可視化は大事 結果が関数で求まってもどういうものかは直感的にわからないことが多い。 そこでグラフを描くことが分析・思考のための第一歩になる。 matplotlibの日本語メモはここが詳しい。 sympyのplotはここ。 公式とかも見ながら四苦八苦。 import import sympy as sym sym.init_printing() Pi = sym.S.Pi # 円周率 E = sym.S.Exp1 # 自然対数の底 I = sym.S.ImaginaryUnit # 虚数単位 # 使用する変数の定義(小文字1文字は全てシンボルとする) (a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z) = sym.symbols('a b c d e f g h i j k l m n o p q r s t u v w x y z')

import numpy as np import scipy import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns sns.set(font='Kozuka Gothic Pro', style="whitegrid") def print_ex(str, num): print(f"{str}は {num} です。") def describe_list(list): print_ex("　　　和", np.sum(list)) print_ex("　　平均", np.mean(list)) print_ex("　　分散", np.var(list)) print_ex("標準偏差", np.std(list)) print_ex("　　歪度", scipy.stats.skew(list))

2014年03月29日02:37 カテゴリ金融・マーケット関連 理論と現実の誤差について考える～正規分布とベキ分布～ 金融取引の世界を見ると、「100年に1度の危機」と言われる大規模なマーケット変動が数年ごとに起こっている。 私たちはブラックスワンの存在に怯えながら、日々ポジション管理を行っている。 確率論に支配される正規分布の世界では、平均や変動、分散、標準偏差などの概念を使ってシミュレーションを行うと、平均からの距離に基づいて一定の確率で標本が分布していることがわかる。 その一方で、私たちが住んでいるこの世界はベキ分布に基づく複雑系世界なのだという。 地震を例に考えれば、プレート同士がぶつかり合う活断層地帯では、私たちが体感できないような微小地震が頻発している。そして、ある日突然、東日本大震災のような壊滅的な地震が起きる。 正規分布を基にリスク管理を考えると、微小地震の寄与率があまりに

頻度分布をヒストグラムか何かで表しておいて、それを大きい順に並べると順位分布になります。これを順位のベキ乗関数でfitするのに最小２乗を使うのでしょう。順位分布のi番目の高さをXiとして、カイ２乗を Sum_i[Xi - a/i^p ] で定義して、これが最小になるようにaとpを決めれば良いでしょう。

購買系のビッグデータには「べき分布」が多く注意が必要 （第2回）と（第3回）で全量分析の優位点について紹介しました。本日からは、全量データに注意すべき点を説明します。本日は注意点①の以下のポイントです。 注意点①：サンプルデータは中心極限定理により正規分布を仮定されることが多いが、ビッグデータをそのまま扱うと「べき分布」になることが多く、分析には注意が必要。 「中心極限定理」とは、無作為抽出した標本で、かつ標本数が大きければ、母集団の分布にかかわらず「標本の平均値の分布」が正規分布に近づくというものです。これは誤解されることが多いのですが、母集団の分布にかかわらず正規分布に近づくのは、あくまで標本の「平均値の分布」で、「標本そのものの分布」は、当然のことですが「母集団の分布」に近づきます。しかし、統計分析の現場では、この中心極限定理を根拠に、サンプルデータでの統計解析をデータが正規分布であ

Zipf分布といえば，べき乗則でおなじみの分布です（http://en.wikipedia.org/wiki/Zipf%27s_law）．一方，Zipf-MandelbrotはZipf分布を一般化したものだそうです（http://en.wikipedia.org/wiki/Zipf%E2%80%93Mandelbrot_law）． Zipf-MandelbrotのPDFは f(x) = c / (x + b)^aとなるわけですが，今回はより単純な形式である， f(x) = 1 / xというPDFに従う乱数を生成する方法を説明します． まず，CDFを求めてみます．ただし，PDFの積分は ∫f(x) dx = ln(x) + C (Cは積分定数)であるけれど，F(0) = 0なのでCDFは F(x) = ln(x)となります． 次に，F(x)の逆関数をもとめます． y = ln(x) e^y

Unixを使っていると，/usr が全然ユーザー用じゃなくどう見てもシステムのための物だったり，/etc が事実上設定ファイル置き場となっていたり，/var がログファイル置き場となっていたりと，名が体を現していなくて奇妙な感覚を覚える．もっと分かりやすい名前の付け方があったんじゃないかと，Unixユーザーならば誰もが思うはずだが，これに対する解答がredditに投稿されており，その内容が非常に面白かったので，軽く翻訳してみた． Anyone know why /var and /etc weren't named something like /etc and /cfg? http://ja.reddit.com/r/linux/comments/cpisy/anyone_know_why_var_and_etc_werent_named/c0ua3mo 昔々，システム7が使われていてU

