MITが開発した「Personalized Deep Learning」が自閉症児の意図を読む | Ledge.ai
相手の感情が理解できない…。1つのものに執拗に執着してしまう…。自分の感情を言葉で表現できない…。 このように社会性やコミュニケーション能力が低いという特性を持つという自閉症。ご存知でしょうか？ 主な特徴として、 があり、場合によっては正常に社会生活をおこなうことができないことが多々あります。 自閉症児に対しては、個々の特性を理解し、それに合った環境での療育が不可欠。現在は他人の表情を読み取ることが困難な自閉症児に対して、セラピストが絵や写真を用いてどの表情がどの感情に対応しているか教えており、セラピストと自閉症児の意思疎通は欠かせなくなっています。 一方で、セラピストが感じた自閉症児の気持ちと自閉症児の本人の気持ちの相関関係は5割程度という研究結果もあります。 そこでそのズレをなくそうと、MITが開発したのが「Personalized Deep Learning」。セラピストに代わり子供
【クラスタリングの新トレンド？】DeepClusterとその発展の考察 - HELLO CYBERNETICS
はじめに クラスタリング 概要 K-means K-meansの改良 DeepClusterの基本的アイデア 考察と今後の展開 一提案 はじめに 私は普段、Twitterを大いに活用して情報収集をしております。今回の記事のタイトルにある「DeepCluster」はtwitterのTLで流れてきた以下のarxivで提案されたクラスタリング手法です。 [1807.05520] Deep Clustering for Unsupervised Learning of Visual Features 今回はこの手法の基本的な着眼点と、今後の発展について素人ながら考察してみます。 クラスタリング 概要 まずクラスタリングというものが、一体どんな問題設定であるのかをしっかりと認識しておきましょう。多次元のデータ$D = \{\mathbf x_1,...,\mathbf x_N \}$が手元にあるとし
Deep Reinforcement Learning: From Toys to Enteprise
Reinforcement learning is an increasingly popular machine learning technique that is particularly well suited for addressing problems within dynamic and adaptive environments. When paired with simulations, reinforcement learning is a powerful tool for training AI models that can help increase automation or optimize operational efficiency of sophisticated systems such as robotics, manufacturing, an
プログラムは音楽だ (A program is a music.)
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? この資料の背景 この資料は、子供にプログラミングを教えるのに、音が鳴る題材だとデバッグが容易であることとに基づいています。音楽活動をされているプログラマの方々、音楽活動をされている方々がプログラミングに取り組む際の意見交換に基づいています。 何人かは、プログラマに転身される過程におつきあいしています。 そんな方の紹介からまず。 https://www.youtube.com/watch?v=qOOymLivqhU https://www.youtube.com/watch?v=ZBo-gvFN2mI 公開算譜(open source)は
今話題のAIをweb上で誰でも気軽に作れる「AIメーカー」を作ってみた - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 今話題のAIをweb上で誰でも気軽に作れる「AIメーカー」を開発しました！ ①AIに覚えさせたいタグを入力 ②タグから自動で画像データを収集 ③AIがデータから学習 の３ステップで誰でも簡単にAIを作れます！ 動画では手相占いのAIに挑戦！ みんなもAIを作って遊んでみてね！https://t.co/66DFU7GRZ2 pic.twitter.com/ie1LmioyA1 — 2z＠AIメーカー (@2zn01) 2018年7月19日 こんにちは、2z（Twitter： @2zn01 ）です。 はじめてのQiita記事です。 今話題の
作って動かすALife
生命性をコンピュータ上でシミュレートすることにより、生命の本質に迫る「ALife（人工生命）」は、「AI（人工知能）」の発展系として、近年改めて注目されつつある分野です。本書は、セルラーオートマトンやボイドモデルなど、さまざまなALifeの理論モデルを、Pythonで書かれたサンプルコードで実装することで体感的に学ぶことができるユニークな書籍です。雑多な情報を整理して「最適化」する力に優れたAIと比較して、「新たな自然を作り出す」という特徴を持つALifeは、人間の多種多様な創造的行為を支援すると考えられ、その応用先は、デザイン、ゲーム、アート、建築など、創造性が必要となる領域全般に及びます。機械学習の技術も活用するALifeを学ぶことは、AIをすでに活用している読者にとっても、発想を拡げるきっかけになることでしょう。 関連ファイル サポートサイト 正誤表 ここで紹介する正誤表には、書籍発
分散深層学習を支える技術：AllReduceアルゴリズム - Preferred Networks Research & Development
