書評：『ゼロから作る Deep Learning』 | Webシステム開発／教育ソリューションのタイムインターメディア
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装 斎藤 康毅 著 A5版、320ページ 2016/9/24 発売 3400円(本体) オライリー・ジャパン ISBN-13: 978-487311-758-4 GitHub:oreilly-japan/deep-learning-from-scratch 2016年になって、AIブーム、Deep Learning ブームに乗じて多数の解説書が出た。 もちろん、その多くは入門書だったり、あれこれ出来るようになったことを紹介するだけの本が大多数で、読んでもDeep Learning についてDeep に理解できるようにはならない本が殆んどであった。 しかし、この本は違うのだ。ゼロから作るという枕言葉通り、Deep Learningのプログラムを、既成のライブラリなどを使うのではなくゼロから、スクラッチで書
The Microsoft Cognitive Toolkit - Cognitive Toolkit - CNTK
NOTE: CNTK is no longer actively developed. See the release notes of the final major release for details. The Microsoft Cognitive Toolkit (CNTK) is an open-source toolkit for commercial-grade distributed deep learning. It describes neural networks as a series of computational steps via a directed graph. CNTK allows the user to easily realize and combine popular model types such as feed-forward DNN
Learning Scalable Deep Kernels with Recurrent Structure
Many applications in speech, robotics, finance, and biology deal with sequential data, where ordering matters and recurrent structures are common. However, this structure cannot be easily captured by standard kernel functions. To model such structure, we propose expressive closed-form kernel functions for Gaussian processes. The resulting model, GP-LSTM, fully encapsulates the inductive biases of
2016年夏季インターンシップ開催報告 - Preferred Networks Research & Development
PFI・PFNでは今年8, 9月に夏季インターンとして14名の方に来て頂き、機械学習・深層学習に関する様々なプロジェクトに取り組みました。このブログエントリでは、PFI・PFNのインターンシッププログラムの概要と、今年のインターンシップ、特に最終成果発表会についてを紹介します（写真は中間発表のポスター発表の様子です）。 PFI・PFNのインターンプログラムについて PFI, PFNでは、2010年からインターンシップを実施しています（PFNは2015年から）。夏季のインターンシップは毎年行っており、また毎年ではありませんが、春季にもインターンを実施しています。PFI・PFNのインターンシップの特徴として、8, 9月の2ヶ月間と比較的長期であること、インターンで行うプロジェクトのテーマに精通している社員がメンターにつき一緒にプロジェクトを進めていくこと（大抵の場合1人の学生に対してメンター2
AI Pioneer Yoshua Bengio Is Launching Element.AI, a Deep-Learning Incubator
AI Pioneer Yoshua Bengio Is Launching Element AI, a Deep-Learning Incubator One of the founding fathers of the deep learning movement is building a Silicon Valley-style tech incubator for AI. Yoshua Bengio, one of the leading figures behind the rise of deep learning, is launching a Silicon Valley-style startup incubator dedicated to this enormously influential form of artificial intelligence. The
GitHub - IntelLabs/SkimCaffe: Caffe for Sparse Convolutional Neural Network
⚠️ DISCONTINUATION OF PROJECT - This project will no longer be maintained by Intel. Intel has ceased development and contributions including, but not limited to, maintenance, bug fixes, new releases, or updates, to this project. Intel no longer accepts patches to this project. If you have an ongoing need to use this project, are interested in independently developing it, or would like to maintain
Recurrent Neural Networkの基礎（Peterさんのチュートリアルの翻訳） - Qiita
はじめに RNNについての分かりやすいチュートリアルとして、TensorFlowのRNNを基本的なモデルで試すでも触れられていた、Peter's notesのHow to implement a recurrent neural network Part1を翻訳しました。 Tutorial 翻訳 翻訳するにあたり、日本語にすべきか、英単語のままにすべきか悩むところが多かったです。 訳の誤りや分かりづらいところございましたら、アドバイス頂けると嬉しいです。 (なお、Peterさんには翻訳・アップロードの許諾を頂いてます。) チュートリアルの内容 簡単なRNNをPythonで実装していきます。 入力データとして、10回にわたって、0または1の数字を取得し、取得した数字を記憶しながら、最終的にその合計値を返す、という簡単なモデルをRNNで実装していきます。 RNNの基礎 BPTT法 勾配爆発、勾
Deep Learning bookを読んで学んだこと - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Deep Learning bookとは？ Deep Learning bookは2016年末にMIT Pressより発売予定の書籍（英語）で、深層学習御三家の一人Bengio先生や画像生成のGANで有名なGoodfellow先生らによって書かれており、現時点で深層学習の決定版と言える教科書です。太っ腹なことに本の内容はウェブサイトで公開されており無料で読むことができます。 Deep Learning; Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press, 2016.
