リテラシーレベルeラーニング教材・講義動画配信 | 数理・データサイエンス・AI教育強化拠点コンソーシアム
リテラシーレベルモデルカリキュラム対応教材 利用条件とアンケート 東京大学と記載のあるスライド教材の利用についてはこちら（一部スライドは冒頭の利用条件をご参照ください）。 東京大学と記載のある講義動画の利用条件は、各動画の冒頭をご参照ください。 滋賀大学と記載のある教材の利用条件はCC BY-NC-SAです。 九州大学と記載のある教材の利用条件はCC BYです。 *印のスライドのppt版が必要な方は、九州大学 数理・データサイエンス教育センター mds-lecture-slides@human.ait.kyushu-u.ac.jp にご連絡ください。 筑波大学と記載のある教材の利用条件についてはこちら 北海道医療大学と記載のある教材の利用条件はCC BYです。 東京都市大学と記載のある教材の利用条件についてはこちら 大阪大学と記載のある教材の利用条件はCC BY-NC-SAです。 名古屋大
強化学習の基礎と深層強化学習（東京大学 松尾研究室 深層強化学習サマースクール講義資料）
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です． 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています．巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました． 主に以下のような強化学習の概念やアルゴリズムの紹介をしています． ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN（Deep Q-Network） ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Nois
東京大学 杉山・本多研究室
東京大学 杉山・本多研究室：機械学習と統計的データ解析 機械学習の基礎理論の構築と実用的なアルゴリズムの開発，及び，実問題への応用研究を行っています [ English | Japanese ] 研究概要 教科書 機械学習のための確率と統計 イラストで学ぶ機械学習：最小二乗法による識別モデル学習を中心に 統計的機械学習 統計的学習の基礎：データマイニング・推論・予測 パターン認識と機械学習 強くなるロボティック・ゲームプレイヤーの作り方～実践で学ぶ強化学習 学習の種類 教師付き学習 教師なし学習 半教師付き学習 強化学習 機械学習の理論とアルゴリズム モデル選択 不偏モデル選択規準 正則化モデル選択規準 能動学習 単一のモデルに対する能動学習 複数のモデルに対する能動学習 追加学習／オンライン学習 次元削減 教師付き次元削減 半教師付き次元削減 教師無し次元削減 類似度データからの学習／カ
多クラス Support Vector Machine を用いた 一般物体認識での複数候補提示下における分類性能の傾向 栗 田 哲 平† 近 山 隆† 現在，一般物体認識問題に対する手法への評価は，主にテストデー��
多クラス Support Vector Machine を用いた 一般物体認識での複数候補提示下における分類性能の傾向 栗 田 哲 平† 近 山 隆† 現在，一般物体認識問題に対する手法への評価は，主にテストデータに対応するクラスを一意に推 定する際の精度で性能を決定している．しかし一般には複数候補を提示するようなシステムを必要と する場合も多く，その場合の性能は正解を上位候補と出来るか否かの問題になる．そこで本稿では， 一般物体認識のデータセットに対し多クラス Support Vector Machine(SVM) を適用した場合の複 数候補提示下での性能の傾向について報告する．多クラス SVM は複数の１対１あるいは１対他の２ 値分類 SVM を組み合わせて構成するが，その際に生成された各分類器でテストデータ及び学習デー タのみを用いてソフトマージンのペナルティパラメータ，カーネル及
CRESTシンポジウム：機械知能とビッグデータ
CRESTシンポジウム：機械知能とビッグデータ 2015年3月6日（金）13:00～17:30 （18:00～19:30 懇談会） 東京大学 本郷キャンパス 工学部2号館221講義室 トップページ お知らせ 2015年2月08日 ホームページを開設しました． 概要 膨大な画像，映像，テキスト，加速度，位置情報などの多種多様なデータをコンピュータが自動的に理解する知的システムが近年脚光を浴びつつあります．本シンポジウムではこのような膨大かつ多種多様なデータを理解する知能システム構築のための基礎理論から応用までの近年のトレンドや成果を紹介いたします．具体的には，平成26年度から開始いたしましたJST CREST「膨大なマルチメディアデータの理解・要約・検索基盤の構築」における研究内容の紹介や，Googleから2名の研究者をお招きし，Deep Learningとロボットの融合，機械翻訳の
「表現を獲得」した人工知能――50年来のブレークスルーで、いま人工知能は急速な進化を始めた（前編） | Mugendai（無限大）
人工知能が急速に進化し始めた。カーネギーメロン大学のTome Michell教授は、「コンピューターはこれまで人間の言語をほとんど理解できなかったが、今後10年でかなり理解できるようになるだろう」と、人工知能が急速な進化のフェーズに入ったことを示唆している。 急速に進化し始めた理由は2つある。1つは、コンピューターが大量のデータを扱えるようになったから。もう1つは、人間の脳を模した仕組みが実際に機能するようになってきたからだ。 変化はまた、チャンスでもある。 人工知能の進化は今、どこまで進んでいるのだろうか。それがどのような領域に、イノベーションを起こすのだろうか。日本を代表する新進気鋭の人工知能研究者、東京大学准教授の松尾豊氏に聞いた。 人工知能が急速に進化し始めた。カーネギーメロン大学のTome Michell教授は、「コンピューターはこれまで人間の言語をほとんど理解できなかったが、今
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
Deep Learning基礎講座演習コンテンツ 公開ページ
東京大学グローバル消費インテリジェンス寄付講座 - Chair for Global Consumer Intelligence
https://www.logos.t.u-tokyo.ac.jp/~hassy/deep_learning/paragraph_vector_3/
「画像認識分野における deep learning の発展と最新動向」