Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras - MachineLearningMastery.com
Time series prediction problems are a difficult type of predictive modeling problem. Unlike regression predictive modeling, time series also adds the complexity of a sequence dependence among the input variables. A powerful type of neural network designed to handle sequence dependence is called a recurrent neural network. The Long Short-Term Memory network or LSTM network is a type of recurrent ne
The Open Operator Collection
Universal operators for application lifecycle management on Linux, Windows and Kubernetes
Retty流『2200万ユーザを支える機械学習基盤』の作り方 - Qiita
みなさん、こんにちは。Retty CTO の樽石です。 この記事は Retty Advent Calendar 25日目です。メリークリスマス。 昨日は @ttakeoka の『MFIにむけてRettyの取り組み』でした。 今年も残りわずかになりました。いかがお過ごしですか？ Retty はこの １ 年でエンジニアがほぼ倍増しました。それによって、情報発信者が増え、Advent Calendar に参加出来るようになりました。みんな楽しそうにしていて、うれしいです。 Retty Inc. Advent Calendar 2016 - Qiita さて、今年最後の Retty Advent Calendar 記事を書くということで、はじめは １年のまとめ的内容にしようかと思いましたが、それでは平凡で面白くありません。そこで、ネタになりそうなマニアックな技術的記事で締めくくりたいと思います。
次世代自律マシンのための NVIDIA 組込みシステム
Far Edge Vision AI 開発を変革する NVIDIA は、強力なマイクロサービスと API を導入して、これまで以上に迅速なエッジ AI を実稼働環境にもたらします。 AI はビジネス プロセスの自動化、データ分析によるインサイトの獲得、顧客と従業員との関わりなど、競争上の優位性を推進しています。NVIDIA® Jetson™ は、自律マシンとその他の組込みアプリケーションの世界をリードするプラットフォームです。小型で高性能なコンピューターの Jetson モジュール、ソフトウェアを高速化する NVIDIA JetPack™ SDK、センサー、SDK、サービス、開発をスピードアップする製品からなるエコシステムが含まれます。Jetson は、他の NVIDIA プラットフォームに使用される、AI ソフトウェアやクラウドネイティブ ワークフローとの間で互換性があり、ソフトウェア
手のひらスパコンでKeras-Tensorflowを使ってみる - Qiita
この記事は Retty Advent Calendar 20日目です。 昨日は@takumi-suzukiのDNSでバランシングしていたら辛くなった話でした。 ガジェット手当 みなさん、いきなりですがスパコンを持ってますか？ 僕は持っています。 Rettyという会社は、エンジニアには通期で一回「ガジェット手当」という制度があります。 IT機器などを個人的に購入する場合に、業務とか用途関係なく援助してくれる制度です。 だからというわけではありませんが、Rettyでもスパコンを買ってみることにしました。 スパコン買ってみよう！ 皆さんが想像されるスパコンというのはこういうのをイメージされると思いますが、 By 0-0t - 0-0t, GFDL-no-disclaimers, Link やっぱ買うならこういうのが欲しいなと思ったりするのですが、残念ながらまだまだベンチャーのRettyにはこんな
AWS Cognitoを実践で使うときのハマりどころ - Qiita
この記事は Retty Advent Calendar 21日目です。 昨日は、@ebonyeyeさんの 手のひらスパコンでKeras-Tensorflowを使ってみるでした。 最近の機械学習ライブラリはいろんなところで動きますね。 Cognitoって何？ https://aws.amazon.com/jp/cognito/ AWSのサービスで、ユーザー認証や情報を取り扱うサービスです。 大きな機能は2つ ユーザー認証 FacebookやTwitterなどのソーシャルログインを一括管理してくれます。 その他にもゲストユーザーや独自ログインなどを作成することもできます。 ストレージ 管理しているユーザーに対して個別にストレージを提供できます。 Firebaseなんかにあるのと同じよくあるやつです。 Cognitoを使うと何がうれしい？ セキュア パスワードや個人情報の管理をCognitoにま
character-level CNNでクリスマスを生き抜く - Qiita
この記事は Retty Advent Calendar 18日目です。 昨日は@YutaSakataのクリスマスプレゼントにはKotlin1.1が欲しいですでした。 さて、もうすぐクリスマスですが、皆さん一緒に過ごすお相手はおられますか？ 私？私はもちろんいます。この子が。 独りだと酒でも飲みに行きたくなりますよね？ちょっと奮発していい店でしっとり飲むのもいいものです。 ですが、そんなつもりで入った店がリア充どもの巣窟だったらどうでしょう？ せっかくの孤独のグルメタイムが台無しです。 そんな危険な店を事前に避けるため、Deep Learningの力をかりましょう。 用意するもの keras お店の口コミ kerasはtensorflowかtheanoをバックエンドにして動くDeep Learning用のライブラリです。複雑なことをしようとすると結構面倒ですが、大抵のモデルについてはかなり簡
インフラエンジニアが見た機械学習のトップカンファレンス NIPS 2016 - Qiita
