タミヤMidnight PUMPKINをJetRacerにしてAI自動運転（ハードウェア編） - Qiita
はじめに DeepLearning これまで全く触れる機会が無かったが、新型コロナウィルスによる自宅待機で時間がたっぷりできた。 いい機会なので、ここぞとばかりにJetson Nanoを購入しイチから勉強してみることにした。 JetRacer NVIDIAのサイトでいくつかの適用事例に市販のラジコンをベースにしたJetRacerなるAIカーがあったので、これを最初の目標に設定した。 やったこと 手持ちのラジコンを改造し、JetRacer化した。（公式のJetRacerよりいくらか少ない部品構成で実現） 屋内の自然環境（床にテープとか貼らない環境）での自動運転に成功した。 とりあえずDeepLearningを手を動かしながら習得する、という流れを経験できた。 結構ボリュームがあるので、2回に分けて記載する。 「タミヤMidnight PUMPKINをJetRacerにしてAI自動運転（ハード
Stanford University CS231n: Deep Learning for Computer Vision
Course Logistics Lectures: Tuesday/Thursday 12:00-1:20PM Pacific Time at NVIDIA Auditorium. Lecture Videos: Will be posted on Canvas shortly after each lecture. These are unfortunately only accessible to enrolled Stanford students. Office Hours: We will be using Zoom for office hours. You can find a full list of times and locations on the calendar. Contact: Announcements and all course-related que
High Quality Face Recognition with Deep Metric Learning
Since the last dlib release, I've been working on adding easy to use deep metric learning tooling to dlib. Deep metric learning is useful for a lot of things, but the most popular application is face recognition. So obviously I had to add a face recognition example program to dlib. The new example comes with pictures of bald Hollywood action heroes and uses the provided deep metric model to identi
ゼロから作り始める前に読んでほしい「仕事ではじめる機械学習」まとめ - アルパカログ
「仕事ではじめる機械学習」は、ディープラーニング入門の1冊目と言われる「ゼロから作るDeep Learning」の次に読むのがおすすめです。 なぜなら「ゼロから作るDeep Learning」は、初心者にもわかりやすいがゆえに「あらゆる問題がディープラーニングで解決できてしまうのでは」という万能感を感じさせてしまうからです。 本書は、そんな幻想に「待った」をかけてくれます。 本書の一文をご紹介しましょう。 「機械学習は技術的負債の高利貸しのクレジットカード」というタイトルの論文があるほど、機械学習を含んだシステムは通常のシステム以上に技術的負債が蓄積しやすいのです。 このエントリでは、「仕事ではじめる機械学習」の内容をまとめます。 1章 機械学習プロジェクトのはじめ方 機械学習プロジェクトの流れについて、何をどういった順で行うのかが説明されています。 問題を定式化する 機械学習をしないで良
【松尾豊】ディープラーニングでビジネスチャンスをつかむために必要なこと ニュースイッチ by 日刊工業新聞社
人工知能（ＡＩ）の中で最も多くの技術革新を起こしているディープラーニング（ＤＬ、深層学習）で、ビジネスチャンスをつかむために必要なことは何か。日本ディープラーニング協会（ＪＤＬＡ）理事長を務める東京大学の松尾豊特任准教授は、「やったもの勝ちだ」と強調する。今、必要なのは、ただ知ることではなく、行動するための知識だ。 薄く広くでは負けてしまう －ＤＬ活用の現状をどうみていますか。 「ＤＬは数十年に１度の技術革新だ。画像や音声などの処理に強みを発揮し、医療や監視カメラで活用が進む。ロボットや機械は対象を認識する目を持ち、動きが高度になる。言葉にひも付けて理解できるようになり、言葉から知識を獲得できるようになる」 －日本の現状は。 「多くのビジネスチャンスが転がっているが、日本ではＤＬの活用が進んでない。やらない理由を探しているようにも見える。産業の戦いでは、『どうやって稼ぐか』を考え、逆算して