本記事は、2017年インターンシップを経て現在はアルバイトとして勤務されている上野さんによる寄稿です 数式が正しく表示されない場合は、こちらのリンクから再読込をお試しください。 みなさんはじめまして。Preferred Networksの2017夏季インターンに参加し、現在アルバイトをしている上野裕一郎です。普段は東京工業大学でHigh-Performance Computingに関する研究を行っており、分散・並列計算に興味があります。 今回は、分散深層学習を行う際に使用されるAllReduceという通信パターンについて調査・実装・評価を行いましたので、それについてご説明いたします。 分散深層学習とは 現在、ディープニューラルネットワークを用いた学習には長い時間がかかることが知られています。そして、様々な種類のモデルや、大量のデータを組み合わせて学習を試すためには、学習にかかる時間を短縮す
2018年 PFN夏季インターンシップのコーディング課題公開 - Preferred Networks Research & Development
PFN 2018夏季インターンシップの選考で用いたコーディング課題を github 上で公開しました。 https://github.com/pfnet/intern-coding-tasks PFN の楠本です。PFN では毎年8,9月前後に2ヶ月間の長期インターンシップを行っています。コーディング課題はその選考で応募者のプログラミング能力や問題解決能力を見るために出題させて頂いているものです。PFN のインターンシップでは機械学習をはじめとする幅広い分野で応募を行っているため、今年は「機械学習・数理」「バックエンド」「フロントエンド」「プロセッサ/コンパイラ」「Chainer」の5種類のコーディング課題を用意し、応募者の希望するテーマに応じてこのうちのいずれかを解いていただく形にしていました。 今年は去年を大きく上回る数の応募を国内外双方からいただくことができました。それに伴い、インタ
ディープコア、AI特化型インキュベーション施設オープンへ--WeWorkとコラボ
AIに特化したインキューベーターであるディープコアは7月18日、インキュベーション施設「KERNEL HONGO」を8月に本格オープンすると発表した。シェアオフィスを手がけるWeWorkとのコラボレーション施設になる。 KERNEL HONGOは、AIテクノロジに特化したコミュニティ運営やAIスタートアップの支援をするインキュベーション施設。2018年5月からのプレオープンしている。 公募で選ばれたAI技術者や研究者、AI応用分野人材などが利用でき、初期メンバーは約80人。オフィスデザインはWeWorkが手がけ、24時間いつでも利用できるほか、チームでのコラボレーション作業、個人での集中作業のほか、イベント、ほかのメンバーと交流できるスペースを用意している。 施設内では、NVIDIAのサポートにより、AIコンピューティングリソースが利用できるほか、技術コンサルティング、Deep Learn
Transformable Convolutional Neural Network for Text Classification | IJCAI
Convolutional neural networks (CNNs) have shown their promising performance for natural language processing tasks, which extract n-grams as features to represent the input. However, n-gram based CNNs are inherently limited to fixed geometric structure and cannot proactively adapt to the transformations of features. In this paper, we propose two modules to provide CNNs with the flexibility for comp
Technologies behind Distributed Deep Learning: AllReduce - Preferred Networks Research & Development
This post is contributed by Mr. Yuichiro Ueno, who were a Summer intern in 2017 and a part time engineer at PFN. If the mathematical expressions are not displayed correctly, please reload the page via this link. Hello, I am Yuichiro Ueno. I participated in a summer internship program at PFN in 2017, and I currently work as a part-time engineer. I am an undergraduate student at Tokyo Institute of T
DeepLab v3+（意訳） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Googleによるセマンティックイメージセグメンテーションの最新版（2018/07時点）である「DeepLab v3+」の論文「Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation」を、なるべくわかりやすく意訳してみます。 一応、Googleの説明記事も参考にします。 ※Google翻訳をふんだんに使用しています セマンティックイメージセグメンテーションのためのAtrous畳み込み分解を有するエンコーダ-デコーダ Liang-C