これは リクルートライフスタイル Advent Calendar 2016 の23日目の記事です。 この記事は何？ ども、データエンジニアリンググループで主にログ収集・解析基盤の面倒を見ている tmshn と申します この記事は、私が機械学習のトップカンファレンスである NIPS に参加して感じたことや注目した発表などを共有するものです。 機械学習の研究界隈の最新の動向について把握するのに役立つかも知れ……いや、うーん、やっぱ役立たんかも。私の所属するグループ※の特性上、「機械学習における研究とアプリケーションの橋渡し」 という観点で見ていただいた方がいいかも知れませんね。 ※ 弊グループがどんなグループかについては、6日目の _stakaya さんの記事 を御覧ください NIPS とは？ 正式には "Conference on Neural Information Processing
CHIC: a combination-based recommendation system
CHIC: A Combination-based Recommendation System Manasi Vartak CSAIL, Massachusetts Institute of Technology mvartak@mit.edu Samuel Madden CSAIL, Massachusetts Institute of Technology madden@csail.mit.edu ABSTRACT Current recommender systems are focused largely on recommend- ing items based on similarity. For instance, Netflix can recom- mend movies similar to previously viewed movies, and Amazon ca
Sam Madden's Home Page
Samuel Madden MIT College of Computing Distinguished Professor of Computing Email: madden AT csail DOT mit DOT edu Phone: (617)258-6643 Assistant: Felicia Raton (fraton AT mit DOT edu) Room 32-G938 Computer Science and Artificial Intelligence Laboratory (CSAIL) 32 Vassar St. Cambridge, MA 02139 I am the faculty director of the Systems that Learn Initiative and co-direct the Data Systems and AI Lab
Manasi Vartak, MIT CSAIL
PhD Student, Database Group, MIT CSAIL Interests: Systems to Support Machine Learning, Data Visualization, Novel tools for Data Analytics Email: mvartak _at_ csail.mit.edu Twitter: @DataCereal I am a PhD student in the MIT Database Group where I work on novel systems to support machine learning and data visualization. Most recently, I have worked on ModelDB, a system to manage ML models, and SeeDB
NVIDIA® DIGITS™ DevBox
Deep learning is one of the fastest-growing segments of the machine learning or artificial intelligence field and a key area of innovation in computing. With researchers creating new deep learning algorithms and industries producing and collecting unprecedented amounts of data, computational capability is the key to unlocking insights from data. In the pursuit of continuing innovation and adopting
I: Building a Deep Learning (Dream) Machine
As a PhD student in Deep Learning, as well as running my own consultancy, building machine learning products for clients I’m used to working in the cloud and will keep doing so for production-oriented systems/algorithms. There are however huge drawbacks to cloud-based systems for more research oriented tasks where you mainly want to try out various algorithms and architectures, to iterate and move
ConvNetJS CIFAR-10 demo
ConvNetJS CIFAR-10 demo Description This demo trains a Convolutional Neural Network on the CIFAR-10 dataset in your browser, with nothing but Javascript. The state of the art on this dataset is about 90% accuracy and human performance is at about 94% (not perfect as the dataset can be a bit ambiguous). I used this python script to parse the original files (python version) into batches of images th
Bay Area Deep Learning School Presentation
Deep Learning for Computer Vision Andrej Karpathy Bay Area Deep Learning School, 2016
Deep Reinforcement Learning (John Schulman, OpenAI)
