Parrots in captivity seem to enjoy video-chatting with their friends on Messenger
2006年春にプレイステーション 3が発表される予定というこのタイミングでは、プレイステーション 2というゲームプラットフォームは最熟成期ということができると思う。こうした時期、世間は次世代機に目が行きがちだが、実際のところは、その現行機のライフタイム期間中に培われた技術の集大成が実を結ぶタイミングでもあり、名作ゲームと呼ばれるものはこうした時期にこそ多く登場する。 この冬、登場した「ワンダと巨像」も、そんなPS2最熟成期を代表する作品だといえるだろう。 「ワンダと巨像」はゲームそのものも完成度が高く、純粋に「面白い」が、PS2という枠内で動作している単体ソフトウェアとして見ても、「かなりのハイテク感」を漂わせた作品であり、見るべき点が多い。 そこで今回、「ワンダと巨像」の開発チームに取材を敢行、この作品に使われている技術についていろいろとお話を聞くことができたので、これをまとめることにし
この投稿について 線形分離可能なデータ群に対する識別境界の決定方法の1つであるパーセプトロンの学習規則をライブラリなどを使わずにPythonで実装してみました。 Python、機械学習ともに初心者なので、良くないポイントはご指摘お願いします。 「パーセプトロンの学習規則」と並んで比較される「Widrow-Hoff(ウィドロウ・ホフ)の学習規則」については「Widrow-Hoff(ウィドロウ・ホフ)の学習規則をPythonで実装」でまとめてあります。 パーセプトロンの学習規則の理論 パーセプトロンの学習規則の概要や数式については以下のスライドにざっくりとまとめてあります(スライド途中からです)。 1次元の場合 下図のような1次元上に存在し、2クラスのいずれかにに属する線形分離可能な学習データの分離境界線を求める。 実装のポイントとしては、 初期の重みベクトルはw=(0.2,0.3)とし、学習
今回は、4.1.7のパーセプトロンアルゴリズムを実装します。パーセプトロンは、2クラスの識別モデルで、識別関数は式(4.52)です。 パーセプトロンは、下の条件を満たすような重みベクトルwを学習します。教師信号は、クラス1のとき教師信号+1、クラス2のとき-1(0じゃない)なので注意。 上の条件をまとめるとxnが正しく分類されているときは、 を満たします。この条件はあとでプログラム中で使います。パーセプトロンは、正しく分類されているパターンに対してはペナルティ0を割り当て、誤分類されたパターンにペナルティ を割り当てます。上の式の値はxnが誤分類されたデータの場合、必ず正になるので注意。なのでパーセプトロンの誤差関数(パーセプトロン基準)は、 で与えられます。ここで、Mは誤分類されたパターンの集合です。この誤差関数は誤分類のパターンが多いほど値が大きくなるので誤差関数を最小化するようなwを
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