【深層学習 で 多変量時系列解析】Deep Neural Network で 多変量の時系列データ を 使って、 分類予測・回帰予測する方法 - Qiita
【深層学習 で 多変量時系列解析】Deep Neural Network で 多変量の時系列データ を 使って、 分類予測・回帰予測する方法深層学習DeepLearning時系列解析statistics人工知能 （ 関連記事 ） HirofumiYashima Qiita記事 「CNN で 時系列データ の 特徴量（特徴マップ） を 畳み込み で 抽出して、 + プーリング で 情報圧縮 する 方法 いろいろ」 HirofumiYashima Qiita記事 「【 調査 】CNN（Convolution Neural Net）を 用いた 時系列データの予測タスク、分類タスク 応用事例」 （ 方法１ ） 各変数ごとに、時系列パターンの特徴ベクトル を 個別のLSTMタスク で 抽出し、各変数の時系列特徴ベクトル を 後から 統合（重み共有）して、多変量全体の時系列特徴量 を 獲得する アプロ
An Analysis of Deep Neural Network Models for Practical Applications
Since the emergence of Deep Neural Networks (DNNs) as a prominent technique in the field of computer vision, the ImageNet classification challenge has played a major role in advancing the state-of-the-art. While accuracy figures have steadily increased, the resource utilisation of winning models has not been properly taken into account. In this work, we present a comprehensive analysis of importan
The Alien Style of Deep Learning Generative Design
Source: http://www.arup.com/news/2015_05_may/11_may_3d_makeover_for_hyper-efficient_metalworkWhat happens when you have Deep Learning begin to generate your designs? The commons misconception would be that a machine’s design would look ‘mechanical’ or ‘logical’. However, what we seem to be finding is that they look very organic, in fact they look organic or like an alien biology. Take a look at so
Convolutional Neural Tensor Network Architecture for Community-based Question Answering
Convolutional Neural Tensor Network Architecture for Community-based Question Answering Xipeng Qiu and Xuanjing Huang Shanghai Key Laboratory of Data Science, Fudan University School of Computer Science, Fudan University 825 Zhangheng Road, Shanghai, China xpqiu@fudan.edu.cn, xjhuang@fudan.edu.cn Abstract Retrieving similar questions is very important in community-based question answering. A major
O'REILLY『ゼロから作るDeep Learning』3章MNIST画像が表示されなかったので改造した on Windows10 - しいたげられた🍄しいたけ
またヘンなものを勉強中である。ヘンというのは「またどうせ私にゃモノにならないであろうもの」という意味で、勉強の対象がヘンという意味ではない。 例によって対象がミニマムなので、新着に表示されにくくするため日付をさかのぼって公開しています。自分用のメモと、もし同様のトラブルに悩まされている人が検索で見に来たら、ヒントになればという意図での公開です。つかむしろ「ナニ間違ったことやっとんじゃいボケ！」とお気づきの方がいたら、ぜひご教示願います。 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 作者: 斎藤康毅 出版社/メーカー: オライリージャパン 発売日: 2016/09/24 メディア: 単行本（ソフトカバー） この商品を含むブログ (11件) を見る プラットフォームは Windows10。Python 3 系をインストールして、GIT HUB よ
O'REILLY『ゼロから作るDeep Learning』「3.6.3 バッチ処理」を動かすための前処理 on Windows10 - しいたげられた🍄しいたけ
忘れちゃうんで自分用メモ。これが正しいかどうかは、わからない。「何やっとんじゃいボケ！」とお気づきの方がいたら、ぜひご指摘願います。今回も対象は『ゼロから作るDeep Learning』の読者だけなので、新着に表示されにくくするため日付をさかのぼって公開しています。 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 作者: 斎藤康毅 出版社/メーカー: オライリージャパン 発売日: 2016/09/24 メディア: 単行本（ソフトカバー） この商品を含むブログ (11件) を見る 「3.6.3 バッチ処理」のP78と80のコードは、いきなり対話モードのプロンプトから入力すると、エラーになる。それは事前に予想できた。未定義の関数を使うことになるからだ。 P78 のコードを入力して、エラーを表示させた様子を下記に示す。Anaconda Prompt か
配牌からアガれるかアガれないか予測する - Qiita
はじめに 趣旨 個人的にディープラーニングや機械学習を学習したいと思い、O'Reilly Japanさんから出版されているゼロから作るDeep Learningを読みました。 しかし、私自身に知識がなく、いまいちピンとこなかったので、簡単なものを作ってみようと考えました。 とはいえ、せっかくなら自分の趣味でもある麻雀に関わるところで作ろうと考えました。 筆者のスペック Python、機械学習ともに初心者 普段はPHPやRubyを使ったWebのお仕事 環境 Python 3.6.0 bottle 0.12.13 heroku 機能概要 作成したアプリは下記になります。 https://python-mahjang.herokuapp.com/index また、ソースコードは下記になります。 https://github.com/naoki85/python_mahjong 配牌と結果のみを学
DeepCoder: Learning to Write Programs
We develop a first line of attack for solving programming competition-style problems from input-output examples using deep learning. The approach is to train a neural network to predict properties of the program that generated the outputs from the inputs. We use the neural network's predictions to augment search techniques from the programming languages community, including enumerative search and
Importance of local response normalization in CNN
I've found that Imagenet and other large CNN makes use of local response normalization layers. However, I cannot find that much information about them. How important are they and when should they be used? From http://caffe.berkeleyvision.org/tutorial/layers.html#data-layers: "The local response normalization layer performs a kind of “lateral inhibition” by normalizing over local input regions. In
CS 598 LAZ: Cutting-Edge Trends in Deep Learning and Recognition
CS 598 LAZ: Cutting-Edge Trends in Deep Learning and Recognition Instructor: Svetlana Lazebnik (slazebni -at- illinois.edu) Lectures: T TH 12:30-1:45, 216 Siebel Instructor office hours: Tuesdays 2-3PM or by appointment, 3308 Siebel TA: Arun Mallya (amallya2 -at- illinois.edu) TA office hours: Mondays 2-3PM, Wednesdays 3-4PM, 3340 Siebel Always check announcements on Piazza for short-notice chang
A Random Matrix Approach to Neural Networks
This article studies the Gram random matrix model $G=\frac1T\Sigma^{\rm T}\Sigma$, $\Sigma=\sigma(WX)$, classically found in the analysis of random feature maps and random neural networks, where $X=[x_1,\ldots,x_T]\in{\mathbb R}^{p\times T}$ is a (data) matrix of bounded norm, $W\in{\mathbb R}^{n\times p}$ is a matrix of independent zero-mean unit variance entries, and $\sigma:{\mathbb R}\to{\math
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
Char2Wav: End-to-End Speech Synthesis
Char2Wav: End-to-End Speech Synthesis Jose Sotelo, Soroush Mehri, Kundan Kumar, João Felipe Santos, Kyle Kastner, Aaron Courville, Yoshua Bengio Read on OpenReview View on GitHub Abstract We present Char2Wav, an end-to-end model for speech synthesis. Char2Wav has two components: a reader and a neural vocoder. The reader is an encoder-decoder model with attention. The encoder is a bidirectional rec
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。>
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 - vladfi1/phillip: The SSBM "Phillip" AI.
https://qiita.com/Worldforward/items/4d06f2aa5ca921f42094
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