【みんな】Caffeより手軽かつ高速! Cで書かれた必要十分な深層学習フレームワーク darknetを試す【意外と知らない】:電脳ヒッチハイクガイド:電脳空間カウボーイズZZ(電脳空間カウボーイズ) - ニコニコチャンネル:生活
チャオ! オレだ。 深層学習を手軽に使いたいというニーズは日に日に高まっているはずなのに、ガクシャ先生どもと来たら、やれMatlabだ、やれPythonだのと軟弱言語の話しかしやしねえ。どこかに気骨溢れたナイスガイはおらんのか! と思ったら、居た。 それが今回紹介するdarknetだ。 darknetという名前から想像する異常にダークである。 バーン どうよこのダークネス感 いまどき黒いページというのは珍しい。 そして無駄に凝った魔法陣のようなロゴ。ダークだ。 しかしダークネット、厨二満開とせせら笑っていられるのもいまのうちだ。 このダークネット、実に必要十分な機能を最短で試せる超絶優れたツールなのである。 CaffeやTensorFlowほどの知名度はないが、実用性皆無なTensorFlowに比べてdarknetはものすごく実用的。Cが分かる人ならばこれほど使いやすいものもちょっと他にな
Deep Learning勉強のための書籍【2018年版】 - HELLO CYBERNETICS
はじめに 初級編 ゼロから作るDeep Learning 中級編 scikit-learnとTensorFlowによる実践機械学習 PythonとKerasによるディープラーニング 上級編 Pro Deep Learning with TensorFlow Deep Learning はじめに ディープラーニングに関する書籍は山ほど出てきています。 その中でどれを読めば良いのか分からない、というのは初心者にとって最初の問題でもあるでしょう。まずはブログなどのネットの情報を参考に勉強をする人が多いかと思われますが、私のブログも含め、大抵は個人の興味に沿ってバラバラに話題が提供されるため、できれば1つ1つ順を追って解説してくれる物が欲しいと感じるのが本音と思われます。 今回は、数ある書籍の中でも私自身が所持していておすすめできるディープラーニングの書籍を載せたいと思います。 初級編 ゼロから作
初心者向け「機械学習とディープラーニングの違い」をシンプルに解説
By darkday AI(人工知能)が大きな話題となっているコンピューターサイエンスの世界で、その技術を支えているのが「ディープラーニング」です。一方、コンピューターを使った「機械学習」という言葉を耳にすることも多いものですが、実はその違いがよくわからない人も多いはず。そんな両者の違いを、数学的計算ソフトウェア「MATLAB」の開発元であるMathWorksが簡単に解説しています。 Introduction to Deep Learning: Machine Learning vs Deep Learning - YouTube 機械学習もディープラーニングも、学習モデルを提供してデータを分類することに使われる技術です。その働きを解説するのによく用いられるのが、犬と猫の画像を分類するという例。この画像の場合、ほぼ全ての人が左が犬、右が猫と答えるはず。 しかし、別の画像を持ってきた時、それ
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
2017年1月21日開催の第8回ステアラボ人工知能セミナーにて講演する内容です。 https://stair.connpass.com/event/47714/ 【概要】スマートフォン/ウェブカメラの普及や動画共有サイトの登場により動画像を利用する機会は増加しているが、コンピュータビジョン分野において動画認識が活発に議論されるようになったのは2000年代になってからである。本講演では動画認識の現在に至るまでの一連の流れを紹介するとともに、将来展望においても議論する。 【キーワード】コンピュータビジョン、動画認識、行動認識、モーション表現、時系列モデル、STIP、DT/IDT、Two-Stream CNN、TDD、TSN、ST-ResNet、行動予測、行動検出
［Python］60,000点のファッションアイテムのデータを使ってDeepLearningを実装 - Qiita
共有すること 60,000点のファッションアイテムのデータを使って、DeepLearningを実装する方法 この記事を書いた人の特徴 ・独学でプログラミングを勉強中 ・プログラミングの実務経験なし ・大学時代はゴリゴリの文系（教育学部）で、数学が苦手。プログラミングにも全く興味なかった。 なぜ共有するのか？ 主な目的は、下記の３点 ①DeepLearningに関する知識を定着化するため ②プログラミング実務未経験でも用意されているライブラリを使えばDeepLearningを実装できることを横展開したいため ③忘れた時に見直すため 「ゼロから学ぶDeepLearning」を読んだ。何となくわかりそうだけど、どう実装すればいいかわからなかった。 その時に参加したDeepLearningに関するセミナーが凄くわかりやすかった。 その時に学んだ知識を自分なりに咀嚼し直して、知識の型化・横展開をした
深層学習フレームワークヒッチハイクガイドVer4.0 - Qiita
