無料で読める、東大／京大の「Python教科書」電子書籍
東大の2024年版が公開されています。本稿は、2021年5月26日に公開した記事を「2024年11月14日の最新情報」に合わせて改訂したものです。『初心者向けTellus学習コース』はリンク切れのため削除しました。 プログラミング言語Pythonを習得したい場合、まずは教科書型のコンテンツなどで一通りの基礎知識を学ぶ必要があるだろう。そういった目的に合うコンテンツは、書籍を含めてさまざまなものがある。本稿ではその中でも、東京大学もしくは京都大学の授業で使われており信頼性が高い電子書籍、しかも無料で入手可能なものを紹介する。 東大／京大の「Python教科書」電子書籍 東京大学『Pythonプログラミング入門』
PythonやAIのための数学の基礎を学べる講座が無料に | Ledge.ai
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
「機械学習・ディープラーニングでPythonを使う嬉しさとツラミを分かちあう会」の感想を語る - bonotakeの日記
もう2週間経つんですけど、こんなイベントを企画・司会をしました。というので今更感想ブログ。 mlxse.connpass.com 経緯というか元々の開催目的は以前の記事にあるとおりで、 プログラミング言語に関する国内学会 PPL2018 前に、現状この分野で覇権取ってるPythonを肴に「機械学習・ディープラーニングのための言語」の問題点や在るべき姿、を探っていこうという会です。 3人の発表＋みんなで議論、というスタイルを取ったのですが、発表お願いした3人が3人とも「やりづらい」とこぼす、企画した者としては大変心苦しい状態ではあったものの、発表・議論はどれも興味深く、大変面白い会になりました。ありがとうございました。 発表1つめ：『行列演算とPythonの言語デザイン』 まずは python.jp 管理人の石本敦夫（@atsuoishimoto）さん。 Pythonがどうしてデータサイエン
汎用言語表現モデルBERTを日本語で動かす(PyTorch) - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 今DL for NLP界で、BERTというモデルが話題です。PyTorchによる実装が公開されていたので、日本語Wikipediaコーパスに適用してみました。 コードはこちらに公開しております。 2018/11/27 作成したBERTのモデルを使って内部動作の観察とその考察を行いました。単語の潜在表現獲得の部分で感動的な結果を見せてくれました。ご興味あればご覧ください↓ https://qiita.com/Kosuke-Szk/items/d49e2127bf95a1a8e19f この記事ではBERTのポイントの解説と、ポイントごとの実
WebDNNのサンプルとコードの解説に挑戦 - のんびりしているエンジニアの日記
皆さんこんにちは。 お元気ですか。師走の12月らしく締め切りに追われています。 この記事は「Deep Learning フレームワークざっくり紹介 Advent Calendar 2017」第7日目です。 qiita.com DeepLearningフレームワークの１つ、WebDNNのご紹介をします。 このフレームワークを調べたきっかけとして、「MakeGirls.moe」があります。 MakeGirls.moeは萌画像生成のWebサービスで、WebDNNを使用して提供しているようです。 make.girls.moe WebDNN WebDNNは東京大学 原田・牛久研究室が作成した深層学習モデル(DNN)を ウェブブラウザ上で高速実行するためのオープンソースフレームワークです。 次のサイトのアワードに掲載されるほど、良いソフトウェアでもあります。 Open source software
builderscon tokyo 2017 で横山三国志の「うむ」の数を伝えに行ったハナシ | Heruheru3
2017/8/3〜8/5 に開催の builderscon tokyo 2017 に行ってきました。 ついでに色々あってスピーカーとして登壇してきました。 詳細はこちら。 横山三国志に「うむ」は何コマある？〜マンガ全文検索システムの構築 ウムの数を数えるに至るまで そもそもこの話がどこから始まったかというと、十数年前に 二次裏(虹裏)という掲示板で突如「ウム！」 というコマが貼られだした辺りだと思います。 当時広島で大学生しててCREATIVEという部の部長だったんですけど(今でもあるのかな？)、大学祭のときに何故か皆でウムの人を書き続けるという遊びをしていました。 そこから、それまでは読んだことあるなー程度だった横山三国志に深くハマることになります。 なお、大学では「マルコフ確率場を用いた自動作曲」という、今のDeepLearningが出る前のAIで生成系の研究をしていました。これ