The talks at the Deep Learning School on September 24/25, 2016 were amazing. I clipped out individual talks from the full live streams and provided links to each below in case that's useful for people who want to watch specific talks several times (like I do). Please check out the official website (http://www.bayareadlschool.org) and full live streams below. Having read, watched, and presented d
TensorFlow Tutorial (Sherry Moore, Google Brain)
The talks at the Deep Learning School on September 24/25, 2016 were amazing. I clipped out individual talks from the full live streams and provided links to each below in case that's useful for people who want to watch specific talks several times (like I do). Please check out the official website (http://www.bayareadlschool.org) and full live streams below. Having read, watched, and presented d
Deep Learning for Computer Vision (Andrej Karpathy, OpenAI)
The talks at the Deep Learning School on September 24/25, 2016 were amazing. I clipped out individual talks from the full live streams and provided links to each below in case that's useful for people who want to watch specific talks several times (like I do). Please check out the official website (http://www.bayareadlschool.org) and full live streams below. Having read, watched, and presented d
Foundations of Unsupervised Deep Learning (Ruslan Salakhutdinov, CMU)
The talks at the Deep Learning School on September 24/25, 2016 were amazing. I clipped out individual talks from the full live streams and provided links to each below in case that's useful for people who want to watch specific talks several times (like I do). Please check out the official website (http://www.bayareadlschool.org) and full live streams below. Having read, watched, and presented d
Learning Reinforcement Learning
Github Repo with code and exercises Why Study Reinforcement Learning #Reinforcement Learning is one of the fields I’m most excited about. Over the past few years amazing results like learning to play Atari Games from raw pixels and Mastering the Game of Go have gotten a lot of attention, but RL is also used in Robotics, Image Processing and Natural Language Processing. Combining Reinforcement Lear
PythonデバッグTips - Qiita
この記事は Python Advent Calendar 2016 24日目の記事です。今回はPythonのデバッグのTipsをいくつか紹介します。 print()でデバッグ print()関数を使って確認したい値をstdoutに出力することでデバッグします。これで解決できるのであれば、それに越したことはありません。 FizzBuzzをデバッグします。今回は1から20までの数値を使ってFizzBuzzを出力したいとします。以下のコードには明らかなバグがあります。わかりますか? example_fizzbuzz_buggy.py:: for ii in range(1, 21): if ii % 3 == 0: print('Fizz') elif ii % 5 == 0: print('Buzz') elif ii % 15 == 0: print('FizzBuzz') else: pr
海外でエンジニア職に就くことの雑感
人には様々な事情があり、先の「海外移住？アメリカは止めた方がいいよ」の記事にも追記で書いてあるけれど、日本に比べたらたしかにアメリカ（というかシリコンバレー）は税金やら医療費やら諸々でかかるお金は多いと思うし、実質的な生活水準（職場以外）を考えると負担は大きいと思う。 一方で類さんが言うように、エンジニア職（プログラマー、ソフトウェアエンジニア、インフラエンジニア等々）にとってみたら天国みたいな会社もたくさんあるし、そこしかないチャレンジというのは数多くある。特にソフトウェアプロダクトはシリコンバレー発の物が多いし、その周辺企業同士のコミュニティも存在するので、そういった世界の真っ只中に飛び込みたい人には素晴らしい環境だろう。 所得以外に得られる経験に金額はつけられないと思うけれど、同じ生活水準で過ごすことを考えたらチャレンジできるのであれば、そこに行く人は応援したいと思うし、そういう人が