この記事は、Deep Learning Advent Calendar 2016の23日目の記事です。 現在、Deep Learningではニューラルネットワークを学習させる手法として、誤差逆伝搬法がほとんどの場合使われています。 ですが、誤差逆伝播法(Back Propagation)は生物学的妥当性がな…

科学とモデル―シミュレーションの哲学 入門― 作者: マイケル・ワイスバーグ,松王政浩 出版社/メーカー: 名古屋大学出版会 発売日: 2017/04/18 メディア: 単行本 この商品を含むブログ (1件) を見る 科学者は、ものごとを理解するのに「モデル」（数理モデルや模型）をつくる。あるいは、将来の現象の予測をするために「シミュレーション」を行う。本書はそうした「モデル」や「シミュレーション」について、科学哲学から迫った一冊である。 「モデルやシミュレーションとはいったい何なのか？」という問いは、科学に携わる人にとって核心をつくものだと思う。大学院で理論研究を少しだけ齧った私も、この問いには何度も躓いた記憶がある。 しかし、そう言ってもピンとこないかもしれない。どうして「モデルとは何か」を改めて考える必要があるのか。このことについて、本の中身に入る前に、思うところを少し書いてみたい。

ソーバー先生の本 Evidence and Evolution: The Logic Behind the Science 作者: Elliott Sober出版社/メーカー: Cambridge University Press発売日: 2008/04/21メディア: ペーパーバック購入: 1人 クリック: 27回この商品を含むブログ (14件) を見るのベイズ主義の紹介の続き。 などとのんびりやっていたら、わたしが紹介しようとしているまさにその部分の翻訳が出ることになりました。 科学と証拠―統計の哲学 入門― 作者: エリオット・ソーバー,松王政浩出版社/メーカー: 名古屋大学出版会発売日: 2012/10/20メディア: 単行本購入: 5人 クリック: 105回この商品を含むブログ (20件) を見る以下の部分は邦訳の情報が出る前に書かれたものなのでここであわてて出します。ただ、訳者

本編の方はフィデューシャル推測の項まで書いたのでもう良いかなあ、と思って終わりにして、今回から同書の「素晴らしすぎる訳者解説」のメモを書いていきます。 訳者の方は「渋谷政昭・竹内啓」さんなのですが、巻末の訳者解説が本当に素晴らしく完成度が高いのです。「池上彰か！」とツッコミたくなるくらいその解説は分かりやすく明確です。 こんな素晴らしい解説文が絶版により埋もれてしまうのは大きな文化的損失ですので、本来ならば全文引用したいところですが、色々な事情もありますので、フィデューシャル推測に関する部分だけを引用していきます。とはいっても長いので何回かに分けて見ていきます（かなり長丁場のシリーズになるかもしれません）。 同書201pの第3節の部分から引用していきます： 統計的推測の問題をはっきりさせるために、一つの例をあげて説明しよう。 今あるものの長さを測って、75.8cm、75.9cm、75.2c

フォロワーが話題にしていたので記事にしました。 当然「変わらない」という話なのですが、それだと面白くありません。 まっとうな答え いいえ。ハードディスクはなにかの物質を入れたり出したりするわけではなく、磁気を変化させてデータを記録します。 磁…

最近は人工知能分野の話題に事欠かないので、IT系に詳しくない人でも、Deep Learning がどうとか、人工知能がどうとかという話題を耳にすることが多いと思います。 猫も杓子も Deep Learning な世の中ですが、そもそも人工知能とか Deep Learning ってなんなんだっけ？ という疑問に答えられる人は多くないはずです。 今回は、広く浅く、人工知能と Deep Learning について書きます (この記事をご覧になればわかるように、人工知能 = Deep Learning では決して無いのですが、両者はよく並んで紹介されるので、ここでも同列に書いています)。 最初に結論 Deep Learning は(真の)人工知能ではない。なんでもかんでも人工知能って呼ばない。 「Deep Learning」、「人工知能」ともにバズワード*1になりつつあるので気をつけよう。 コンピ

