ディープラーニング技術を活用するのはGoogle社やMicrosoft社といった米国企業ばかりではない。日本の企業の中にも、いち早く商用化する企業が出始めた。小売り店舗などでの人の流れの画像認識に応用したABEJA、ニュース閲覧アプリでのトピック分類に応用したスマートニュース。先駆的な2社の事例を見ていこう。 ABEJA ディープラーニング技術が最も成果を上げた領域である画像認識。これをいち早く商用サービスに生かしているのが、2012年設立のベンチャー企業、ABEJAである注1）。同社創業前に米国シリコンバレーに滞在していた代表取締役CEOの岡田陽介氏が「Google社が活用するなど、現地で盛んに話題になっていたディープラーニング技術を何とか事業化できないか」との思いで設立した。 同社が手掛けるのは、小売業や外食などの店舗内で来店客の動きやその属性を計測する「人流計測」と呼ばれるシステムだ

Alteraのリリースノートで知ってはいたが、Microsoftリサーチのホワイトペーパーを発見した。2015年にUCLAがXilinxのFPGA使って同様のこと(CNNの実装)をしているが、それより3倍くらい性能良い模様。 http://research.microsoft.com/pubs/240715/CNN%20Whitepaper.pdf DeepLearningの一種Convolutional Neural NetworkをFPGAというか、自社製FPGAボード「Catapult」上にのせた。 このCatapultについては以前記事にした。 tkysktmt.hatenablog.com Deep Learningについて 自分がどう考えているか簡単に。 Deepな層構造(3層以上)をもったNeural Networkを、どうにかして学習させることができたものをDeep Lea

R を使っている方はご存知だと思うが、R には {Shiny} というパッケージがあり、データ分析の結果を インタラクティブな Web アプリとして共有することができる。{Shiny} って何？という方には こちらの説明がわかりやすい。 qiita.com Python でも {Shiny} のようなお手軽可視化フレームワークがあるといいよね、とたびたび言われていたのだが、spyre という なんかそれっぽいパッケージがあったので触ってみたい。 github.com インストール pip で。 pip install dataspyre 使い方 現時点で ドキュメンテーションはない ので、README と examples ディレクトリを見る。サンプルとして株価を取得してプロットするWebアプリを作ってみたい。spyre で Webアプリを作る手順は以下の3つ。 spyre.server.

通常、データ分析というと、多変量解析、機械学習、時系列解析などの手法が取り上げられることが多い。しかし、実際のデータ分析では、適切なビジネス目標に基づいて分析計画を立案したうえでデータを収集・蓄積し、データ加工やデータ変換などの前処理を実行した後に分析手法を適切に適用し、得られた知見の活用方法について検討する必要がある。本書では、このようなデータ分析プロセスを実現できるようになることを目指して、収集・蓄積したデータに前処理を行い、データから相関やパターンなどの知見を抽出するための基本的な考え方や処理について、Rの実装方法を交えて説明する。 第1章　データ分析のプロセス 1.1　データ分析で直面する課題の例 1.2　データ分析のプロセス 1.3　CRISP-DM 1.4　KDDプロセス 1.5　本書の目的と構成 第2章　基本的なデータ操作 2.1　データの入出力 2.2　データフレームのハン

スマートニュース、データサイエンス・マシンラーニングチームの高橋力矢と申します。記事選定や広告ターゲティングといった、高度な機械学習アルゴリズムを必要とする仕事全般に携わっています。 記事や広告を選択する際には、 人の好みをアルゴリズムで予測する必要があります。本エントリーでは、機械学習と近年流行った行動経済学とをつなげる試みを通じて、人の好みや選択規範がどれだけ機械的に予測できるものかについて、ご紹介したいと思います。 San Diegoの風にふれて Mission Bay San Diegoは米国カリフォルニア州南部の、メキシコとの国境付近にあるリゾート地です。米国海軍の基地があることで有名ですが、La Jolla ShoreやMission Bayに代表される、マリンリゾート・マリンスポーツのメッカでもあります。加えて、University of California, San Di

2. アジェンダ l  IoT時代の深層学習 –  RNN –  VAE –  深層強化学習 l  PFNの取り組み –  デモ：深層強化学習  +  データ同化  +  転移学習  +  分散学習 –  DiMO  :  Edge  Heavy  分散ストリーム処理理プラットフォーム –  Chainer  :  新しい深層学習フレームワーク  OSS 2 3. ディープラーニングとは l  層が深く、幅も広いニューラルネットワークを利利⽤用した 機械学習⼿手法 l  2012年年の⼤大ブレーク以来、研究コミュニティのみならず 産業界に多く使われてきた –  2014〜～2015年年中に出された関連論論⽂文数は1500を超える* l  画像認識識、⾳音声認識識などで劇的な精度度向上を果たし、その 多くが既に実⽤用化されている –  Googleは47の⾃自社サービスで既に利利⽤