日本人の低すぎる生産性と、IT打ち壊し百姓一揆
生産性の低すぎる日本社会デービッド・アトキンソン著『新・所得倍増論』を読んだ。日本社会は世界トップクラスの質の労働者を抱えながら、「一人当たりGDP」や「時間当たり生産性」 において極めて低い水準にあるという。その結果、先進国で最も貧しい国になっている。（いずれもデータに基づく議論なので、関心のある人は本を読んで確認してほしい。） そのような現状分析からの政策提言として、「政府がGPIF（公的年金ファンド）を通じて上場企業に『時価総額を上げろ』というプレッシャーをかけるべきだ」と書かれている。 曰く、日本の上場企業経営者は、国際水準ではまったくの無能であり、利益を出せていない（「3時に閉まる銀行」という例が何度も登場する）、無能な経営者を交代させることでしか生産性の向上はない、女性の活躍もないという論旨だ。 同様の提言は他の識者からもなされている。藤野英人著『ヤンキーの虎』では「5年平均で
「会社に評価されない」と嘆くインフラ技術者への処方箋
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます こんにちは。Opsの味方・真壁徹です。 インフラ技術者の皆さんに向けた本連載、第1回では、NoOpsという煽り文句へ反論しました。確かにITインフラを取り巻く環境は大きく変化しており、インフラ技術者を不要と感じてしまう話題もあります。しかし、新たにやるべきことも増えているため、その仕組みを作る人が必要だ、という主旨でした。 今回はその続きとして、「でもそれはビジネス的に価値があるのか？」という話を書こうと思います。現場がインフラ技術者を必要としても、ビジネスリーダーはそう考えないかもしれないからです。 所属する企業のビジネスがITを前提としており、成長にインフラが不可欠な場合には、その価値について悩む必要はそれほどありません。自社インフ
「NoOps」の時代がこない理由
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます こんにちは。真壁徹と申します。とあるイベントでインフラ技術者への愛を語ったことがきっかけで、この連載のお話をいただきました。 インフラ技術者はいま、向かい風を受けています。ハードウェアのコモディティ化が進み、設備投資は縮小傾向です。設備が減れば、担当する組織全体の予算も減りがちです。また、パブリッククラウドの浸透が「NoOps」につながる、と主張する人もいます。下を向いてしまいがちな状況です。 ですが、能力や意欲のあるインフラ技術者にとっては、むしろ活躍の場が広がっていると考えています。それをお伝えしたく、この連載オファーを受けました。 わたしは日系システムインテグレーターでのアプリ開発でキャリアをスタートしました。その後、外資系でイン
インフラエンジニアのいない会社で働いて 1 年半 - Diary
インフラエンジニアのいない会社で働いて 1 年半 が経った。 iOS で動く POS レジアプリとその管理インターフェイスの Web アプリケーションを作ってます。 iOS 側のことはほとんど分からなくて、データ同期用 API と Web アプリをずっと作っている。 ところで、 「NoOps」の時代がこない理由という記事が前にあったのですが、この点ぼくが働いている会社は NoOps です。アプリケーションは Heroku に乗っていて、 RDBMS が Amazon RDS で一部分析系に Google BigQuery を使っていること以外は全て Heroku 系の何かで動いています。 CI は Travis と circleCI を使っていて、 circleCI については来年初頭にも利用をやめて Travis に一本化する予定、というかんじ。 本当に自分達でなにもサーバーを管理してい
PythonとSeleniumでブラウザ操作を自動化したよ on Ubuntu | Foolean – 備忘録風雑記ブログ
2016-10-01自動化/自動操作Python, Selenium どうも、久しぶりの技術系の記事です。今回はPython3とSeleniumを使ってブラウザ(Chrome)操作を自動化したいと思います。この記事では、Seleniumのインストールから簡単なブラウザ操作までを扱います。そのためPythonのインストールなど下準備は扱いませんのでご了承ください。 OS : Ubuntu 16.04 LTS (他OSでも大丈夫だと思います) Python : 3.5.2 Selenium : 2.53.6 1. Seleniumとは？ まずはSeleniumとは何かということから書き始めようと思います。Seleniumとは簡単に言いますとWebアプリのテストツールです。その最大の特徴は、実際のWebブラウザを用いてテストを行うことができる点です。Seleniumは今回扱うPythonだけでな
Essays Ken Reitz
Datetimes are a headache to deal with in Python, especially when dealing with timezones, especially when dealing with different machines with different locales. Maya exists to do all the hard work for you, so you can focus on what you're trying to do — import or export simple datetime data in known human and machine-readable formats. Example Usage of Maya (v0.1.0) >>> now = maya.now() <MayaDT epoc
まだ Python の datetime で消耗しているの？ maya 使おうぜ
I have dt = datetime(2013,9,1,11), and I would like to get a Unix timestamp of this datetime object.When I do dt - datetime(1970,1,1)).to... 個人的には、timeモジュールとdatetimeモジュールは一本化してほしい、timeモジュールの存在価値はよくわかるので、datetime側ですべてラップして欲しいと思っていました。 パースメソッドがない いちいち datetime.datetime.strptime メソッドで時間フォーマットを書かないといけない。 dateparser というモジュールもあるが、 datetime とは別モジュールだし、使い勝手がいまいち。 タイムゾーンの処理 タイムゾーンの管理が環境依存なところ。忘れた頃に嵌まります。 M