お久しぶりです。技術開発部の相原です。 昨年度は技術基盤部としてmrubyを導入したりしていましたが今は少しレイヤーが開発寄りになりました。 とはいえ依然として技術基盤も見ていて、最近はご多分に漏れず機械学習を用いた技術基盤の改善に興味があります。 そんな中でここ数ヶ月メインの業務の合間の時間を使って試験的に機械学習を導入していたので、今回は技術的負債の高利子クレジットカードと呼ばれる機械学習を導入する中でどのような工夫をしたかということについて書きたいと思います。 機械学習については門外漢なので、ここではモデルの訓練などのプラクティスに関しては触れません。 (一部暗黙的に深層学習を前提としている箇所がありますのでご了承ください) 技術的負債の高利子クレジットカード Data Dependencies Cost More than Code Dependencies System-leve

2. 自己紹介 • 名前 • 舛岡英人(@hidetomasuoka) • 略歴 • 株式会社ソピア（現アクセンチュア）入社 • 中小企業向けERPのスクラッチ開発を提案からサポートまですべてを担当 • 株式会社Preferred Infrastructure 入社 • 各製品の提案からサポートまですべてを担当 • 株式会社Intimate Merger に出向 • 株式会社 レトリバ創業メンバー

scikit-learnのアルゴリズム・チートシートで紹介されている手法を全て実装し、解説してみました。 注釈 本記事シリーズの内容は、さらに丁寧に記載を加え、書籍「AIエンジニアを目指す人のための機械学習入門 実装しながらアルゴリズムの流れを学ぶ」 として、出版いたしました。 概要 scikit-learn アルゴリズム・チートシート 【対象者】機械学習を使用したい方、初心者向けの機械学習本を読んで少し実装してみた方 scikit-learnの説明は英語で分かりにくいし、実装例もシンプルでなくて、よく分からんという方 【得られるもの】模擬データを用いて、各手法を使用したミニマム・シンプルなプログラムが実装できるようになります。 アルゴリズムの詳細な数式は理解できませんが、だいたい何をやりたいのか、意図と心、エッセンスが分かります。 アルゴリズムマップの手法をひとつずつ実装・解説します。

概要 現在の日付を$T$とすると、$T+1$から$T+30$までにおける日次価格の単純移動平均をDeepLearningを使って予測し、 ロングポジションを持った（もしくはショート）時の価格より、予測した移動平均を上(下)回れば利益確定するようなシミュレーション売買を行いました。また、３０日保持したら強制的に手仕舞いするようにします。 エントリーは日時毎に残高があれば全力で行うようにします。 ※オレンジのラインが30日後の30日単純移動平均になります。緑がx軸の日付時点における為替価格です。 使用したDLフレームワーク chainer ver1.3~1.5 ちょうどver1.5で互換性が大幅に変更になって、対応するのが大変でした。 2017/8現在はver2.0.2になっているみたいですね。 使用データ みずほヒストリカルデータ https://www.mizuhobank.co.jp/r

FX取引で人間がAIには勝てそうにない理由 2017.08.17 Updated by Ryo Shimizu on August 17, 2017, 06:57 am JST ビットコインの高騰が止まりません。 8月1日に32万円だった1BTCが、先日はもう49万円の最高値をつけました。 高騰の原因はハードフォーク前の買い控えが一気に買いに動いたことと、Bitcoin Cashの不調でもともとのビットコイン自体の価値が大きく上がったことにあるのだと思いますが、それにしてもわずか半月で異常な値上がりぶりです。 ビットコインのような暗号通貨が示す可能性は非常に意味深です。要は通貨というのはそもそも金本位制が破綻した時点で、通貨の発行体である中央銀行や、中央銀行の後ろ盾である政府が保証人になっている、一種の株式のようなものだという本質的な性質が明らかにされたと言えます。 中国ではまとまった現金

ディープラーニングは特定分野で非常に高い精度が出せることもあり、その応用範囲はどんどん広がっています。 しかし、そんなディープラーニングにも弱点はあります。その中でも大きい問題点が、「何を根拠に判断しているかよくわからない」ということです。 ディープラーニングは、学習の過程でデータ内の特徴それ自体を学習するのが得意という特性があります。これにより「人が特徴を抽出する必要がない」と言われたりもしますが、逆に言えばどんな特徴を抽出するかはネットワーク任せということです。抽出された特徴はその名の通りディープなネットワークの中の重みに潜在しており、そこから学習された「何か」を人間が理解可能な形で取り出すというのは至難の業です。 例題：このネットワークが何を根拠に猫を猫として判断しているか、ネットワークの重みを可視化した上図から答えよ(制限時間:3分) image from CS231n Visua

