機械学習エンジニアのための将棋AI開発入門その2 | やねうら王 公式サイト
前回の続き。将棋AIで最初に大規模機械学習に成功させたBonanzaの開発者である保木さんのインタビューがちょうどYahoo!ニュースのトップ記事として掲載されたところなので、今回はBonanzaの機械学習について数学的な観点から解説してみたいと思います。 Bonanzaの保木さんのインタビュー記事 プロ棋士に迫ったAI「Bonanza」 保木邦仁「将棋を知らないから作れた」 https://news.yahoo.co.jp/feature/1712 BonanzaのGPW発表スライド とは言え、Bonanzaで使われている機械学習の技法は、いまどきの機械学習とは少し毛色が異なるので心の準備が必要です。 まず、保木さんのGPW(ゲームプログラミングワークショップ)での発表スライド、以前はBonanzaの公式サイトからダウンロードできたのですが、Bonanzaの公式サイトがジオシティーズにあ
機械学習エンジニアのための将棋AI開発入門その1 | やねうら王 公式サイト
最近、機械学習を勉強している人が増えてきたので、簡単な機械学習ならわかるよといった人たち向けに将棋AIの開発、特に評価関数の設計について数学的な側面から書いていこうかと思います。線形代数と偏微分、連鎖律程度は知っているものとします。 3駒関係 3駒関係はBonanzaで初めて導入された、玉と任意の2駒との関係です。この線形和を評価関数の値として用います。評価関数とは、形勢を数値化して返す数学的な関数だと思ってください。 この3駒関係を俗にKPPと呼びます。King-Piece-Pieceの意味です。将棋の駒は40駒ありますので、{先手玉,後手玉}×残り39駒×残り38駒/2 通りの組み合わせがあります。この組み合わせは1482通りあります。Cをコンビネーション記号とすると、次のようになります。 $$ 2 \times {}_{39}C_{2}= 2 \times \frac{39 \tim
用意した画像は一枚だけ！？物体検出で将棋駒の認識 - Qiita
※こちらはPythonデータ分析勉強会#02の発表資料です。 前回は、YOLOv3でパトライトの監視を行いました。 今回は、YOLOv3で「将棋駒」を認識させます。 そして、用意する画像は一枚だけという、無謀な挑戦をしてみます。 前回から、内容がガラリと変わっておりますが、まずはそのモチベーションを説明します。 なぜ、用意した画像は一枚なのか？ よくディープラーニングのサービスなんかを見ていると、用意する画像は1000枚とか 平気で書いてあります。 しかし、個人事業主や中小企業は、そんなに労力をかけて画像は用意できませんし、 1000枚用意しても、バリエーション豊かな画像じゃないと、意味がないことが多くあります。 用意する画像が一枚だけなら、労力は最小限ですし、バリエーションも気にしなくて良いです。 従って、「用意する画像が一枚」で精度が出るなら、世の中のディープラーニングの サービスがよ
1
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
