【Day-23】機械学習で使う"距離"や"空間"をまとめてみた - プロクラシスト
データ分析ガチ勉強アドベントカレンダー 23日目。 ここまでデータをどういう風に処理したり、どういうタスクをこなしていくかについて勉強してきたが、 一度基礎的な事項に戻ってみたいと思う。基礎だから簡単というわけではない。基礎だからこそ難しく、また本質的な内容。 データ分析で使われている手法などをまとめて集約して、簡単な説明を付け加えていく。 しかし、このあたりの数学*1は苦手なので、なるべく直感的に自分のイメージを書いていく。 われわれが生きている空間や、距離は"正しい"のか ユークリッド空間/ユークリッド距離 点の距離 分布の距離 wasserstein計量 カーネル(再生核ヒルベルト空間) Topological Data Analysis(TDA) 次元削減/Embedding PCA(principal component analysis) t-SNE(t-Distributed
TensorFlow-Serving: Flexible, High-Performance ML Serving
We describe TensorFlow-Serving, a system to serve machine learning models inside Google which is also available in the cloud and via open-source. It is extremely flexible in terms of the types of ML platforms it supports, and ways to integrate with systems that convey new models and updated versions from training to serving. At the same time, the core code paths around model lookup and inference h
Adversarial Examples: Attacks and Defenses for Deep Learning
With rapid progress and significant successes in a wide spectrum of applications, deep learning is being applied in many safety-critical environments. However, deep neural networks have been recently found vulnerable to well-designed input samples, called adversarial examples. Adversarial examples are imperceptible to human but can easily fool deep neural networks in the testing/deploying stage. T
Matching Networks for One Shot Learning
Learning from a few examples remains a key challenge in machine learning. Despite recent advances in important domains such as vision and language, the standard supervised deep learning paradigm does not offer a satisfactory solution for learning new concepts rapidly from little data. In this work, we employ ideas from metric learning based on deep neural features and from recent advances that aug
MegaDepth: Learning Single-View Depth Prediction from Internet Photos
MegaDepth: Learning Single-View Depth Prediction from Internet Photos We use large Internet image collections, combined with 3D reconstruction and semantic labeling methods, to generate large amounts of training data for single-view depth prediction. (a), (b), (e): Example input RGB images. (c), (d), (f): Depth maps predicted by our MegaDepth-trained CNN (blue=near, red=far). For these results, th
シリコンバレーの光と影、アップルの「ブラック社屋」で働く従業員
カリフォルニア州クパティーノ。ドーナツ型の先鋭的な設計で知られるアップル本部社屋は、４階建てのカフェや広大なフィットネスセンターを備え、社員を大切にする社風の象徴だ。一方、ここから約10キロメートル離れたサニーベールのハマーウッド・アベニューでは、同じアップルでも契約社員が働く無味乾燥な社屋が別の社風を象徴している。 アップル・マップ事業の契約社員が働くハマーウッド社屋は、アップル内で「ブラック・サイト（社屋）」と呼ばれていると、複数の従業員が明らかにした。元社員らによれば、自動販売機は補充されていないのが日常で、男子トイレの入り口には列ができる。 ほとんどが１年から１年３カ月の契約雇用で、契約終了前に辞める従業員は少なくない。アップル・マップ事業の契約職員を雇用するエイペックス・システムズでは、雇用の安定はない。「いつでも解雇できる職だということは極めて明白だった」と語る元従業員は、イン
【UE4】Editor Utility Widgetsで監視カメラを作る 【★☆～★★☆】 | キンアジのブログ
※この記事で使用しているUnrealのVersionは4.22.0Preview1です ※エディターの言語は英語バージョンで紹介させていただいています。 ※今回はプロジェクトのテンプレート「Third Person」を使用しています。 ※この記事のサンプルプロジェクトは以下URLにアップされています サンプルプロジェクト Editor Utility Widgetsお手軽拡張 レベル【★☆】 UE4.22が公開されたので、個人的にうれしいアップデート機能「Editor Utility Widgets」を超簡単にですがご紹介したいと思います。 「Editor Utility Blueprints(Blutility)」というエディター拡張機能は、以前から存在しましたがこの「Editor Utility Widgets」は自作のウィンドウを生成できる素晴らしい機能です。 Blutilityはエ
UE4 取り急ぎリアルタイム レイトレーシングする方法について - Let's Enjoy Unreal Engine
UE4.22 Preview 1が公開されました。 アップデート概要については公式フォーラム上で公開されています。 forums.unrealengine.com 今回はかなり多彩なアップデートとなり、非常に重要な機能が沢山追加されています！ しかし、今回最も大きい要素としてはやはり、「リアルタイム レイトレーシング」でしょう。 まだ公式にも使い方は解説されていないので、取り急ぎ使い方を簡単に解説します。 これを見ればとりあえず使うことができます。 必要な環境を確認 レイトレーシングを利用するためには、ハード周りやWindows OSの最新版が必要だったりとなかなかハードルが高いです。これらが揃っていない場合、現状ではUE4でレイトレーシングを実行することは出来ませんので、環境が集まってから再挑戦してください。 1.Windows 10 October 2018 Update(Build
採用できる採用管理システム「HRMOS(ハーモス)採用」
※2021年8月 株式会社シード・プランニング 「採用管理システムの利用実態調査」※利用したことがある採用管理システムの満足している項目を回答する質問で、「総合的に満足している」を選択した割合を算出
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
Creating Landscapes with Blender 2.8 - YouTube
IBUKI SUIKA - 3D model by kazukisakamoto
https://dl.acm.org/citation.cfm?id=2689060
NNVM Compiler: Open Compiler for AI Frameworks
MegaDepth: Learning Single-View Depth Prediction from Internet Photos
PiCANet: Learning Pixel-wise Contextual Attention for Saliency Detection
Detect-and-Track: Efficient Pose Estimation in Videos
Real-Time Seamless Single Shot 6D Object Pose Prediction
6 Tech Leaders on What They Fear the Most