01 Never lose your workTrain as usual, and Keepsake will automatically save your code and weights to Amazon S3 or Google Cloud Storage. 02 Go back in timeGet back the code and weights from any checkpoint if you need to re-train or get the model weights out. 03 Toward reproducibilityIt is really hard to run and re-train ML models. We are working to fix that, but we need your help to make it a reali

ExcelのPythonJupyter Notebook JupyterをMicrosoftExcelに埋め込み、VBAの代わりにPythonを記述します 以前は、ExcelとPython JupyterNotebooksの間の「どちらか/または」の選択でした。PyXLL-Jupyterパッケージの導入により、両方を並べて使用できるようになりました。 この記事では、Excel内で実行されるJupyterNotebookをセットアップする方法を紹介します。2つの間でデータを共有し、ExcelワークブックからJupyterノートブックに記述されたPython関数を呼び出すこともできます。 入門 まず、ExcelでPythonコードを実行するには、PyXLLアドインが必要です。PyXLLアドインを使用すると、PythonをExcelに統合し、VBAの代わりにPythonを使用できます。PyXLL

NAIST知能コミュニケーション研究室で新M1向けに行った勉強会の発表資料です。

Amazon Redshift ML を使用すれば、データアナリスト、データベースデベロッパー、データサイエンティストなどのデータウェアハウスユーザーが、使い慣れた SQL コマンドを使用して機械学習 (ML) モデルを作成、トレーニング、デプロイすることができます。Amazon Redshift は最も広く使用されているクラウドデータウェアハウスです。Amazon Redshift ML では、SQL を使用して、データを移動したり新しいスキルを習得したりすることなく、フルマネージドの機械学習サービスである Amazon SageMaker を活用できるようになります。 Amazon SageMaker を搭載した Amazon Redshift ML を使用すれば、SQL ステートメントを使用して Amazon Redshift のデータから機械学習モデルを作成およびトレーニングし、こ

研究開発部の原島です。今日は表題の渋いバッチをつくった話をします。 あっちでも形態素解析、こっちでも形態素解析 みなさん、形態素解析してますか？してますよね？クックパッドでもさまざまなプロジェクトで形態素解析をしています。 いや、むしろ、しすぎです。プロジェクト A でレシピを解析し、プロジェクト B でもレシピを解析し、プロジェクト C でもレシピを解析し、... といった具合です。ちなみに、形態素解析（の結果）が必要なプロジェクトとしてはレシピの分類やレコメンド、各種分散表現（e.g., word2vec）や BERT の学習などがあります。 もちろん、最終的に得たい解析結果が違うのであれば問題ありません。しかし、私が見たかぎり、ほとんどの場合は同じ（もしくは、同じにできそう）でした。であれば、 解析器をインストール（→ Dockerfile を試行錯誤） 解析対象を取得（→ SQL

写真の人物にAIで命を吹き込む｢Deep Nostalgia｣、誰でも無料でお試し可能2021.03.06 21:0034,926 Andrew Liszewski - Gizmodo US ［原文］ （ mayumine ） ディープラーニングで、故人の顔の表情を蘇らせます。 祖先検索やオンライン家系図を作成サービスを提供するイスラエルの企業｢MyHeritage｣は、先祖などの古い写真の顔を、ディープラーニングの技術で動かすことができるサービス｢Deep Nostalgia｣をリリースしました。まるで、写真を撮られる前のポーズの準備をしているような感じで、AIとはわかっていても、まるで故人がそこで生きているように感じます。 カメラのシャッターを切った前後の1.5 秒ずつの動画が記録される、iOSやiPadOSのLive Photosっぽくもありますね。Live Photosは、シャッタ

高精度な文章を生成するAI「GPT-3」や、文章から画像を生成するAI「DALL・E」などを開発している非営利団体のOpenAIが、新たに開発している画像認識AI「CLIP」の思考の特徴を解説しています。 Multimodal Neurons in Artificial Neural Networks https://openai.com/blog/multimodal-neurons/ 人間には、「女優のハル・ベリーの顔写真を見ても、ハル・ベリーのイラストを見ても、『ハル・ベリー』という文字列を見ても反応するニューロン」のように、異なる種類の情報に対して一様に反応するニューロンが存在することが知られています。OpenAIによると、CLIPは人間と同じようにさまざまな形態の情報を同じものとして扱うことができます。 人間の顔を「人間の顔」として認識する従来の画像認識モデルは、人間の顔のイラス