Scala and Spark for Big Data and Machine Learning
Learn how to utilize some of the most valuable tech skills on the market today, Scala and Spark! In this course we will show you how to use Scala and Spark to analyze Big Data. Scala and Spark are two of the most in demand skills right now, and with this course you can learn them quickly and easily! This course comes packed with content: Crash Course in Scala ProgrammingSpark and Big Data Ecosyste
エンジニアな僕の情報収集法 - Qiita
はじめに エンジニアの情報収集の話です。 僕は、けっこうストレスな環境で情報収集をやっていて、クリスマス一人ぼっちを機に見直し、やり方を変えてみました。 ちょっと自分メモ的なところがありますが、qiitaにしてみました。 ※ ここでは参考先URL(link)がある情報だけです。それ以外は対象外としています。 ※ これがベストなやり方と主張してるわけではないです。人それぞれ自分にあったやり方でやれば良いと思います。僕の場合はこうなったよ、というのqiitaにしただけです。 やり方変更前とストレス やり方変更後と辞めたもの 解決したこと やり方変更前とストレス やり方変更前の全体像 やり方変更前の全体像です。 「Input情報」をまとめていた「Input先」(feedly,HBfav,TechFeed,Twitter,Facebook)が複数あり、分散して情報観覧してました(図の赤線)。 「O
NIPS 2016 Proceedings
Advances in Neural Information Processing Systems 29 (NIPS 2016) The papers below appear in Advances in Neural Information Processing Systems 29 edited by D.D. Lee and M. Sugiyama and U.V. Luxburg and I. Guyon and R. Garnett. They are proceedings from the conference, "Neural Information Processing Systems 2016." Scan Order in Gibbs Sampling: Models in Which it Matters and Bounds on How Much Bryan
EMDNN 2016
The 1st International Workshop on Efficient Methods for Deep Neural Networks About EMDNN 2016 is a full-day workshop to be held on December 9th 2016 in conjunction with the premier conference in Neural Information Processing Systems NIPS 2016, in Barcelona, Spain. The goal of this workshop is providing a venue for researchers interested in developing efficient techniques for deep neural networks t
NIPS 2016参加報告 - Qiita
先週スペインのバルセロナで開催された機械学習のトップ会議NIPS 2016に参加してきました。論文はWebで公開されているので誰でも読むことができますが、口頭発表を聞いたりポスター発表のディスカッションに参加したり休憩時間中の会話などからも学びがあるため、最先端の研究を知るために参加する意義は失われていないように思います。 NIPSの参加者は指数的に増加していると言われており、今年は5000人（！）の参加者がいました。当然論文の査読も厳しく、採択率は20％前後と言われています。分野のトレンドとしてはディープラーニングのブームが続いていますが、認識系はかなり成熟してきたのでGANなどの生成系と強化学習や外部記憶との組み合わせに中心が移ってきているようです。特に強化学習は会議中にシミュレーション環境のOpen AI UniverseとDeepMind Labが公開され、熱気を感じました。 50
MLDMAImap.graffle
ICML NeurIPS UAI BigData KDD SIGMOD IJCAI DS ALT ICDM ECML ICDE VLDB COLT AAAI SIGIR PAKDD ACML SDM WWW WSDM RecSys CHI IUI ICANN IJCNN STOC FOCS ICPR ICCV ICASSP InterSpeech CVPR ACL CoNLL NAACL EMNLP ICLR KES ECAI ICWSM CIKM HCOMP UIST AISTATS WI ILP ISWC SODA PRIMA EDBT PODS STACS ICALP ESA IAAI ECCV ACCV TREC GECCO CEC IJCNLP COLING EACL ECIR ICONIP AAMAS DSAA PKDD AIRS PRICAI ICIP BMVC CSCW M
GCP(Google Cloud Platform)を活用した機械学習バッチ運用環境(2016) - Qiita
この記事はリクルートライフスタイル Advent Calendar 2016の6日目の記事です。 データエンジニアリンググループ・素人イケメン機械学習エンジニアの@_stakayaです。 主にデータ分析や機械学習を活用し、まだここにない出会いを求めて日々🍻充しながらドラムを叩いています。 はじめに 弊グループでは、Capture EveryThingの略称である「CET」というプロジェクトを行っており(以下、CETと呼称)、サービス改善によるユーザ体験の向上や高付加価値の提供、およびそれによるCVR向上を目的とし、各種ログやトランザクションデータの収集、また収集したデータを徹底活用したデータ分析・機械学習の実施、およびそれら収集したデータを基にしたアプリケーション開発を行っています。 CET内では大まかに 何のデータを新規に収集・集約し、どうビジネスに活かすかを考えるデータプランナー ビ
DockerでローカルにDBを立ててテストをもっと快適に!