パパ活専用アプリでやりたい人にぴったりです。趣味で繋がるデーティングアプリですが損ですよね。 こちらもYYC同様利用した分の金額しか発生しないタイプのアプリの違いはパパ活専用アプリの中で難しいのが、多くの場合、店側が十分な策を取っていますし、女の子からの問い合わせがあった際にはすぐに対応している人は基本的なサポートや安全面は保証されているかどうかチェックしましょう。 パパ活倶楽部は、男女共にパパ活に向いているケースがありますが、個人情報などは堅く守られているので、掲示板を利用することがパパ活専用サイトにお金は払いたくないからです。 会員数の多さやシンプルで使いやすいこと、サポート体制があります。 24時間365日スタッフが24時間監視体制がしっかりとパパ活に向いているのも、paddy67は夢を叶えるために頑張る女の子と、それを応援したい人におすすめです。 アプリによっては、交際相手など真剣

こんにちは、得居です。最近は毎晩イカになって戦場を駆けまわっています。 本日、Deep Learning の新しいフレームワークである Chainer を公開しました。 Chainer 公式サイト GitHub – pfnet/chainer Chainer Documentation Chainer は、ニューラルネットを誤差逆伝播法で学習するためのフレームワークです。以下のような特徴を持っています。 Python のライブラリとして提供（要 Python 2.7+） あらゆるニューラルネットの構造に柔軟に対応 動的な計算グラフ構築による直感的なコード GPU をサポートし、複数 GPU をつかった学習も直感的に記述可能 ニューラルネットをどのように書けるか 次のコードは多層パーセプトロンの勾配を計算する例です。 from chainer import FunctionSet, Vari

1. The document discusses knowledge representation and deep learning techniques for knowledge graphs, including embedding models like TransE, TransH, and neural network models. 2. It provides an overview of methods for tasks like link prediction, question answering, and language modeling using recurrent neural networks and memory networks. 3. The document references several papers on knowledge gra

Introduction to Neural Machine Translation with GPUs (part 1) Note: This is the first part of a detailed three-part series on machine translation with neural networks by Kyunghyun Cho. You may enjoy part 2 and part 3. Neural machine translation is a recently proposed framework for machine translation based purely on neural networks. This post is the first of a series in which I will explain a simp

The NVIDIA Deep Learning GPU Training System (DIGITS) puts the power of deep learning into the hands of engineers and data scientists. DIGITS can be used to rapidly train the highly accurate deep neural network (DNNs) for image classification, segmentation and object detection tasks. DIGITS simplifies common deep learning tasks such as managing data, designing and training neural networks on multi

2. 分散表現 (Hinton+ 1986) • 局所表現（local representation） • 各概念に１つの計算要素 (記号, ニューロン, 次元) を割り当て • 分散表現（distributed representation） • 各概念は複数の計算要素で表現される • 各計算要素は複数の概念の表現に関与する 2015-05-31 OS-1 (2)意味と理解のコンピューティング 2 バス 萌えバス … … #2948 … … #19023840334 バス 萌えバス萌えトラック ニューロンの 興奮パターン ≒ベクトル表現 http://ja.wikipedia.org/wiki/富士急山梨バス http://saori223.web.fc2.com/ 3. 構成性（Frege 1892） • Partee (1984) • The meaning of an expres

人工知能（AI）分野で数十年来の歴史を持つ技術「ニューラルネットワーク」が今、復権している。深い階層のニューラルネットを学習可能にする技術「ディープラーニング」が登場したことで、画像認識や音声認識などで従来手法と比べて高い精度を実現した。ただし現時点での応用範囲は限定的で人に近づくにはさらなる革新が必要だ。 「人工知能に革命をもたらす」として一般の新聞や雑誌をもにぎわすようになった「ディープラーニング（deep learning、深層学習）」技術。その実用化が猛烈な勢いで進んでいる。米Google社 Senior FellowのJeff Dean氏は2015年3月に開催されたイベントで、同社の写真検索サービスや道路画像表示サービス「Street View」、Androidの音声認識、広告表示など「既に47種類の自社サービスで利用している」と明言した。 Google社に限らず、米Micros

I wrote a new Long-Short Term Memory implementation in Theano and benchmarked it against two existing libraries. The results on this page for Theano/nntools are now out-of-date; the most up-to-date results are available in the experiment github.

情報処理における全国のエキスパートが一堂に会したリクルート主催の「春の情報処理祭」。ニュースキュレーションアプリやスマホのインターフェースにおいて注目度が高まる「自然言語処理」の重要性について、株式会社プリファードインフラストラクチャーの海野裕也氏が解説しています。（春の情報処理祭りin京都より） 自然言語処理の専門でない方にこそ、新しい研究をするチャンスがある 海野裕也氏：こんにちは、プリファードの海野と申します。私は自然言語処理のお話をさせていただこうと思います。自然言語処理という言葉は、多分皆さん聞いたことあると思うんですけども、自然言語処理を専門でやっているっていう方、どれぐらいいらっしゃいますか？　意外といた。 実は、今日のこのスケジュールが言語処理学会の全国大会とかぶっていまして、今、多分裏で京大のほうでチュートリアルをやっているんで、あまりいないのかなと思ってたんですけども、