こんにちは。 エンジニアの伊藤です。 今は新サービスの立ち上げを行っています。 何事もそうなのですが、不確実なことがあるとどうしても先行きを占ってみたくなる‥ それが人間の心理というものではないでしょうか。 (コードを書くことによる安心感がそれに勝るのかもしれません) そんな中、今年の2月にFacebookの方が時系列解析のライブラリをRとPythonでリリースしていたので、今回はそれを活用して、この先の見通しを行ってみたいと思います。 その名も Prophetです。 ソースのGithubのリンクは こちら Prophetとは、直訳すると預言者という意味となり、まさにこの先を占うにはうってつけのライブラリの名称ですね。 普段の私であればR言語でサポートされているパッケージを使うのですが、AIファーストという大号令も出たことなので、Pythonのライブラリで今回はその予言のほどを試してみたい

ごめんタイトル煽りすぎ。文系なら理解できるかというと必ずしもそうではなく、理系であっても理解できる人がいるだろうから。なので言い直すなら、「パズル解きこそ全てだと考える科学者に対する、自らが依って立つパラダイムを超える科学」になる。その可能性を、量子論（1章）、進化論（2章）、数論（3章）とブッダの思考（4章）に追ったのが『科学するブッダ』である。 著者は、理系出身の仏教学者。一見、無関係に見える科学と仏教の共通性を示すことが本書の目的だが、そこに至るまでを回りくどいほど丁寧に説明する。というのも、両者の似たものを並べてみせて一緒くたにする安直な議論を回避したいから。ありがちなネタとして、華厳経にフラクタルを見たり、法華経と量子論を重ねることは、面白いかもしれないが、ただの思考のお遊びに過ぎないと両断する。 本書では、仏教の神秘性を極力排除し、上座部仏教の合理性の中に科学的思考を読み解いて

「なぜ世界がこうなっているのか？」への、説得力ある議論が展開される。薄いのに濃いスゴ本。 世界史やっててゾクゾクするのは、うすうす感じていたアイディアが、明確な議論として成立しており、さらにそこから歴史を再物語る観点を引き出したとき。「こんなことを考えるの私ぐらいだろう」と思って黙ってた仮説が、実は支配的な歴史観をひっくり返す鍵であることを知った瞬間、知的興奮はMAXになる。 たとえば、「先進国（developed）」と「途上国（developing）」という語に、ずっと違和感があった。「後進国」は差別的だからやめましょうという圧力よりも、この用語そのものが孕む欺瞞を感じていた。 なぜなら、この語の背景として、近代化・工業化が進むというプロセスがあるから。なんなら、進化のメタファーを使ってもいい。産業構造が一次から高次に転換するとか、封建社会から資本主義社会に"進化"するといった欧米の経済

一流の哲学者が本気で遊ぶと、ここまで面白いのか！ 科学と哲学の二刀流で、ホラーから人間を探索する試み。最初は哲学的アプローチだったのが、次第に科学からの知見を取り込み、最終的に両者が手を携えて、「人はここまで分かっている」ことと、「ここからもっと（科学も哲学も）人間の深いところまで行ける」ことを指し示す。その知的探索がめちゃくちゃ面白い。 ざっくばらんな語り口で、「なぜホラーが怖いのか」から始まって、怖いのにホラーにハマるメカニズムを解析し、最終的にその恐怖を"怖さ"たらしめている深いところまで降りてゆく。そこには、意識は科学で説明可能か？ というとんでもなくハードな問題が待ち構えており、ラストは哲学的ゾンビとの対決になる。結末は、映画に出てくるリビング・デッドのようにはいかないが、ある意味『ゾンゲリア』のラストのようで皮肉が利いている（著者はホラー好きなくせに怖がり＆痛がりなので、ダブル

このページをご覧いただきありがとうございます。 1. ベイズ自由エネルギーとは ベイズ自由エネルギー F は、与えられたデータに対して確率モデルと事前分布の組が どの程度に相応しいかを表しています。 ベイズ自由エネルギーはベイズ確率的複雑さと呼ばれることがあります。 またベイズ自由エネルギーの符号を反転したものは、ベイズ対数周辺尤度と呼ばれることが あります。 「ベイズ自由エネルギーが確率モデルと事前分布の適切さを与える」ということを 最初に提案したのは統計学者 I. J. Good 博士であると言われています(1965年ころ）。 その後、多くの研究者が同じ提案を行っています。現代では、この量が大切であることは 広く知られていると思われます。 （注）ときどき「ベイズ法では、学習モデルと事前分布が恣意的に定められるので主観的であり信用できない」 という意見がありますが、そうではありません。学