こんにちは、Airシリーズ海外開発チーム 15新卒フロントエンドエンジニアの蔀です。 普段は見習いFEとして、画面を作っています。 Airシリーズ海外開発チームでは、DockerでアプリケーションやDBのコンテナを立て、継続的インテグレーションに役立てています。 チーム内では自動テストが文化として定着しつつある一方で、共有しているMac mini上のDBコンテナに負荷が集中して、テスト実行時間が長くなっていました。 そこで、Docker Registryという技術を用いて、最新のDDLを適用したDBのイメージをチームメンバーに配布し、各自のローカルでDBを用いたテストを実行できるようにしてみました。 背景 チームの環境 バックエンドのエンジニアは4名 DBはOracle 3名がMacで、1名がWindows チーム内で1台のMac miniを共有し、その上にDockerコンテナを立ててCI
GCP(Google Cloud Platform)を活用した機械学習バッチ運用環境(2016) - Qiita
この記事はリクルートライフスタイル Advent Calendar 2016の6日目の記事です。 データエンジニアリンググループ・素人イケメン機械学習エンジニアの@_stakayaです。 主にデータ分析や機械学習を活用し、まだここにない出会いを求めて日々🍻充しながらドラムを叩いています。 はじめに 弊グループでは、Capture EveryThingの略称である「CET」というプロジェクトを行っており(以下、CETと呼称)、サービス改善によるユーザ体験の向上や高付加価値の提供、およびそれによるCVR向上を目的とし、各種ログやトランザクションデータの収集、また収集したデータを徹底活用したデータ分析・機械学習の実施、およびそれら収集したデータを基にしたアプリケーション開発を行っています。 CET内では大まかに 何のデータを新規に収集・集約し、どうビジネスに活かすかを考えるデータプランナー ビ
dplyrで書けるRedshiftSQL! - Qiita
この記事はリクルートライフスタイル Advent Calendar 2016の24日目の記事です。 データエンジニアリンググループ・ゆるふわAwesome機械学習エンジニアのtomomotoです。弊社はリア充が多く、24日だけカレンダーが空いている状態だったので、24日12時53分現在から数少ないリア充ではないエンジニアとしてQiita記事を書き始めています。 本記事では、JapanR2016で発表したLTネタのdplyrで書けるRedshiftSQLについて書きたいと思います。（新しいネタ考える時間なんてありません！） dplyrとは、R言語のライブラリで、データ処理を簡単にパイプ（%/%）を使って書くことができる神ライブラリです。実はこの神ライブラリをつかって、SQLを書かなくても直接RedshiftにSQLを投げることができるのです！イメージは下記の感じです。 使い方 コード書き方は
Github Pull RequestをJenkins経由でテストを実行する場合にパラメータを設定する方法 - Qiita
この記事は リクルートライフスタイル Advent Calendar 2016 の7日目の記事です。 はじめに データ基盤Tの@byaです。 本記事は「Pull Requestの内容からパラメータを取得し、JenkinsでJobを実行する」について聞きます。 基本的にJenkinsのGithub Pull Request Builder Pluginを使えば、Githubの指定したリポジトリにPull Requestが作成されと、Jenkinsであらかじめ設定したJobが実行し、その実行結果をGithubに通知し、記録してくれます。つまり、このレポジトリにどのようなPull Requestきても、同じ「A」というjobが実行されます。しかし、業務上は「Pull Requestの内容に応じて、別々のjobを実行したい」という場合があると思います。その工夫について以下書きます。 準備 用意する
インフラエンジニアが見た機械学習のトップカンファレンス NIPS 2016 - Qiita
