Kerasで開発すると、複雑な数式によるモデル構築をせずとも、ディープラーニングによる時系列学習モデルが開発でき、　データ予測が実現できる、ということを、実際に動くコードで実感していただくセッションです。

Fringe81 Advent Calendar 19日目です。 本記事は、Wide & Deep Learningの基本的な概念の理解をゴールにしており、実装の細かい話については触れません。 Wide & Deep Learningの詳細を知りたい方は以下のページを参照下さい。 TensorFlow Wide & Deep Learning Tutorial Research Blog: Wide & Deep Learning: Better Together with TensorFlow 対象読者 Python/TensorFlowで機械学習のモデリングをしている 高次元スパースなデータを扱っている 線形モデルとDeepLearningの良いところ取りをしたい TensorFlowとは 以下の記事を参照下さい。 DeepAge: ビッグデータを分散学習するDeep Learning

最近のワープロや表計算ソフト、データベース、（そしてもちろん）検索エンジンなどには、テキスト検索が必要不可欠な機能として組み込まれている。 基本的な画像検索も実現しており、「cat」で画像を検索すれば、ページが猫の写真で埋め尽くされる。この検索が機能する理由の一部は、ウェブ上の多数の画像に「猫」というラベルが付いているためだ。 しかし現在でも、画像認識は難しい問題として残されている。画像認識システムは、ある写真が示されたときに、「この写真に猫は写っているか？」という質問に答えることができる。この種の単純な画像認識は、人間にとっては難しくない。しかし、この種のシステムをコーディングするのは難しいことだ。 Googleは2015年の終わり頃に、開発者が画像を認識し、パターンを学習するアプリケーションを作成するのに役立つ、2つのシステムをリリースした。 画像認識：Cloud Vision API

はじめに タイトルの通り、Pythonの機械学習プロジェクトにおけるプログラミング設計について、 最近私が意識していることを書いてみたいと思います。 この内容が役に立つかもしれない人は、機械学習のプログラミングをする人で、 あまりPythonを書いたことが無い 仕事でプログラミングしたことがあまりない いつもプログラムの構成で悩んで、スッキリ書けないことが多い という人です。 設計方針 設計は「何に備えるか」を考える事に近いと思います。 通常私が機械学習プロジェクトで意識しているのは以下のような点です。 設定により振る舞いを簡単に変えることができる 例えば、「前処理の方法」「Modelのレイヤー数」「学習するEpoch数」のような局所的な振る舞いから、 開発環境 or Staging環境 or Production環境毎に異なる「データソースの場所」や「認証情報などの機密データ」の指定、

DeepLearningは最近ブームであり,その有名なライブラリとしてTensorflowがあります． この記事ではDeepLearningの基本的な部分を数式を使って書き下すこととTensorflowの使い方を紹介します. 今更っていう気もしますが…，そこは気にしないでおくことにします 主な対象はベクトル空間やテンソル積等をある程度知っているけれど，DeepLearningは知らない人です. なので表記も大学の数学でよく出てくるものしています. なおニューラルネットワークの積分表現には触れません. 三層パーセプトロン ニューラルネットワークの基本的な形の一つである三層パーセプトロンを定義します. 定義 (三層パーセプトロン) 行列$W_1 \in M_{n_0 n_1}(\mathbb{R}),W_2 \in M_{n_1 n_2}(\mathbb{R})$とベクトル$b_1 \in \

デフォルトのJupyter notebookにスニペット(ショートカット)呼び出しの拡張機能を追加し、生産性をあげた話です。 以下の順に沿って記していきます。 前提となる環境 拡張ツールの導入(jupyter_contrib_nbextensions) デフォルトスニペットの使用 オリジナルスニペットの登録 前提となる環境 自宅で使っているMacBooK Airを用います。 2011 MacBook Air 3,1 1.4 GHz Intel Core 2 Duo 2 GB 1067 MHz DDR3 128 GB SSD High Sierra 10.13.2 また、pyenv 1.1.5 + anaconda3-4.0.0でJupiter notebookの環境を実現しています。 拡張ツールの導入(jupyter_contrib_nbextensions) データベースへの接続や、ma

これはGalapagos Advent Calendar 20日目の記事です。 二度目まして。iOSチームの高橋です。好きな金額は二兆円です。 今回はiOS上で簡単にニューラルネットのモデルを実行させられるCoreMLを利用して、リアルタイムなスタイル変換を実装する話をします。 準備 Kerasモデルファイルの入手 さて、リアルタイムなスタイル変換を行う手法としてはarXiv:1603.08155が存在しますが、なんと！昨日の記事でまんださんがこれをKerasで実装してくれています！（しらじら） なので、できあがったh5モデルファイルをもらうことにしました。これさえあればモネ風のスタイル変換ができる、はずです。 mlmodelへの変換 Kerasのモデルファイルをもらったので、coremltoolsを使ってmlmodelファイルに変換します。 coremltoolsは現時点ではPython