深層強化学習のビジネス応用と、AIに自然言語を理解させる方法について - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ・深層強化学習をビジネスに役立てるにはどうすれば良いのか？ ・AIに自然言語を理解させるにはどうすれば良いのか？ について、考えてみたという内容です。 記事構成としては、 深層強化学習のビジネス応用について AIの知能獲得と言語獲得手法（妄想） 最新の深層強化学習を学べるおすすめ本3冊の紹介 となっています。 先日、拙著「つくりながら学ぶ! 深層強化学習 ~PyTorchによる実践プログラミング~」を発売させていただきました（18年6月28日）。 現在は、どのようにして深層強化学習をビジネスに役立てるのかを考えています。 そこで本記事で
最短で作るローカルのディープラーニングGPU環境 - Qiita
はじめに ディープラーニングの学習を実行するにはGPUはほぼ必須ですが、GPUを使用するにはNVIDIAドライバー、CUDAなど色々とインストールする必要があります。 この作業はバージョンの組み合わせやインストール方法で結構ハマることが多いようです。 ubuntu-drivers と NVIDIA Docker を使えばこれらを簡単にインストールできます。 環境 Ubuntu 18.04 LTS 日本語 Remix GeForce GTX 960 ディープラーニングでGPUを使用するのに必要なもの NVIDIAドライバー LinuxでNVIDIAグラフィックカードのGPUを認識させるのに必要 CUDA NVIDIAが開発・提供している、GPU向けの汎用並列コンピューティングプラットフォーム cuDNN NVIDIAが公開しているDeep Learning用のライブラリ CuPy Pytho
NVIDIAら、画像のノイズを取り除くDeep learningを用いた手法を発表
NVIDIAら、画像のノイズを取り除くDeep learningを用いた手法を発表 2018-07-11 NVIDIA、アールト大学、MIT CSAILの研究者らは、画像のノイズを取り除くDeep learningを用いた手法を発表しました。 論文：Noise2Noise: Learning Image Restoration without Clean Data 著者：Jaakko Lehtinen, Jacob Munkberg, Jon Hasselgren, Samuli Laine, Tero Karras, Miika Aittala, Timo Aila （左：修正後。右：修正前） NVIDIAの論文は、画像のノイズやアーティファクト、フィルムグレイン等を除去するDeep learningを用いた手法を提案しています。 既存の方法で用いられるノイズの多い画像とクリーンな画像の
GitHub - XiaoMi/mace: MACE is a deep learning inference framework optimized for mobile heterogeneous computing platforms.
Documentation | FAQ | Release Notes | Roadmap | MACE Model Zoo | Demo | Join Us | 中文 Mobile AI Compute Engine (or MACE for short) is a deep learning inference framework optimized for mobile heterogeneous computing on Android, iOS, Linux and Windows devices. The design focuses on the following targets: Performance Runtime is optimized with NEON, OpenCL and Hexagon, and Winograd algorithm is introdu
Deep Reinforcement Learning Online Course | Udacity
The Deep Reinforcement Learning Nanodegree has four courses: Introduction to Deep Reinforcement Learning, Value-Based Methods, Policy-Based Methods, and Multi-Agent RL. Students learn to implement classical solution methods, define Markov decision processes, policies, and value functions, and derive Bellman equations. They learn dynamic programming, Monte Carlo methods, temporal-difference methods
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
あのaiboでも使われているソニーのDeep Learning技術が無償で利用できる (1/3)：EnterpriseZine（エンタープライズジン）
GitHub - udacity/deep-reinforcement-learning: Repo for the Deep Reinforcement Learning Nanodegree program
Amazon.co.jp: 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ: Antonio Gulli (著), Sujit Pal (著), 大串正矢 (翻訳), 久保隆宏 (翻訳), 中山光樹 (翻訳): 本