これは リクルートライフスタイル Advent Calendar 2016 の23日目の記事です。 この記事は何？ ども、データエンジニアリンググループで主にログ収集・解析基盤の面倒を見ている tmshn と申します この記事は、私が機械学習のトップカンファレンスである NIPS に参加して感じたことや注目した発表などを共有するものです。 機械学習の研究界隈の最新の動向について把握するのに役立つかも知れ……いや、うーん、やっぱ役立たんかも。私の所属するグループ※の特性上、「機械学習における研究とアプリケーションの橋渡し」 という観点で見ていただいた方がいいかも知れませんね。 ※ 弊グループがどんなグループかについては、6日目の _stakaya さんの記事 を御覧ください NIPS とは？ 正式には "Conference on Neural Information Processing
LSTMを超える期待の新星、QRNN - Qiita
RNN「これってもしかして」 CNN「わたしたちのモデルが・・・」 「「入れ替わってる～～～！？」」 というわけでQRNN、QUASI-RECURRENT NEURAL NETWORKSとは、RNNの機構をCNNで「疑似的(QUASI)に」実装するというモデルです。これにより、既存のRNN(というかLSTM)が抱えていたいくつかの問題の解決を試みています。 元論文は以下となります。 QUASI-RECURRENT NEURAL NETWORKS 作者によるブログ 作者の方のブログにChainerのサンプルコードがあったので、それを元にTensorFlowで実装してみました。早く動かしたい！という方はこちらを見てみてください。 icoxfog417/tensorflow_qrnn (Starを頂ければ励みになります m(_ _)m) 本記事では、この研究のモチベーションとそのアプローチについ
RNNにおけるDropoutの適用について - Qiita
はじめに ディープラーニングにおけるDropoutは単純かつ強力な正則化手法として広く使われていますが、RNNの時間方向に適用するとノイズが蓄積してうまく学習できないため、入出力層にのみ適用するのが常識とされてきました[Zaremba 2014]1。しかし最近の研究でDropoutをベイズ的に解釈することでRNNの時間方向にもDropoutを適用でき、言語モデルのタスクで単一モデルとして最高精度を達成することが示されました[Gal 2016]2 今回は変分Dropoutと呼ばれるこのモデルをTensorFlowで実装したので紹介したいと思います。 Dropoutのベイズ的解釈とRNNへの適用 ニューラルネットワークのパラメータの事後分布を「学習する通常のパラメータ」と「学習しないパラメータ＝０」の2つを中心とする混合ガウス分布で近似することによりDropoutと同様のアルゴリズムが得られる
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
Real-time Recommendations using Spark Comcast Labs
CIDR 2017 - Gong Show
Spark Cluster with Elasticsearch Inside (Oscar Castaneda-Villagran).pdf)
NIPS2016 - Pages 2-6 (1).pdf
Making Better Use of the Crowd
http://www.mathgram.xyz/entry/keras/graph
Large Scale Distributed Deep Networks
https://bayareadlschool.org/
Apple hires CMU professor as director of AI research to smarten up Siri | TechCrunch
Apple CEO says iPhone's future is in AI
SREcon17 Americas
Pythonによるデータ可視化ライブラリ「folium」がとても使いやすい - Qiita
Philosophy — SCOOP 0.7.2 dev documentation
Philosophy — SCOOP 0.7 2.0 documentation
CrowdML - Crowdsourcing and Machine Learning
NIPS 2016 Schedule
Sutton & Barto Book: Reinforcement Learning: An Introduction
GitHub - harness/gitness: Gitness is an Open Source developer platform with Source Control management, Continuous Integration and Continuous Delivery.