この記事はStan Advent Calendar 2016およびR Advent Calendar 2016の12月7日の記事です。StanコードとRコードは記事の最後にあります。 背景は以下です。 [1] Aki Vehtari, Andrew Gelman, Jonah Gabry (2015). Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC. arXiv:1507.04544. (url) [2] 渡辺澄夫. 広く使える情報量規準(WAIC)の続き （注４）【WAICとクロスバリデーションの違いについて】 (url) [3] Sumio Watanabe. Comparison of PSIS Cross Validation with WAIC. (url) le

プレスリリース 研究 2017 2017.09.06 量子力学から熱力学第二法則を導出することに成功 〜「時間の矢」の起源の解明へ大きな一歩〜 東京大学大学院工学系研究科物理工学専攻の伊與田英輝助教、金子和哉大学院生、沙川貴大准教授は、マクロ（巨視的）な世界の基本法則で、不可逆な変化に関する熱力学第二法則を、ミクロな世界の基本法則である量子力学から、理論的に導出することに成功しました。これは、極微の世界を支配する「量子力学」と、私達の日常を支配する「熱力学」という、二つの大きく隔たった体系を直接に結び付けるものです。本研究では、量子多体系の理論に基づき、単一の波動関数（注４）で表される量子力学系において、熱力学第二法則を理論的に導きました。従来の研究とは異なり、カノニカル分布などの統計力学の概念を使うことなく、多体系の量子力学に基づいて第二法則を導出したことが、本研究の大きな特徴です。さら

本稿は良いDockerイメージを良い方法でビルドすることを探求した記録である。 Supership株式会社 Advent Calendar 2016の21日目にあたる。 2019年現在は@inductor氏の改訂版を見たほうが良い。 この記事で論じた望ましいコンテナイメージの姿は2019年でも変わらない。ただし、multi-stage buildのような新しい仕組みが普及したりツールの評価が定まってきたりと、実現に用いるツールの状況が2016年からやや変化している。 良いDockerイメージ 良いDockerイメージとは何だろうか。Dockerの利点は次のようなものだから、それを活かすイメージが良いものであるに違いない。 ビルドしたイメージはどこでも動く 適切にインストールされ、設定されたアプリケーションをそのままどこにでも持っていける。 コンテナ同士が干渉し合うことはないので、任意のイメ

Join us in Silicon Valley September 18-19 at the 2024 PyTorch Conference. Learn more. Learn Get Started Run PyTorch locally or get started quickly with one of the supported cloud platforms Tutorials Whats new in PyTorch tutorials Learn the Basics Familiarize yourself with PyTorch concepts and modules PyTorch Recipes Bite-size, ready-to-deploy PyTorch code examples Intro to PyTorch - YouTube Series

Bokeh documentation# Bokeh is a Python library for creating interactive visualizations for modern web browsers. It helps you build beautiful graphics, ranging from simple plots to complex dashboards with streaming datasets. With Bokeh, you can create JavaScript-powered visualizations without writing any JavaScript yourself. Finding the right documentation resources# Bokeh’s documentation consists

はじめに 誰向けか 顧客や自身の部下などにデータサイエンスを説明をしなければならない立場の人 機械学習のアルゴリズムには詳しいけどビジネス貢献ってどうやってやるの？という人 データサイエンスのプロジェクトを管理する人 機械学習やデータサイエンス…

This domain may be for sale!

3. もくじ • はじめに • 為替や株の予測の何が難しいのか • 2つの通貨問題からみるレバレッジと期待値の関係 • 収益率の分散を抑えるには • いもすアルゴリズムの変遷 • ボラティリティのフラクタル性 • 最新いもすアルゴリズム 為替と株の予測の話 2 5. なぜ投資を考えるのか 生活費ために働いてお金を稼ぐのは不自由であるので、 経済的独立 (Financial independence) を目指すのは自然な発想。 経済的独立とは 「運用益＞消費」となる状態を指し、 これを達成するには「資産を増やす」「運用効率を上げる」「消費を 減らす」方法がある。 しかし、運用効率が0%では経済的独立を達成するのに必要な資産 が何倍にもなるので、運用効率を上げる方法を考える。 為替と株の予測の話 4

