ピクスタとハノイ工科大学、機械学習に関する共同研究を開始
ハノイ工科大学で行われた調印式の様子 今後実施される共同研究では、PIXTA VIETNAM内で機械学習などの研究開発を行うラボチームと、ハノイ工科大学SAMI（応用数学・情報工学研究科）の教授・学生が協働し、ピクスタが運営する画像・動画サイト「PIXTA」が保有する4000万点の商用画像素材データを活かしたAI構築を目標としている。 共同研究で開発したAIによって、クリエイターが「PIXTA」に動画素材をアップロードする際に、購入者が素材を検索するのに必要な情報を自動で付与するとともに、以前の研究によってすでに複数の情報が付与されている素材については、情報の重要度ランクを自動化して付与するなど、情報精度をさらに高めていくことで、クリエイターが素材を販売するまでの作業を効率化するとともに、「PIXTA」上での素材検索の精度向上によって、購入者がニーズに合った素材をより効率的に見つけられるよ
Ponanza開発者、山本一成氏が語る強化学習とA/Bテスト運用の舞台裏
Ponanzaにおける強化学習とA/Bテスト運用 山本一成氏（以下、山本）：山本一成と申します。よろしくお願いします。 ありがとうございます。ここからはややガチめなエンジニアの話です。まず確認したいんですが、エンジニアとかプログラマーって人はどれくらいいるんですかね？ （会場挙手） あ、けっこういるのか！ 安心した（笑）。 私、10年くらい将棋のプログラムを作ってきて、最初はまったくのど素人から始めたんですけど、いろいろやっていく中で、現代にも通じるようなさまざまな運用とかが出てきたんですね。そのへんをみなさんと共有できればと思っています。 まず最初のスライド、さっそく手書きでやる気がない感じですが（笑）。将棋のプログラムってどんなもの？ という話です。将棋も囲碁も、大雑把にいうと、2つの要素があります。1つは探索です。つまり、先を読むということですね。 先を読むと強いです。みなさんもそん
Kaggle創薬コンペにおけるDeep Learningの適用 - Technical Hedgehog
創薬においてコンピュータの活用はますます盛んになってきており、2012年にはKaggleでコンペも開催されました。このコンペは標的に対する分子の活性を推定するというタスクでした。 用いられた手法としては1位はDeep Learning、2位は非Deepな機械学習手法でありスコアにこそ大差はありませんでしたが、創薬においてDeep Learningの適用可能性を示したことで当時は話題になったそうです。だいぶ前のコンペなの解説記事はすでに多くありますが、コンペを通じて創薬の概要とDeep Learningがどのようなアプローチで適用されたのかを紹介してみます。 ！Caution！ できる限りの調査をしましたが、私は製薬や医療に詳しい人ではないので誤った解釈をしてしまっている可能性があります。「ここ間違っている」と言う点がありましたら指摘いただけると幸いです。 では、はじめにコンペのタスク背景と
Googleが言語モデルを使わずに高精度な自動音声認識を可能にする「SpecAugment」を開発
by Pxhere 機械学習・人工知能(AI)分野で第一線を走るGoogleは、Cloud Speech-to-Textのように、音声を自動で認識してテキストに変換する自動音声認識技術を研究しています。Google AIの研究者が、言語モデルを使用せずに最先端の自動音声認識モデルのパフォーマンスを向上させる技術「SpecAugment」を開発したと発表しました。 [1904.08779] SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition https://arxiv.org/abs/1904.08779 Google AI Blog: SpecAugment: A New Data Augmentation Method for Automatic Speech Recognitio
東工大、0.5秒後の相手の動きをリアルタイムに予測するdeep learningを用いた格闘訓練システム「FuturePose」発表
東工大、0.5秒後の相手の動きをリアルタイムに予測するdeep learningを用いた格闘訓練システム「FuturePose」発表 2019-04-23 東京工業大学による研究チームは、0.5秒後の相手の動きをリアルタイムに予測し格闘の訓練ができるdeep learningを用いたシステム「FuturePose」を発表しました。 論文：FuturePose – Mixed Reality Martial Arts Training Using Real-Time 3D Human Pose Forecasting With a RGB Camera 著者：Erwin Wu ; Hideki Koike 所属：Tokyo Institute of Technology 本論文は、1台のRGBカメラによる画像から0.5秒後の相手の動きをリアルタイムに予測するdeep learningを用いた
機械学習アルゴリズムのしくみを解説 「サポートベクトルマシン」と「k-means法」とは
本記事は『見て試してわかる機械学習アルゴリズムのしくみ 機械学習図鑑』からの抜粋です。掲載にあたり、一部を編集しています。 サポートベクトルマシン（カーネル法） ディープラーニングが登場する少し前には、カーネル法を用いたサポートベクトルマシンは大変人気がありました。 サポートベクトルマシンにカーネル法というテクニックを導入することで、複雑なデータに対して人手で特徴量を作らなくとも扱えるようになったためです。もちろん、今もさまざまな分類・回帰の問題に使われるアルゴリズムです。 概要 本節ではサポートベクトルマシンにカーネル法を導入することで、複雑な決定境界を学習できることを説明します。ここでは分類を例にとって説明していますが、回帰にも同様にカーネル法を利用できます。 線形サポートベクトルマシンではマージン最大化により、データからなるべく離れた「良い」決定境界を得ることができます。しかし、決定
MatrixFlowで機械学習を手軽に試した話 - Qiita
MatrixFlowとは MatrixFlowを利用すると、AIをノンプログラミングで導入出来る。 公式のHPは⇒こちら。 2019/04/10（水）にサービスが開始され、atmarkitでも取り上げられた。 そのせいか開始直後はサーバが重く、データのアップロードや学習が思うように進まなかったが、04/23時点では落ち着いた模様。 主な特徴としては下記が挙げられる（公式HPより抜粋）。 - ノンプログラミング：ドラッグ＆ドロップだけで機械学習・深層学習のモデルを構築 - あらかじめ用意されている定番の機械学習・深層学習のレシピが使用可能 - AutoFlow(オート・フロー)：最適なアルゴリズムとパラメータの組み合わせを簡単に探索 類似サービスとしてはGoogleCloud AutoMLやNeural Network Consoleがあるが、それらとの比較については確認中。 使い方 公式H
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
This colorful printed patch makes you pretty much invisible to AI