注意：私は深層学習の専門家ではなくチュートリアルをいくつか動かした程度の初心者です。深層学習のフレームワークについてまとめ記事がかなりあるのですが、情報が古かったり私が知りたいことがなかったりして、自分が知りたいことをまとめました。定期的に更新しています。 深層学習のフレームワーク Framework Developer License Language 動作環境 Feature Qiitaでのタグ付き解説記事(記事数は2016/10/15) 2017/07/17 2018/02/12 2020/02/23
Dlib：C++の機械学習ライブラリ
画像認識系の人達の間では、高性能な顔の器官検出(Face Alignment)が手軽に利用できることで知られているC++のライブラリ Dlib。(表記は大文字、小文字どっちなんでしょう？) 英語のWikipediaによると、2002年から開発されているかなり歴史のあるライブラリみたい。 公式ブログによると、最新バージョンのdlib 19.0からDeep Learning APIが備わったようです。 Dlib C++ Library Dlibは、現実世界の問題を扱う高度なソフトウェアを実装するための機械学習アルゴリズムやツールを備えたモダンなC++ツールキットです。Dlibはロボット工学、組み込みデバイス、携帯電話、巨大なハイパフォーマンスコンピューティング環境など、産業・アカデミック分野を問わず幅広い分野で利用されています。Dlibのオープンソースライセンシングにより、任意のアプリケーショ
Try Deep Learning in Python now with a fully pre-configured VM
New VM image — updated March 2018! I love to write about face recognition, image recognition and all the other cool things you can build with machine learning. Whenever possible, I try to include code examples or even write libraries/APIs to make it as easy as possible for a developer to play around with these fun technologies. But the number one question I get asked is “How in the world do I get
AIと機械学習とディープラーニングは何が違うのか
技術開発の進展により加速度的に進化しているAI（人工知能）。このAIという言葉とともに語られているのが、機械学習やディープラーニングだ。AIと機械学習、そしてディープラーニングの違いとは何なのか。 1．はじめに 最近、ニュースや書籍などでAIという言葉を見聞きすることが多い。人手不足の救世主のように扱われたり、人の仕事を奪う悪魔のように書かれるが、その実体はいまひとつ分かりにくい。ましてや、自分の携わっている仕事に対して、具体的に何をしてくれるのかが分からないという声をよく聞く。 もう1つややこしいのは、その呼び名である。AI、機械学習、ディープラーニング、それぞれが何のことなのか、どんな関係なのか不明なまま、なんとなく人に聞けなくて腑に落ちない。この記事では機械学習を中心に、その実体を説明したい。 2．AIとは AIとはArtificial Intelligenceの略、日本語にすれば人
ディープラーニングの限界 | POSTD
(注：2017/04/08、いただいたフィードバックを元に翻訳を修正いたしました。 @liaoyuanw ) この記事は、私の著書 『Deep Learning with Python（Pythonを使ったディープラーニング）』 （Manning Publications刊)の第9章2部を編集したものです。現状のディープラーニングの限界とその将来に関する2つのシリーズ記事の一部です。 既にディープラーニングに深く親しんでいる人を対象にしています（例：著書の1章から8章を読んだ人）。読者に相当の予備知識があるものと想定して書かれたものです。 ディープラーニング： 幾何学的観察 ディープラーニングに関して何より驚かされるのは、そのシンプルさです。10年前は、機械認識の問題において、勾配降下法で訓練したシンプルなパラメトリックモデルを使い、これほど見事な結果に到達するなど誰も想像しませんでした。
TensorFlow.js | Machine Learning for JavaScript Developers
Deploy ML on mobile, microcontrollers and other edge devices
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
「ゼロから作るディープラーニング」を動画でまとめている人がいたので紹介します。｜Dai
ディープラーニングの 基礎技術と今後の課題・展望 ～画像認識分野を中心に～
http://caffe.classcat.com/2018/04/29/pytorch-tutorial-data-loading/
なぜGPUはディープラーニングに向いているか
