GestureAI ― Keras + CoreML + iOS 11を用いた RNNによるジェスチャー認識
はじめに iOS11から登場したCoreMLフレームワークを使って、Kerasで実装したニューラルネットを動かしてみました。画像認識や自然言語処理のCoreMLのサンプルはあったのですが、iPhoneから取得したセンサーデータをRNN(Recurrent Neural Network、再帰型ニューラルネットワーク）で認識させた例がなかったようなのでトライしてみました。 以下の記事では、○・□・△・✕を描くジェスチャーの認識を行うRNNの学習とCoreMLでの活用について紹介します。 デモ 認識したジェスチャーに応じてHTTPリクエストを送ってSlackにメッセージを送る例 : iOSアプリのスクショ : 真ん中のボタンを押している間（最大4秒）だけジェスチャーのセンサーデータを取得して、ボタンを話したらニューラルネットにより認識を行います。 レポジトリ・学習済みモデル akimach/Ge
Deep Learning Lab コミュニティ イベント 第4回（オンライン配信あり！） (2017/10/24 15:00〜)
概要 Chainerを提供するPreferred Networksと、Azure クラウドを提供するMicrosoft による、深層学習に関する「最新技術を最新ビジネスで活用している事例」や「最新の技術動向」共有することで、深層学習技術者の裾野を広げ、実社会での利用拡大を図ることを目的としたイベントです。 日時：10/24（火）14:30-19:30 東京会場：日本マイクロソフト株式会社 東京都港区港南 2-16-3 品川グランドセントラルタワー 大阪サテライト会場：Blue+（ブルータス）貸しスペース（5F） 大阪府大阪市北区芝田2-9-17 マエダビル その他：東京会場懇親会では、お飲み物と軽食をご用意しております。 大阪サテライト開催、オンライン配信決定！ 現在、Deep Learning LabとNVIDIA DLI併設で地方四都市を回っております！その際、オンライン配信お願いしま
HTMLのコーディングが不要になるかも？pix2codeの紹介 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 今年の５月末に話題になった 画面のスクリーンショットからコードを生成するディープラーニングpix2code Gigazine GUIのスクリーンショットを読み込むと必要なコードを生成する仕組みでスタートアップが人工知能を活用 http://gigazine.net/news/20170530-pix2code/ AAPL Ch. ディープラーニングを利用し、デザイナーが作成したiOS/AndroidアプリのGUI画像から自動的にコードを作成する「Pix2Code」が話題。 https://applech2.com/archives/20
データサイエンティストを目指して半年で学んだことまとめ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 本記事では、データサイエンティストを目指して勉強した半年間で学んだこと、気付いたことをまとめます。これからデータサイエンティストを目指して勉強する人の参考になればと思います。 最初の一手 個人的にではありますが、最初はアプローチの理解から始めると思いますが、数式とプログラミングの両方を勉強する方が良いと思います。**数式→プログラミング or プログラミング→数式の順序はどちらでも良いと思いますが、プログラミング（フレームワーク）のみ**はやめた方が良いと思います。出力結果の解釈で苦労することになるので、理論、数式はしっかり理
A Deep Reinforcement Learning Chatbot
We present MILABOT: a deep reinforcement learning chatbot developed by the Montreal Institute for Learning Algorithms (MILA) for the Amazon Alexa Prize competition. MILABOT is capable of conversing with humans on popular small talk topics through both speech and text. The system consists of an ensemble of natural language generation and retrieval models, including template-based models, bag-of-wor
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
Timely accurate traffic forecast is crucial for urban traffic control and guidance. Due to the high nonlinearity and complexity of traffic flow, traditional methods cannot satisfy the requirements of mid-and-long term prediction tasks and often neglect spatial and temporal dependencies. In this paper, we propose a novel deep learning framework, Spatio-Temporal Graph Convolutional Networks (STGCN),
NVIDIA Deep Learning Accelerator
NVDLA The NVIDIA Deep Learning Accelerator (NVDLA) is a free and open architecture that promotes a standard way to design deep learning inference accelerators. With its modular architecture, NVDLA is scalable, highly configurable, and designed to simplify integration and portability. The hardware supports a wide range of IoT devices. Delivered as an open source project under the NVIDIA Open NVDLA
Advanced Micro Devices, Inc. - AMD Home Page
製品 プロセッサ アクセラレータ グラフィックス アダプティブ SoC、FPGA & SOM ソフトウェア、ツール、アプリケーション
《日経Robo》Neural Turing Machineはアルゴリズムの学習の第一歩
2014年の機械学習界隈で話題となったのが米グーグルの DeepMindが発表した「Neural Turing Machine（NTM）」1）である。NTMは、人間が問題に合わせてプログラムを逐一記述しなくとも、例示からの学習によって小規模なアルゴリズムを自己獲得する技術だ。ニューラルネットワークの技術を基にしている。連載の第1回では、なぜNTMが注目されたのかについて背景を説明する。 NTMは現時点では入力のデータ量が小さく、人が書けるようなアルゴリズムで解ける問題しか扱えていない。しかし今後は、人にすら書くことが不可能な複雑なアルゴリズムを学習できる可能性がある。例えば、ロボットや自動運転システムで複数のセンサを用いて複数のアクチュエータを制御するアルゴリズムを学習ベースで実現できる可能性がある。 記憶の仕組みが欠けていた ニューラルネット 人間がプログラムで記述するような複雑なアルゴ