ディープラーニング実践入門 〜 Kerasライブラリで画像認識をはじめよう！ - エンジニアHub｜若手Webエンジニアのキャリアを考える！
ディープラーニング実践入門 ～ Kerasライブラリで画像認識をはじめよう！ ディープラーニング（深層学習）に興味あるけど「なかなか時間がなくて」という方のために、コードを動かしながら、さくっと試して感触をつかんでもらえるように、解説します。 はじめまして。宮本優一と申します。 最近なにかと話題の多いディープラーニング（深層学習、deep learning）。エンジニアHubの読者の方でも、興味ある人は多いのではないでしょうか。 しかし、ディープラーニングについて周りのエンジニアに聞いてみると、 「なんか難しそう」 「なかなか時間がなくて、どこから始めれば良いかも分からない」 「一回試してみたんだけど、初心者向けチュートリアル（MNISTなど）を動かして挫折しちゃったんだよね」 という声が聞こえてきます。 そこで！ この記事では、そうした方を対象に、ディープラーニングをさくっと試して感触を
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
自作ディープラーニングモジュール(python)+LSTMでサインカーブ推定 - Qiita
2017.9.16追記. 最近は少しupgradeしました。 https://github.com/uyuutosa/Optimizer_with_theano また、neuralstyleをコピペで試せる様にしました。 http://qiita.com/uyuutosa/items/09557f2f99e77a1b9cc2 ご参考まで。 Pythonで自作のディープラーニングモジュールを作りました(途中)。自身の勉強用です。 名前は何の捻りもないオプティマイザーです。 少ない打鍵数でネットワークがかけることを目指しています。 内部ではtheanoを用いてますが、Define by Run なchainerのほうが上位互換な気がするので、 chainerに変えるかもしれません。 記事の最後にプログラムを記載します。 LSTMとTaylorの実装は怪しいです。 使用例 Kerasの様に芋づる
【かんたん解説付き】深層ボルツマンマシンをPythonでスクラッチ実装する① - Qiita
この記事は Wacul Advent Calendar 18日目の記事です。 自己紹介 株式会社WACULの解析チームで１年前から働いています。 python歴：3週間くらい やること pythonの練習 & 確率的なディープラーニングの勉強目的メインで、深層ボルツマンマシンをスクラッチ実装してみます。理論面は全て以下の本の中にある内容です。 『深層学習 (機械学習プロフェッショナルシリーズ)』 岡谷 貴之 (著) 『深層学習 Deep Learning』(監修:人工知能学会) 本記事ではまず準備として制限ボルツマンマシンを実装します。次回、制限ボルツマンマシンを積み上げて深層ボルツマンマシンを構築します。 ボルツマンマシンの簡単な説明 確率分布は、端的には「値の集合に対して、それが得られる確率密度(確率質量)を対応させる関数」なので、全体としては「値の集合を生成する背後のメカニズム」とし
手書きひらがなの認識で99.78%の精度をディープラーニングで - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 手書きひらがなの認識、教科書通りの畳み込みニューラルネットワーク（ディープラーニング）で、99.78%の精度が出ました。教科書通りである事が（独自性がない事が）逆に読む方・書く方にメリットがありそうなので、Qiitaで記事にします。 ソースコード ソースコードは https://github.com/yukoba/CnnJapaneseCharacter です。 いきさつ いきさつは、友人と手書きひらがなの認識の雑談をFacebookでしていて、ググったら、この2つが見つかりました。 「Tensorflowを２ヶ月触ったので"手書きひら
Pythonコードを使用して、Pythonコードを書く方法を人工知能に学習させる | POSTD
ここでは少しの間、自律走行車のことは忘れてください。物事は深刻になってきています。この記事では、独自のコードを書くマシンを作ることに的を絞って話を進めていきたいと思います。 GlaDoS Skynet Spynetを使用します。 具体的に言うと、Pythonのソースコードを入力することで、自分でコードを書くように、文字レベルでのLong Short Term Memoryニューラルネットワークを訓練していきます。この学習は、TheanoとLasagneを使って、EC2のGPUインスタンス上で起動させます。説明が曖昧かもしれませんが、分かりやすく説明できるように頑張ってみます。 この試みは、 こちらの素晴らしいブログ記事 に触発され行うに至りました。皆さんもぜひ読んでみてください。 私はディープラーニングのエキスパートではありませんし、TheanoやGPUコンピューティングを扱うのも初めてで