ランニングできず　英語できず 深層強化学習のサーベイ論文を読む 「DeepLearning for Video Game Playing」https://arxiv.org/abs/1708.07902 最近までのPCゲームやテレビゲームを深層学習で解くAI技術について網羅的に解説した論文である。従って深層学習を使っても碁や将棋の様なボードゲームは対象外となっている。 下図の様な殆ど全ての深層強化学習を系統別かつ目的別に解説してあり大変な労作である。もし注目するモデルがあれば、この論文で検索すると以下のことが分る様になっている。 ・モデルの概要 ・モデルを発表した論文 ・考案した動機や対象としたゲーム ・モデル開発が可能なプラットホーム ・継承したモデルと発展先のモデル 下図の様に深層学習としては2013年の偉大なDQNから全てが始まっている。しかしこのDQN前にはSuttonのSarsa

東京大学 杉山・本多研究室：機械学習と統計的データ解析 機械学習の基礎理論の構築と実用的なアルゴリズムの開発，及び，実問題への応用研究を行っています [ English | Japanese ] 研究概要 教科書 機械学習のための確率と統計 イラストで学ぶ機械学習：最小二乗法による識別モデル学習を中心に 統計的機械学習 統計的学習の基礎：データマイニング・推論・予測 パターン認識と機械学習 強くなるロボティック・ゲームプレイヤーの作り方～実践で学ぶ強化学習 学習の種類 教師付き学習 教師なし学習 半教師付き学習 強化学習 機械学習の理論とアルゴリズム モデル選択 不偏モデル選択規準 正則化モデル選択規準 能動学習 単一のモデルに対する能動学習 複数のモデルに対する能動学習 追加学習／オンライン学習 次元削減 教師付き次元削減 半教師付き次元削減 教師無し次元削減 類似度データからの学習／カ

8月から開催した「はてなリモートインターンシップ2021」も無事に終了しました。このうち講義パートのエンジニアリング講義とブートキャンプで使用したスライド資料を公開します。内容も簡単に紹介しますのでぜひご覧ください。

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

機械学習とif文が地続きであることを解説しました。 ver.2 質問への回答を追加し、顧客価値の小問に図を追加してわかりやすくかみ砕きました。Read less

AI技術の進化は目覚ましく、特に生成AIとChatGPTの登場は、私たちのビジネスや日常に革命をもたらす可能性を秘めています。私は普段おもに自動車業界のお客様にアプリケーション開発の技術支援を行うお仕事をしています。ありがたいことにここ一年は、ほぼCh…

画像処理は難しい。 Instagramのキレイなフィルタ、GoogleのPhoto Sphere、そうしたサービスを見て画像は面白そうだ！と心躍らせて開いた画像処理の本。そこに山と羅列される数式を前に石化せざるを得なかった俺たちが、耳にささやかれる「難しいことはOpenCVがやってくれるわ。そうでしょ？」という声に身をゆだねる以外に何ができただろう。 本稿は石化せざるを得なかったあの頃を克服し、OpenCVを使いながらも基礎的な理論を理解したいと願う方へ、その道筋(アイテム的には金の針)を示すものになればと思います。 扱う範囲としては、あらゆる処理の基礎となる「画像の特徴点検出」を対象とします(実践 コンピュータビジョンの2章に相当)。なお、本記事自体、初心者である私が理解しながら書いているため、上級画像処理冒険者の方は誤りなどあれば指摘していただければ幸いです。 画像の特徴点とは 人間が

マイクロソフトは9月25日～29日（米国時間）に開催した年次イベント「Ignite 2017」で、Azureの機械学習サービス「Azure Machine Learning」から新しいツール群を発表した。 従来から提供してきた「Azure Machine Learning Studio」（Azure Machine LearningをWebブラウザから使うツール）を補完するものとして、「Azure Machine Learning Workbench」、「Azure Machine Learning Experimentation Service」、「Azure Machine Learning Model Management Service」の3つのツールがプレビューとして利用できるようになった。 Azure Machine Learning Workbenchは、データ分析の前処理と

This document summarizes a Chainer meetup where Yuta Kashino presented on PyTorch. Key points discussed include: - Yuta Kashino is the CEO of BakFoo, Inc. and discussed his background in astrophysics, Zope, and Python. - PyTorch was introduced as an alternative to Chainer and TensorFlow that is Pythonic and defines models dynamically through code. - PyTorch uses autograd to track gradients like Ch