Chainerを使っている研究プロジェクト - Preferred Networks Research & Development
（Chainer Advent Calender 2日目です。このポストは Chainer Blog の記事 “Research projects using Chainer” とほぼ同じ内容の日本語版です） 最近、アルゴリズムの実装や実験に Chainer を使用している研究プロジェクトが出てきています。そこで、arXivで公開されている論文で Chainer を使っているものを検索し、リンク付きで表にまとめました： Research projects using Chainer。 Chainer が使用されている分野の簡単な概要として、リストには自然言語処理の論文が比較的多く入っています。例えば、”Quasi-Recurrent Neural Networks (QRNNs)” は、James Bradbury と Stephen Merity らによって最近提案された系列データのモデ
Deep Learning関係 - PukiWiki
2018-05-08 Yolo (Darknet) でcifar10の学習 2018-05-05 python 2018-05-01 OCRソフト Keras 2018-04-19 自然言語処理 2018-04-04 古文書 現在の作業メモ 2018-03-20 pyTorch 2018-03-19 Anaconda 2018-03-16 YOLO(Darknet)でCOCOの学習 2018-03-13 YOLO(Darknet)でVOCの学習 2018-03-10 Deep Learning関係 2018-03-03 abc8y 2018-03-02 xyz abc8x 2018-02-12 abc04 abc03 2018-02-11 abc02 2018-02-10 abc01 abc74 はじめるDeep learning TheanoでDeep Learning Theanoの使
Chainer で競馬予想をしてみる - Qiita
競馬予想 Deep learning が流行っているので何かを題材に勉強してみようと思い、競馬予想をしてみたメモです。 投資競馬 Advent Calendar 2016 7日目の記事です。 環境構築 Install pyenv, python(annaconda) ↓を参考に Python 3.5.1 :: Anaconda 4.0.0 をインストール Install Chainer Chainer をインストールします。 データ収集 JRA-VAN というJRAの子会社が運営しているサービスがあります。有料ですが１ヶ月無料トライアルもあります。 今回は無料トライアルでデータを集めます。 JRA-VAN のデータを取り込むソフトは複数あるみたいですがTARGET frontier JVというものがデータを csv 出力できるようなのでこちらを使います。 ちなみにJRA-VAN対応のソフト
Deep Learning, Dark Knowledge, and Dark Matter
Peter Sadowski, Julian Collado, Daniel Whiteson, Pierre Baldi Proceedings of the NIPS 2014 Workshop on High-energy Physics and Machine Learning, PMLR 42:81-87, 2015. Particle colliders are the primary experimental instruments of high-energy physics. By creating conditions that have not occurred naturally since the Big Bang, collider experiments aim to probe the most fundamental properties of matte
Tech Trends 2017 | Design Mind | frog, part of Capgemini Invent
Breakthrough technologies will continue to create new value and transform experiences for businesses and consumers alike. To start 2017 we look at 15 technology trends that will unlock opportunities for growth and enable organizations to provide more meaningful experiences to their customers, employees, and society. Superhero-Performance In Autonomous Vehicles By now we’ve all heard the news: 1.2
白雪姫の「魔法の鏡」はつくれる--科学者がAIを使ったら
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます 「鏡よ、鏡、鏡さん、世界で一番美しいのは誰？」 白雪姫で出てくるお妃さまの名文句である。「魔法の鏡」はこの世のあらゆることを知っていて、聞けばどんな質問にも答えてくれる。そんな「魔法の鏡」が現代のわれわれの世界では実現しつつある。 犬や猫の識別ができる。囲碁に勝てる。さらにはさまざまなイラストや写真を自動的に生成することすらできる。これらはすべて、この世にあるデータから習得した経験に基づいて獲得した能力である。画像データに限定すれば、いわば人間の目の代わりをするというわけだ。画像1つとっても絵画や風景の写真の事細かな細部に至るまで学びとることができるとなれば、専門家に近い水準の能力を獲得しているといえよう。 そんな専門家の目は、人間社会
GitHub - Conchylicultor/DeepQA: My tensorflow implementation of "A neural conversational model", a Deep learning based chatbot
This work tries to reproduce the results of A Neural Conversational Model (aka the Google chatbot). It uses a RNN (seq2seq model) for sentence predictions. It is done using python and TensorFlow. The loading corpus part of the program is inspired by the Torch neuralconvo from macournoyer. For now, DeepQA support the following dialog corpus: Cornell Movie Dialogs corpus (default). Already included
Julia のススメ 〜 Deep Learning のための Julia 〜 - Qiita
TL;DR Julia は速いよ。 Julia は行列演算簡単だよ。 Julia は Deep Learning 向きだよ。 Julia はそもそも書きやすいよはかどるよ！ Julia 良いよ Julia！ 初めに 【注意】この記事は1年以上前の記事です12。 この記事は、Julia Advent Calendar 2016 の3日目の記事です。 と同時に、機械学習 名古屋 第8回勉強会 の発表資料です。 またこの記事は、ゼロから作る Deep Learning（O'reilly, 2016/09）を参考に構築しています。 ↑ をJuliaに移植中 → DLScratch.jl 自己紹介 自己紹介 名前：後藤 俊介 所属：有限会社 来栖川電算 言語：Python, Julia, Ruby, Scala（勉強中）, … twitter: @antimon2 Facebook: antimon
