PRML 輪講資料
参加条件： Deep Learning基礎講座修了か、もしくは同等レベルの知識を持つこと 基本的に毎週輪読会に参加できること 発表が割り当てられた場合，発表できること 参加方法： 下記のフォームをご記入下さい。（参加には基本紹介が必要となります。） https://docs.google.com/forms/d/e/1FAIpQLSfosRjTx_kFljDyVLjTKn_XLwCLWPOT6fOYUSwvINdUbuvfJw/viewform 輪読会の進め方： 2020年8月現在，会議は原則オンラインで行っています（コロナの影響）．オフラインイベントの復活時期は未定です． 大枠：45分,小枠20分×2の合計3件です。 時間は質疑込みの時間です。 基本は最初は小枠の発表に割り当てます。その中の一部メンバーに大枠の担当を依頼させていただきます。（大枠で話したいという方、何か話したいテーマがあ
パターン認識と機械学習（PRML）の輪読資料を公開 | Deep Learning JP
C.M.ビショップ他著「パターン認識と機械学習」の輪読資料の一覧を当サイトで公開しました。 詳細はこちらから
Lectures | Deep Learning JP
Deep Learningや最新の人工知能技術について学びませんか？ Deep Learning技術の登場により、人工知能技術が飛躍的に向上し、ありとあらゆる産業と社会のあり方に大きな影響を与えています。これからの社会では、どんな産業でどんな業種に携わるとしても、人工知能技術の影響を受けることになるでしょう。Deep Learning JPでは、そのような人工知能技術が重要な役割を果たす社会の到来に備え、以下の活動を行っています。 Lectures 2015/10 2016/01 2016/04 2016/10 2017/01 2017/04 2017/10 2018/01 2018/04 2018/07 2018/10 2019/03 2019/04 2019/10 2020/04
Seminar | Deep Learning JP
参加条件： Deep Learning基礎講座修了か、もしくは同等レベルの知識を持つこと 基本的に毎週輪読会に参加できること 発表が割り当てられた場合，発表できること 参加方法： 下記のフォームをご記入下さい。（参加には基本紹介が必要となります。） https://docs.google.com/forms/d/e/1FAIpQLSfosRjTx_kFljDyVLjTKn_XLwCLWPOT6fOYUSwvINdUbuvfJw/viewform 輪読会の進め方： 2020年8月現在，会議は原則オンラインで行っています（コロナの影響）．オフラインイベントの復活時期は未定です． 大枠：45分,小枠20分×2の合計3件です。 時間は質疑込みの時間です。 基本は最初は小枠の発表に割り当てます。その中の一部メンバーに大枠の担当を依頼させていただきます。（大枠で話したいという方、何か話したいテーマがあ
論文輪読
A review of unsupervised feature learning and deep learning for time-series modeling 那須野 薫 2015年4月16日 東京大学松尾研究室 紹介する論文について • タイトル： – A review of unsupervised featu
論文輪読 A review of unsupervised feature learning and deep learning for time-series modeling 那須野 薫 2015年4月16日 東京大学松尾研究室 紹介する論文について • タイトル： – A review of unsupervised feature learning and deep learning for time-series modeling – 時系列モデリングのための教師なし表現学習とディープラー ニングに関する調査 • 著者： – Martin L., Lars K., Amy L. – Örebro University in Sweden • 被引用回数：12 • 引用件数：135 • 公開年：2014 2015年4月16日東京大学松尾研究室 那須野薫
Deep Learning研究のためのGPU環境構築 | Deep Learning JP
Torch7やTheano、CaffeといったライブラリをGPU上で実行するために必要となるCUDA環境の構築について基本的な情報と、よくひっかかる点やその解決方法を示します。 注意：GPU環境構築は、環境（ハード構成等）によっては、Linuxの専門的な知識を要する場合があります。 Deep Learning研究において、GPUを利用した計算ができることはほぼ必須だと言っても過言ではありません。これは、GPUを使う場合と使わない場合では数倍から１０倍程度、計算時間に差がでるためです。大量のデータを訓練データとして利用することが多いDeep Learningの研究においてこの差は致命的になることが多いです。 GPUの計算環境といっても、いくつかの実装があります。代表的なGPGPU用のライブラリとしては、OpenCLやCUDAが挙げられます。Torch7やPylearn2、Caffeといったメ
リンク | Deep Learning
DEEP LEARNING （Yoshua Bengio、発刊予定） Reading List DEEPLEARNING.UNIVERSITY 実装 Chainer Keras scikit-neuralnetwork Pylearn2 Torch7 Caffe Deep Learning Tutorials Hinton’s Deep Autoencoder Dataset Labeled Faces in the Wild YouTube Faces DB ベンチマーク 画像認識ベンチマーク Deep Learning解説 Learning Deep Architectures for AI Ng’s Lecture Note: Sparse Autoencoder Why Does Unsupervised Pre-training Help Deep Learning? Unsup
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
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
DeepLearningと曲がったパラメータ空間 (Scalable trust-region method for deep reinforcement learning using Kronecker-factored approximation) | Deep Learning JP
Hacks | Deep Learning JP
Deep Learning (日本語翻訳版）公開 | Deep Learning JP
A Bayesian Perspective on Generalization and Stochastic Gradient Descent | Deep Learning JP