Beating the World's Best at Super Smash Bros. with Deep Reinforcement Learning
There has been a recent explosion in the capabilities of game-playing artificial intelligence. Many classes of RL tasks, from Atari games to motor control to board games, are now solvable by fairly generic algorithms, based on deep learning, that learn to play from experience with minimal knowledge of the specific domain of interest. In this work, we will investigate the performance of these metho
Quasi-Recurrent Neural Network（QRNN）の GitHub既存スクリプト で、NLPデータ以外 の 数値時系列データ の ２クラス分類タスク が 解けるはず な 件 - Qiita
GitHub にある DingKe/qrnn/ の サンプルコード imbd_qrnn.py https://github.com/DingKe/qrnn/ は、 from keras.datasets import imdb で、kerasの組み込みデータセット imdb を 読み込んで いる。 このデータは、以下 の 公式解説 に よる と、 Keras Documentation データセット 「IMDB映画レビュー感情分類」 IMDB映画レビュー感情分類 感情(肯定/否定)のラベル付けをされた、25,000のIMDB映画レビューのデータセット。レビューは前処理済みで、各レビューは単語のインデックス(整数値)のシーケンスとしてエンコードされている。便宜上、単語はデータセットにおいての出現頻度によってインデックスされている。そのため例えば、整数値"3"はデータの中で3番目に頻度が多い単
ChainerRLでライントレーサーする - Qiita
書きました https://t.co/m4YhZolDjD — mooopan (@mooopan) February 20, 2017 ということでChainerの強化学習版ChainerRLが公開されていました。 このところ手を広げすぎていて中々丁寧な仕事ができない中、 30分 x 2日でDouble DQNでライントレーサーできました。ライブラリ便利で助かる！ 使用環境 Windows 10 - 64bit <諦めが悪い心の強さ…！> Python 3.6.0 |Anaconda 4.3.0 (64-bit) <プライドより実利！> ChainerRL 0.2 < Dependency緩くしてほしい> Chainer 1.19 <1.20でTheanoのお世話できてない!会社ではTheano動いたのに。>
「デブサミ2017」ITエンジニア本大賞のプレゼンでノックアウトされた件 #devsumi #itbkawd - 江青日誌
デブサミ2017たくさんのご参加ありがとうございました。もう中の人を卒業して、ばあやぐらいしか参戦していない私がお礼をいうのも何なんですが、来ていただいた方々、皆様お楽しみいただけたでしょうか？これからのご自身の活力アップのネタ、仕込めましたでしょうか？ さて、私自身、今回とても心動かされたセッションがありました。それは、ITエンジニア本大賞のプレゼン大会です。このアワードの中の人ではあるのですが、とてもとてもすごく感動したので、この思いを忘れないためにblogをしたためてみようと思います。 まず、ITエンジニア本大賞って何っていう方にご説明すると、ITエンジニアのみなさんが、ITエンジニアにオススメしたい本を投票していただきます。その中のビジネス書、技術書で上位3冊のプレゼン大会をデブサミでやります。プレゼン大会に聴講していただいた方の投票結果で、ビジネス書大賞、技術書大賞を決めるもので
深層強化学習ライブラリChainerRL - Preferred Networks Tech Blog
Chainerを使った深層強化学習ライブラリChainerRLを公開しました． https://github.com/pfnet/chainerrl PFNエンジニアの藤田です．社内でChainerを使って実装していた深層強化学習アルゴリズムを”ChainerRL”というライブラリとしてまとめて公開しました．RLはReinforcement Learning（強化学習）の略です．以下のような最近の深層強化学習アルゴリズムを共通のインタフェースで使えるよう実装してまとめています． Deep Q-Network (Mnih et al., 2015) Double DQN (Hasselt et al., 2016) Normalized Advantage Function (Gu et al., 2016) (Persistent) Advantage Learning (Bellemar
深層学習 を 用いた 異常値検知 手法まとめ 〜 (Denosing) AutoEncoder, LSTM, TDA（Topological Data Analysis) + CNN - Qiita