Master's Thesis : Deep Learning for Visual Recognition
The goal of our research is to develop methods advancing automatic visual recognition. In order to predict the unique or multiple labels associated to an image, we study different kind of Deep Neural Networks architectures and methods for supervised features learning. We first draw up a state-of-the-art review of the Convolutional Neural Networks aiming to understand the history behind this family
人やモノのつながりを表すグラフ構造のデータから新たな知見を導く新技術「Deep Tensor」を開発 : 富士通
English PRESS RELEASE （技術） 2016年10月20日 株式会社富士通研究所 人やモノのつながりを表すグラフ構造のデータから 新たな知見を導く新技術「Deep Tensor」を開発 従来の Deep Learning の限界を超えて知を獲得する機械学習技術、IoT・金融・創薬分野で効果を検証 株式会社富士通研究所（注1）（以下、富士通研究所）は、人やモノのつながりを表現できるグラフ構造のデータに対して高精度な解析を可能とする機械学習技術「Deep Tensor（ディープ テンソル）」を開発しました。 今回、画像や音声では極めて高い認識精度を達成している既存のDeep Learning技術をグラフ構造のデータにまで適用可能な新技術を開発しました。グラフ構造のデータは、構造が複雑であり、大きさや表現方法など多様なデータが混在していますが、最先端の数学を活用してテンソル（注
CEATEC2016に出展してきました 〜ロボット編〜 - Preferred Networks Research & Development
PFNは2016年10月4-6日に千葉幕張メッセで開催されたCEATEC2016で、スマートピッキングロボットおよびバラ積みロボットの展示を行ってきました。ロボットの他にもドローンやDIMoに関する展示も一緒に行いました。こちらに関しては関連記事をご参照ください。 以下では、もう少し詳細な解説をしたいと思います。 展示内容 我々PFNが今年の7月に参加したAmazon Picking Challenge 2016で用いたピッキングロボットに改良を加えたスマートピッキングロボットと、バラ積みロボットを用いたキャンディ配りロボットを展示しました。 スマートピッキングロボットは、UIで指定されたアイテムを棚からカゴへ取ったり、 逆にカゴから棚にアイテムを戻すことができます。また、全自動で連続運転する自動モード機能やドローンと連携してアイテムを運搬するといった機能も開発しました。 スマートピッキン
Semi-supervised Knowledge Transfer for Deep Learning from Private Training Data
Some machine learning applications involve training data that is sensitive, such as the medical histories of patients in a clinical trial. A model may inadvertently and implicitly store some of its training data; careful analysis of the model may therefore reveal sensitive information. To address this problem, we demonstrate a generally applicable approach to providing strong privacy guarantees fo
Sim-to-Real Robot Learning from Pixels with Progressive Nets
Applying end-to-end learning to solve complex, interactive, pixel-driven control tasks on a robot is an unsolved problem. Deep Reinforcement Learning algorithms are too slow to achieve performance on a real robot, but their potential has been demonstrated in simulated environments. We propose using progressive networks to bridge the reality gap and transfer learned policies from simulation to the
Sequence to Sequence Learning with Neural Networks
Deep Neural Networks (DNNs) are powerful models that have achieved excellent performance on difficult learning tasks. Although DNNs work well whenever large labeled training sets are available, they cannot be used to map sequences to sequences. In this paper, we present a general end-to-end approach to sequence learning that makes minimal assumptions on the sequence structure. Our method uses a mu
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
GitHub - phreeza/tensorflow-vrnn: A variational recurrent neural network implementation in tensorflow
GitHub - alexjc/neural-enhance: Super Resolution for images using deep learning.
Microsoftが、ディープ ラーニングの進展に向けてMicrosoft Cognitive Toolkitのベータをリリース
Deep-Learning-Papers-Reading-Roadmap/README.md at master · floodsung/Deep-Learning-Papers-Reading-Roadmap
GitHub - yohokuno/deeplearning: Python implementation of Deep Learning book
GitHub - floodsung/Deep-Learning-Papers-Reading-Roadmap: Deep Learning papers reading roadmap for anyone who are eager to learn this amazing tech!
