し、不要なデータを取り除いたり、必要なデータを精査する前処理を行うことで高めることができます。 本頁では、データ処理の基本ツールとしてPandasの使い方を紹介します。Pandasには便利な機能がたくさんありますが、特に分析業務で頻出のPandas関数・メソッドを重点的に取り上げました。 Pandasに便利なメソッドがたくさんあることは知っている、でもワイが知りたいのは分析に最低限必要なやつだけなんや…!、という人のためのPandasマニュアルです。 また、単に機能を説明するだけでは実際の処理動作がわかりにくいため、ここではSIGNATE(旧DeepAnalytics)のお弁当の需要予想を行うコンペのデータを拝借し、このデータに対
ニューラルネットワークと深層学習 What this book is about On the exercises and problems ニューラルネットワークを用いた手書き文字認識 逆伝播の仕組み ニューラルネットワークの学習の改善 ニューラルネットワークが任意の関数を表現できることの視覚的証明 ニューラルネットワークを訓練するのはなぜ難しいのか 深層学習 Appendix: 知性のある シンプルな アルゴリズムはあるか? Acknowledgements Frequently Asked Questions Sponsors Resources 「ニューラルネットワークと深層学習」は無料のオンライン書籍です。 この本では、次のような内容を扱います。 ニューラルネットワーク:コンピュータに、観測データにもとづいて学習する能力を与える、生物学にヒントを得たプログラミングパラダイム。 深
MS の Deep Learning Framework CNTK で画風変換~もしも小学生の自分にゴッホを描かせたら?Azure機械学習DeepLearningKerasCNTK Microsoft の Deep Learning のフレームワーク Cognitive Toolkit (CNTK) が、2016 年 10 月に Version 2.0 に上がって Python でも使えるようになりました。そこからさらに活発に開発が行われてどんどん進化しているようです。 Update (2017/04/05): 4/4 に CNTK がついに beta が取れて、V 2.0 Release Candidate 1 に Version が上がりました!詳しくはこちらから!なので、それに伴って環境構築方法を更新しました。 Update (2017/04/23): 先日、V 2.0 RC 2 に
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
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
株式会社キカガク 機械学習や人工知能の教育サービスを提供 フォローお待ちしております ビジネス目線の機械学習・人工知能の情報やオススメの参考書について発信しています。 代表取締役社長 吉崎 亮介 Twitter:@yoshizaki_kkgk Facebook:@ryosuke.yoshizaki Blog:キカガク代表のブログ それでは、前置きが長くなりましたが、環境構築をはじめていきましょう! ローカル環境(Mac) 環境の違いにより、設定がうまくいく場合があります。 現在、私の手元のPCはMacの最新版OSが入っています。 ・macOS Sierra 10.12.3 うまくいかない場合はこちらに合わせてみてください。 Homebrewのインストール Homebrewというパッケージマネージャーを導入します。 日頃プログラミングをしない方は聞き慣れないかもしれませんが、プログラミングの
【更新】 ※少々表(本のリスト)が見づらかったので変更をしました。 ※著者、出版社については、リンク先のAmazonでご確認ください。 はじめに 今回は私が人工知能プログラミングを学習する際に参考にした書籍と、 そのスキル習得の道筋を上記フローと共に振り返りメモとして残します。 現在私は競馬予想・AIがゲームをプレイするプログラムを作成しています。 これから人工知能の領域に一歩踏み出そうという方に少しでも本Qiitaが役立てば幸いです。 今回具体的にプログラムの説明はしないので、 人工知能プログラム自体に興味のある方は本Qiitaの最後にリンクを載せているので参照してください。 前提 今回選択した書籍は私が読んだものの中でも比較的易しめで、 可能な限りプログラムが添付されているものを選択しました。 なぜなら、プログラムを実装して、動かして、理解して、を繰り返すのが、 スキル習得(実装を含む
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
処理を実行中です
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