ディープラーニング技術を企業向けに提供するLeapMindが総額約3億4000万円を資金調達 - BRIDGE（ブリッジ）
ディープラーニング技術を活用した企業向けのソリューションを提供するLeapMindが、伊藤忠テクノロジーベンチャーズ、 Visionnaire Ventures Fund、 アーキタイプベンチャーズを引受先とした総額約3億4000万円の第三者割当増資を実施した。 LeapMindは、ディープラーニング技術を活用したシステムソリューション提供、大手企業や大学との共同研究・開発を行ってきた。 同社は、計算やネットワークの圧縮、最適化など小さいコンピューティング環境でも稼働する技術を保有。硬貨サイズのCPU環境でもディープラーニング環境を動かすほどコンパクト化することで、IoTやロボットへの技術適用を可能にすることを目指している。 LeapMindは、「Black Star」と呼ばれる外付けの超小型Deep Learning計算機を開発。現在開発中のプラットフォーム「Juiz Platform」
Google Brain Robotics Data
Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning and Large-Scale Data Collection Sergey Levine, Peter Pastor, Alex Krizhevsky, Deirdre Quillen ISER, 2016. [blog post] [arXiv] [PDF] Unsupervised Learning for Physical Interaction through Video Prediction Chelsea Finn, Ian Goodfellow, Sergey Levine NIPS, 2016. [arXiv] [PDF] Video Prediction with Neural Advection (github tensorfl
Visualizing and understanding convolutional networks. - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? About Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. In Computer Vision–ECCV 2014 (pp. 818-833). Springer International Publishing. Abstract Deep Learningといえば Krizhevsky で、画像クラス分類において素晴らしい結果を出した ただ、なぜDeep Learningがうまくいくのか、どう改善して
講義まとめ：自然言語処理のための深層学習（CS224d） - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? CS224d(自然言語処理のための深層学習)はスタンフォード大のRichard Socherが2015年から教えている講義で、動画やスライドなどの講義資料と演習問題がウェブ上で無料で公開されています。 [CS224d: Deep Learning for Natural Language Processing] (http://cs224d.stanford.edu/) 会社の勉強会で週1回半年程度かけて講義動画と演習を終えたため、勉強したことを簡単にまとめてみたいと思います。 なぜ今なのか？ 深層学習（Deep Learning）は2
Convolutional Neural Networkを使ったもう1つのスタイル変換手法 - Qiita
画像提供元: コンテンツ画像: 写真画像ぱくたそ 油彩のスタイル画像: chainer-goghのリポジトリ ペン画のスタイル画像: Alice-in-wonderland.net 概要 MRFを使ったスタイル変換では以下のような画像を生成します。 内容がコンテンツ画像に近い 局所的なスタイルが、スタイル画像の局所的にスタイルに近い Neural-styleが画像全体のスタイルをスタイル画像に近づけるのに対し、MRFでは局所的なスタイルをスタイル画像に近づけるという違いがあります。 既存の実装 Torch実装: https://github.com/chuanli11/CNNMRF アルゴリズム タイトルに"Markov Random Field (MRF, マルコフ確率場)"が入っていますが、MRFはアルゴリズムの肝ではないので説明は割愛させていただきます。 入力と出力 コンテンツ画像と
Grokking Deep Learning - Andrew W. Trask
pro $24.99 per month access to all Manning books, MEAPs, liveVideos, liveProjects, and audiobooks! choose one free eBook per month to keep exclusive 50% discount on all purchases renews monthly, pause or cancel renewal anytime lite $19.99 per month access to all Manning books, including MEAPs! team 5, 10 or 20 seats+ for your team - learn more
Rachel Thomas on Twitter: "15 min rule: when stuck, you HAVE to try on your own for 15 min; after 15 min, you HAVE to ask for help.- Brain AMA https://t.co/MS7FnjXoGH"
15 min rule: when stuck, you HAVE to try on your own for 15 min; after 15 min, you HAVE to ask for help.- Brain AMA https://t.co/MS7FnjXoGH
Time Series Prediction with Deep Learning in Keras - MachineLearningMastery.com
Time Series prediction is a difficult problem both to frame and address with machine learning. In this post, you will discover how to develop neural network models for time series prediction in Python using the Keras deep learning library. After reading this post, you will know: About the airline passengers univariate time series prediction problem How to phrase time series prediction as a regress
人工知能をビジネス活用する際の“覚悟と努力”とは？
国内の”知の最前線”から、変革の先の起こり得る未来を伝えるアスキーエキスパート。KDDI研究所の帆足啓一郎氏による人工知能についての最新動向をお届けします。 人工知能の技術の発展に関する華やかな話題が連日メディアを賑わしている。また、実際に「人工知能」の活用をうたうサービスを提供する大小さまざまな企業が登場している。この流れを受け、自社のビジネスにも人工知能が活用できるのではないか？と、考えている読者も多いだろう。確かに、人工知能はうまく利用すればあらゆる事業の助けになりえる技術である。しかし、有効活用するためには気をつけなければならないポイントも多い。そこで今回は、技術としての人工知能をきちんと活用するために、ユーザである人間にとって必要な心がけについて紹介したい。 深層学習というブレークスルー 人工知能に興味を持っている読者であれば、どこかで以下の動画を見たことがあるかもしれない。 P
Deep Learning学習処理の高速化技術を開発 : 富士通
English PRESS RELEASE （技術） 2016年8月9日 株式会社富士通研究所 Deep Learning学習処理の高速化技術を開発 「AlexNet」においてGPU1台と比較し64台の並列化で27倍となるなど、世界最高速度を実現 株式会社富士通研究所（注1）（以下、富士通研究所）は、スーパーコンピュータのソフトウェア並列化技術を応用し、複数のGPUを使ってDeep Learningの学習速度を高速化するソフトウェア技術を開発しました。 従来、Deep Learningの高速化手法において、GPUを搭載した複数のコンピュータをネットワークで結合した並列化では、10数台を超えるとコンピュータ間のデータ共有時間が増加するため、次第に並列化の効果が得られにくくなることが課題でした。今回、このデータ共有を効率よく行う並列化技術を新規に開発し、世界で広く利用されているオープンソースソ
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
FPGA Based Deep Learning Accelerators Take on ASICs
株式会社リクルート
Grokking Deep Learning - i am trask
Generating Sequences With Recurrent Neural Network
ディープラーニング・深層学習を勉強する人におすすめの本など紹介 - Qiita
GitHub - daviddao/awesome-very-deep-learning: ♾A curated list of papers and code about very deep neural networks
TechCrunch | Startup and Technology News
GitHub - tiny-dnn/tiny-dnn: header only, dependency-free deep learning framework in C++14
Amazon.co.jp: 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: 斎藤康毅: 本
Deep Learning のための Multi Layer Perceptron (数学的基礎から学ぶ Deep Learning with Python; MPS Yokohama Deep Learning Series) - Qiita
