人工知能にTwitterを運用させてチューリングテストしてみた きっかけは、以下の動画がめちゃくちゃ面白かったので、自分でやったらどうなるか実験してみたかったからです。いわゆるパクリです。 ちなみにチューリングテストというのは、その対象に知能があるかどうかを判定するためのテストで、本来はディスプレイとキーボードを介して人とテスト対象(人工知能)が会話するのですが、今回はその簡易版ということで、ツイートをこっそり人工知能と入れ替えて、フォロワーさんがそれに気づくかで判断することとしました(上記動画と同じ要領です)。 動画では、具体的な技術的説明は無かったのですが、昔、マルコフ連鎖を使って似たようなことをしていたので、今回はそれを応用することにしました。詳しくは以下記事参照下さい。 上記記事では、ブログの文章を学習(モデル化)して文章生成していますが、今回は、自分の過去のツイートの内容全てを学
はじめに 目標の設定と指標の決定 目標の設定 指標の決定 評価指標に対する最低限の知識 機械学習における知識(補足) ニューラルネットワークの学習 最初に使うニューラルネットワーク 時間的にも空間的にも独立である複数の特徴量を持つデータ 空間の局所的な構造に意味のある多次元配列データ(例えば画像) 時間的な変動に意味のあるデータ(例えば音声、自然言語) ニューラルネットワークの細かい設定 ユニットの数と層の数 正則化 活性化関数 ドロップアウト バッチ正規化 学習の早期終了 性能が出ない場合 データの追加収集 ニューラルネットの設定をいじる 用いるニューラルネット自体を変更する 新たなニューラルネットワークの考案 コードを書くにあたって データ成形 結果を記録するコード フレームワークの利用 フレームワークの選択 ChainerとPyTorch TensorFlow Keras 最後に は
前回の初級編では、 ・ディープラーニングが現在の人工知能ブームの火付け役になったこと。 ・従来の学習方法に比べ、自らデータの特徴をつかむことができること。 ・スペックの進化やネット上の膨大なデータが実現の背景にあること。 をイメージしていただけたと思います。 まだの方はこちらから→ マンガでわかる!AIブームを巻き起こした「ディープラーニング」とは?(初級編) でも、実際どんな処理が行われているのでしょうか?一度でもディープラーニングの解説を見たことがある方ならお分かりの通り、なかなか難解なのですが、今回もだいぶざっくりと分かりやすさ重視でディープラーニングの学習法を漫画で表してみました。また、実際に企業がマーケティングやサービスに活用する際のポイントと思われる点も後半でまとめます。
概要 畳み込みニューラルネットワークによる画像生成モデル(DCGAN)に弊社のワンピース画像10万枚を学習させました。 得られた生成モデルを使って、乱数で作った100次元ベクトルからワンピース画像を生成しました。 逆に、一枚のワンピース画像を100次元ベクトルに圧縮し、可視化しました。 可視化したことで、モデルがワンピースの【色】【形】【柄】【モデルやマネキンの有無】など、基本的な特徴を捉えられていることがわかります。 この技術は、自動タグ付けや類似画像検索に応用することができます。 はじめに はじめまして。データサイエンスチームの後藤と申します。現在、アイテム画像のカテゴリ判定モデルを作ったり、各部門のKPIの日々の変動やシステムの異常を知らせるダッシュボードを作る仕事をしています。 また、最新の研究論文にもアンテナを張り、提案手法の検証にも取り組んでいます。今回は、去年の暮れあたりから
この連載は カップめんを待つ間に、電車の待ち時間に、歯磨きしている間に“いまさら聞けない”ITトレンドが分かっちゃう! 今さら聞けないITの最新トレンドやビジネス戦略を、体系的に整理して分かりやすく解説する連載です。「この用語、案外、分かっているようで分かっていないかも」「IT用語を現場の社員にもっと分かりやすく説明できるようになりたい」――。情シスの皆さんのこんな課題を解決します。 人工知能を支える中核的な技術に「機械学習」があります。機械学習とは、大量の学習データを機械に読み込ませ、分類や判断と言った推論のためのルールを機械に作らせようという仕組みです。そのプロセスは、大きく「学習」と「推論」の2つに分けることができます。 学習 大量の学習データから特徴を抽出し、推論を行うための「ひな型」となる「推論モデル」を生成するプロセスです。 学習を行うには、入力された学習データにどのような特徴
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
処理を実行中です
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