Azure Arcの対象をAzure Machine Learningに拡げることで、機械学習機能をハイブリッド環境とマルチクラウド環境に拡張することができ、既存のインフラストラクチャ投資を使用してデータが存在する場所で機械学習モデルを直接トレーニングできるようになる。 これらの新機能によって、セキュリティとコンプライアンス要件を満たしつつ、データ移動を削減することが可能になる。 なお、Azure ArcはKubernetesに対応することで、AzureポータルからKubernetes構成の共通セットを大規模にクラスタへデプロイできるようになっており、GitOpsを使用したクラウドネイティブアプリケーションの一元的コーディング、およびKubernetesクラスタへの安全なデプロイを可能にした。また、Azureから直接管理できる、パフォーマンスと費用効果に優れたハイパーコンバージドインフラス

はじめに Google Colaboratory上でYOLOv5を使用して、物体検出する方法についてまとめました。 目次 はじめに 目次 YOLOv5とは 実装 YOLOv5の準備 学習データの準備 学習 推論 まとめ 注釈 参考文献 YOLOv5とは ※上図は、YOLOv5のGitHubページからの引用 物体検出（object detection）とは、画像内の「どこに」「何が」写っているかを検出する技術のことです。 物体検出としては、SSDやYOLOといったものがよく使用されます。 YOLOのversion3であるYOLOv3は、その精度と処理の速さから広く使用されてきました。 YOLOv5は、そのYOLOv3の後継であるversion5にあたり、2020年にリリースされました。 YOLOv5は現在でも精力的に開発が進められています（2021/03時点）。 YOLO v3については、以

「PyTorch 1.8」は、3000超のコミットで構成され、コンパイル、コード最適化、科学計算用フロントエンドAPI、AMD ROCmサポートといった機能追加・改善が行われたほか、パイプラインとモデルの並列処理および勾配圧縮の大規模なトレーニングのための機能改善などが行われている。 具体的には、NumPyのnp.fftモジュールと同等の機能を備え、ハードウェアアクセラレーションと自動グラデーションをサポートしたtorch.fftや、コレスキー分解、行列式、固有値といった一般的な線形代数演算をNumPyスタイルでサポートするtorch.linalg（ベータ版）、FXを使用したPythonコード変換のサポート（ベータ版）が追加されたほか、パイプラインの並列処理（ベータ版）、DDP通信フック（ベータ版）、分散トレーニング用プロトタイプ機能が追加された。 ほかにも、PyTorch Mobileに

DataRobotは2021年3月5日、クラウドデータウェアハウスサービス「Snowflake」を提供するSnowflakeとの連携を強化すると発表した。今回の連携は、機械学習自動化プラットフォーム「DataRobot」の自動特徴量探索機能に向けたもので、機械学習モデルの構築速度と正確性の大幅な向上につながる。 自動特徴量探索は、データセットから予測モデルの構築に必要な特徴量を自動的に抽出し、テストからモデルの生成までを実施する。データサイエンスのベストプラクティスに基づいて自動的に特徴量を統合や集約、生成することで、機械学習モデルの正確性を高めてAIの予測精度を向上させる。

深層強化学習は、強化学習と深層学習の組み合わせである。この研究分野の発展により、従来機械で扱う範疇ではなかった広範囲の複雑な意思決定問題を解けるようになってきた。深層強化学習はヘルスケア、ロボティクス、スマートグリッド、金融工学、その他さまざまな領域において、新たな応用の可能性を切り拓きつつある。本書は、そのような深層強化学習に関し、強化学習の基礎から始まり、深層強化学習の主要なアルゴリズムや最先端の話題まで、豊富な参考文献も含めて幅広く網羅している。特に本書は、汎化性を向上させるノウハウや深層強化学習が実応用でどのように使われるかという観点に着目して執筆されている。 機械学習の基礎知識を有する大学生・大学院生や企業の研究者・技術者が、深層強化学習の概要を効率的に勉強したいと思ったときの最初の一冊として推薦できる構成となっている。 原著：An Introduction to Deep Re

In recent years, the AI field has made tremendous progress in developing AI systems that can learn from massive amounts of carefully labeled data. This paradigm of supervised learning has a proven track record for training specialist models that perform extremely well on the task they were trained to do. Unfortunately, there’s a limit to how far the field of AI can go with supervised learning alon

ジョン ローチ (John Roach) 本ブログは、米国時間 3 月 2 日に公開された “With Azure Percept, Microsoft adds new ways for customers to bring AI to the edge” の抄訳を基に掲載しています。 音声コマンドに応答するエレベーター、店舗管理者に在庫補充を促すカメラ、ATM や駐車場などあらゆるものの空き情報を教えてくれる動画ストリーム。 これらは、人工知能とエッジコンピューティングの組み合わせにより可能になる数 100 万ものシナリオのほんの一例です。スタンドアローンのエッジデバイスは、クラウドコンピューティングの機能を常時アクセスすることなく、AI ツールを活用してテキストの翻訳やイメージの認識を行うことができます。 デジタルカンファレンス Ignite において、マイクロソフトは、デバイス管理