オーソドックス な アプローチ（一般的手法） まず は、以下 が よくまとまっている。 株式会社クロスコンパス・インテリジェンス（2016.10.5）「NVIDIA GPU TECHNOLOGY CONFERENCE JAPAN 2016 Industry Deep Learning」 異常値予測 を 行う アプローチ としては、以下 が 一般的な考え方 の ようだ。 （データ量の多い）正常時のデータ挙動の特徴パターンを学ばせて、 新規データが上記の特徴パターンから乖離している場合を、異常とみなす 上記のアプローチをとる理由 は、「異常発生時のデータ」の取得可能件数 は、「正常時のデータ」 に 比べて、取得できるデータの件数 が 圧倒的に少ない から である。 上記のスライド で 挙げられている AutoEncoderモデル や LSTMモデル を 採用し、 AutoEncoderモデル
Deep Learning Applications - handong1587
Applications DeepFix: A Fully Convolutional Neural Network for predicting Human Eye Fixations arxiv: http://arxiv.org/abs/1510.02927 Some like it hot - visual guidance for preference prediction arxiv: http://arxiv.org/abs/1510.07867 demo: http://howhot.io/ Deep Learning Algorithms with Applications to Video Analytics for A Smart City: A Survey arxiv: http://arxiv.org/abs/1512.03131 Deep Relative A
Demitasse〜DNN高速化ライブラリを公開しました – Tech.D-ITlab | Denso IT Laboratory researcher's blog sites
どうも吉田悠一です． 弊社の近藤がNIPS2016のWorkshopで発表したDemitasseをオープンソースで公開します． “Satoshi Kondo, “Demitasse: SPMD Programing Implementation of Deep Neural Network Library for Mobile Devices”, ML Systems Workshop NIPS 2016 PDF” https://github.com/DensoITLab/Demitasse llvmとispcを使い，Deep Learningの計算を高速化します． Demitasseによれば，iOSデバイス上でもGPUを使わずに数百msecの時間で，Caffe Model Zooによる画像認識を実行することができます． ビルド方法は，githubのリポジトリのドキュメントに書いてありま
Chainerを用いた対話システムの実装【seq2seq】 - Qiita
はじめに 昨今，DNNs(Deep Neural Networks)の進歩が目覚ましくあらゆる分野で成功を収めています． 良く耳にするのは，画像分類や音声認識の分野ですが，対話システムも例外ではなくなりました． Pythonのライブラリ環境が充実しつつある今，DNNsを用いた対話システムの構築について簡単に紹介したいと思います． 対話システムのためのDNNsモデル 対話システムを構築するためのDNNsのモデルは大きく分けて2つあります． 大量の応答候補に対するランキング学習 -> 入力に対して応答候補文をそのまま選択 発話と応答のペアから，Encoder-Decoderモデルを学習．-> 入力に対して単語単位で応答発話生成 本記事では，後者のEncoder-Decoderモデルについて扱います． Chainerなどのライブラリが充実したおかげで，発話と応答のペアとなるデータさえあれば，誰で
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
TFUG#3 RettyにおけるDeep Learningの自然言語処理への応用事例 - Speaker Deck
TFUG#3 RettyにおけるDeep Learningの自然言語処理への応用事例 - Speaker Deck
「ニューラルネットワークと深層学習」の翻訳ページリンク - Qiita
http://slazebni.cs.illinois.edu/spring17/lec04_advanced_cnn.pdf
【50%OFF】Kindleストアで「プログラミング・IT技術書フェア」が開催中〜2月23日まで
GitHub - sandeepraju/ihradis-cnn-deblur: Image deblurring with Convolutional Neural Networks. Scripts & Neural network models available here
Deeplearning 4 j のクイックスタートガイド - Deeplearning4j: Open-source, Distributed Deep Learning for the JVM
AWS E2 G2インスタンス上にKeras環境を構築する 2017年2月版 - Qiita
https://www.mathgram.xyz/entry/chainer/fcn
Implement word2vec in Keras
Site unavailable