Input data for convolutional neural network
I am trying learn deep learning and specifically using convolutional neural networks. I'd like to apply a simple network on some audio data. Now, as far as I understand CNNs are often used for image and object recognition, and therefore when using audio people often use the spectrogram (specifically mel-spectrogram) instead of the signal in the time-domain. My question is, is it better to use an i
C++ヘッダだけでDeep Learning、tiny-dnnの紹介 - Qiita
DeepLearning Advent Calendar,6日目の記事です。 Deep Learningフレームワークも世の中に随分と充実してきた昨今、いかがお過ごしでしょうか。今日はC++プログラマが簡単に導入できるDeep Learningフレームワーク、tiny-dnnを紹介します。 まとめ C++でDeep Learningやるなら、tiny-dnnが便利 Header-only＆外部依存なしで簡単導入 Caffeからのインポートやシリアライズなどの各種機能にも対応 いろんなデバイス上で動かしたい人、既成のModel＋αを素早くアプリケーション化したい人、C++でDeep Learningを理解したい人に最適 背景 Deep Learningフレームワークといえば、 Chainer TensorFlow Caffe あたりが有名ですね。他にも老舗のTheanoにTorch、Tens
MXNet 入門 - Qiita
DeepLearning Advent Calendar 2016 4 日目です。 3 日目は @tereka114 さんの「グレーの画像に色をつけるネットワークについて発表しました。」でした。 最近 AWS が公式にサポートを表明した深層学習フレームワーク MXNet に、彼らの記事や各種チュートリアルを通して入門してみようと思います。 MXNet とは 概要 MXNet はワシントン大学とカーネギーメロン大学によって、CNN と LSTM をサポートするために開発されはじめました。効率的で柔軟な深層学習フレームワークとなるよう設計されています。 特徴 AWS が MXNet を支援すると決めた理由に、以下の 3 つをあげています。 スケーラビリティ 豊富な対応言語 軽量かつ高い可搬性 その他にも MXNet には以下のような特徴があります。 命令的 / 宣言的プログラムの混合 豊富な深
Deep Learning Advent Calendar 2016 - Adventar
去年：http://www.adventar.org/calendars/992 Deep Learningに関する話題ならなんでもオッケーです。 論文の紹介・実装、フレームワークを試してみた...etc.
Deep Learning the Stock Market
Update 25.1.17 — Took me a while but here is an ipython notebook with a rough implementation In the past few months I’ve been fascinated with “Deep Learning”, especially its applications to language and text. I’ve spent the bulk of my career in financial technologies, mostly in algorithmic trading and alternative data services. You can see where this is going. I wrote this to get my ideas straight
Amazon RekognitionをSDKから使ってみました #reinvent | DevelopersIO
こんにちは、小澤です。 今回はre:Invent 2016で発表されたAmazon RekognitionをSDKから使ってみたいと思います。 Rekognitionとは Deep Learningを利用した画像解析のサービスです。 できることとしては どのようなものが写っているかのラベル情報取得 画像から顔の位置を取得 2枚の顔画像中の同一人物取得 の3つのようです。 ラベル情報の取得をWeb上から行ってみるとこのように取得できます。 SDKを使ってみる 今回はGetting Started with Amazon RekognitionのStep4にあるExercise 1: Detect Labels in an Image (API)ベースにSDKから動かしてみたいと思います(他の2つも使い方はほぼ変わらないため、掲載するのはDetect Labelsのみにします)。 awscli
Amazon、AWSの深層学習フレームワークとしてMXNetを選択
あなたにとって重要なトピックや同僚の最新情報を入手しましょう最新の洞察とトレンドに関する最新情報を即座に受け取りましょう。 継続的な学習のために、無料のリソースに手軽にアクセスしましょうミニブック、トランスクリプト付き動画、およびトレーニング教材。 記事を保存して、いつでも読むことができます記事をブックマークして、準備ができたらいつでも読めます。
Accuracy of a Deep Learning Algorithm for Detection of Diabetic Retinopathy
A, Referable diabetic retinopathy, defined as moderate or worse diabetic retinopathy or referable diabetic macular edema. B, All-cause referable cases, defined as moderate or worse diabetic retinopathy, referable diabetic macular edema, or ungradable image quality. Performance of the algorithm (black curve) and ophthalmologists (colored circles) for the presence of referable diabetic retinopathy (
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 - kootenpv/TwitterQA: Deep learning based Twitter Imposter Chatbot
【Amazon Lex】人工知能を活用した会話型インターフェイス | AWS
https://qiita.com/shirono_kei/items/4c6cf757e8ad1b85394d
Image Recognition Software, ML Image & Video Analysis - Amazon Rekognition - AWS