python-machine-learning-book/faq/difference-deep-and-normal-learning.md at master · rasbt/python-machine-learning-book
That's an interesting question, and I try to answer this in a very general way. In essence, deep learning offers a set of techniques and algorithms that help us to parameterize deep neural network structures -- artificial neural networks with many hidden layers and parameters. One of the key ideas behind deep learning is to extract high level features from the given dataset. Thereby, deep learning
Deep Learningを用いた将棋プログラムGunyanzaを公開しました
ディープラーニング(深層学習)というのが流行っているそうです。すべての人類はディープラーニングによって実現されたAIに隷属する未来なんですってよ!!! こわーい。 そんなバラ色の技術、いっちょかみしておきたいですよね。 さて、オフィスで社長とダベっていたところ、「将棋プログラム面白そうだよね」という話になりました。お互将棋プログラムを作って闘わせようぜ、いぇー、と盛り上がり、勢いでコンピュータ将棋選手権に申し込みまでしてしまいました。 そんな経緯で、ディープラーニングをミリしら(=1ミリも知らない)な僕が、試しにディープラーニングを使って将棋のAIを書いてみたらいいやん、と思いついたのでした。将棋も、ハム将棋でハム8枚落ちで負けるレベルくらい。ダメじゃん。 ミリしらなので、「チェスで何かやってるヤツがいるだろう」とアタリをつけてググった結果、Erik Bernhardssonさんによる d
PythonによるDeep Learningの実装（Dropout + ReLU 編） - Yusuke Sugomori's Blog
久しぶりのブログ更新となります。 今回は、Dropout + ReLU のコード（python）を紹介します。 最近の Deep Learning 界隈は、もっぱらDropoutと新しい活性化関数の組み合わせが多いみたいですね。 しばらく触れないでいる内に、以前は最前線だった Deep Belief Nets や Stacked Denoising Autoencoders がすっかり下火になってしまったようで…。 Dropout + ReLU や Dropout + Maxout などが流行っているみたいですが、これは結局、いかに疎な（sparseな）ニューラルネットワークを構築できるかが学習の鍵になっている、ということなのでしょう。シンプルが一番というべきなのでしょうか…。 ともあれ、Dropoutは実装が難しくないのは嬉しい限りです。 ReLU (Rectified Linear U
もう迷わない Caffe入門 その１ - tkm2261's blog
皆様お久しぶりです。 今回から深層学習(ディープラーニング)フレームワークのcaffeの環境構築使い方について解説していこうと思います。 インストールに難ありと言われるcaffeに対して、AWSでインスタンスを立てる所から、 cuDNNでのコンパイル、pycaffe等の使用方法、出来ればDIGITSまで話せると良いなと思っています。 理論的なところに触れる予定は一切ありません。その辺りが気になる方は以下をご参照下さい。 www.amazon.co.jp Deep Learningと画像認識� �～歴史・理論・実践～ from nlab_utokyo www.slideshare.net Deep learning実装の基礎と実践 from Seiya Tokui www.slideshare.net Deep Learning技術の今 from Seiya Tokui www.slides
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
Pythonで理解するディープラーニング入門
GitHub - mdbloice/Augmentor: Image augmentation library in Python for machine learning.
deep learning にも使える scikit-learn の概要と便利な機能 - Qiita
ゼロから作るDeep Learning Pythonで学ぶディープラーニングの理論と実装 第3章 - Qiita