Squeeze-and-Excitation Networks
The central building block of convolutional neural networks (CNNs) is the convolution operator, which enables networks to construct informative features by fusing both spatial and channel-wise information within local receptive fields at each layer. A broad range of prior research has investigated the spatial component of this relationship, seeking to strengthen the representational power of a CNN
Google Custom Search APIを使って画像収集 - Qiita
# -*- coding:utf-8 -*- # onlyzs1023@gmail.com 2016/11/21 import urllib.request from urllib.parse import quote import httplib2 import json import os API_KEY = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" CUSTOM_SEARCH_ENGINE = "12345648954985648968:xxxxxxxxx" def getImageUrl(search_item, total_num): img_list = [] i = 0 while i < total_num: query_img = "https://www.googleapis.com/customsearch/v1?key=" + API_KEY
数学的基礎から学ぶ Deep Learning (with Python) Vol. 24【MPS 横浜 第24回】& ゼロからの 電子工作 Vol.9｜IT勉強会・イベントならTECH PLAY［テックプレイ］
さいとうさんによる第1回からのまとめ かんたんマークダウンを用いて、さいとうさんが第1回からの まとめ を作成してくださっています。是非ご覧ください！ HTMLバージョン PDFバージョン さいとうさん、ありがとうございます！ SNS 参加者がたくさんいらっしゃるので、ハンズオン中の個々の挙手での質問はすべてその場でお答えができないことなども想定されます。以下SNSご活用ください。 FB Group 参加申請を出していただければ、随時承認します。このグループ内で、自己紹介ですとか、ハンズオンで分からなかったところの質問や感想を書いていただいたりとか、これから学んでみたいことなどを投稿していただけたらと思います。 間違ってもいいので参加者どうしでどんどん質問に答えたり、意見を交わし合ったりして、学びとこれからの行動に繋がればと思います。 Twitter ハッシュタグ: #mpsamurai
怠け者のためのディープラーニング入門 - イントロ
目次 イントロ ← 今ココ Scikit-learn・Keras モデルの性能指標・評価方法 データの前処理・データ拡張 早期終了(early stopping) 転移学習 ハイパーパラメータのチューニング モデル圧縮 応用 はじめに 大学3年生のとき、小林雅一『AIの衝撃 人工知能は人類の敵か』という本をなんのきなし読んだことがあります。その本の中で「最先端のAIを実装できるのは世界でも50人くらいの研究者・大学院生くらいだ」といった文章を読み、なんだかすごそうという動機で機械学習に触れ始めました。そのころちょうど、TensorFlow 0.0.5が公開されて騒がれていたことを覚えていますが、当時ディープラーニングとは何かすらまったく分かりませんでした。それから約2年の月日が経ちますが、TensorFlowをはじめとしたフレームワークの普及もあってか「最先端のAI」というものを研究し実装
Historical Photos of Japan Brought to Life Using Artificial Intelligence Colorization
For all their charm and nostalgia, black and white photos do create a certain disconnect between the past and present. Looking at them, it’s easy to forget that we’re connected to that time by what is merely a blink of an eye in the grand scale of history. And so it’s worth colorizing old black and white photos if only for the contemporaneity, with which we use to learn from history. Woman and chi
ニューラルネットによる構文解析 ー Dependency Parsingについて - scouty AI LAB
scouty代表の島田です。 実はscoutyではサービス上で実用するに至れていませんが、技術選定の段階で調査したので、最近人気も出ているニューラルネットによる Dependency Parsing についてまとめてみました。 前半は、自然言語処理の基本となる大きな流れに関しても触れていますので、NLPに詳しくなくてもご理解いただけると思います！ 自然言語処理の基礎：意味解析とは？ そもそも自然言語処理といってもいろいろな分野があります。ミクロな部分に入る前に、まずは全体の流れを理解しましょう。 自然言語処理は、大まかに上の図のような流れになっています。これは日本語に限らずどの言語にも通ずる一般的なプロセスになっています。各プロセスは次の通りです: 形態素解析：まずは、与えられた文章の単語を分かち書き、品詞を推定する（厳密には、品詞だけではなく時制なども判断します。） 構文解析：品詞の上位
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 - PaddlePaddle/Paddle-Lite: PaddlePaddle High Performance Deep Learning Inference Engine for Mobile and Edge (飞桨高性能深度学习端侧推理引擎）
NVIDIA Deep Learning Institute 2017 with Deep Learning Lab in 札幌｜EventRegist（イベントレジスト）
Vespa.ai
富士通、組織内ネットワークに侵入したマルウェアの検知技術を開発
Imagination、“エッジAI”向け最高性能アクセラレータ「PowerVR 2NX」
