Graham Neubig - チュートリアル資料
学校での講義 Fall 2024: Advanced NLP (CS11-711 @ CMU) Fall 2022: Advanced NLP (CS11-711 @ CMU) Spring 2022: Multilingual NLP (CS11-737 @ CMU) Fall 2021: Advanced NLP (CS11-711 @ CMU) Spring 2021: Neural Networks for NLP (CS11-747 @ CMU) Fall 2020: Multilingual NLP (CS11-737 @ CMU) Spring 2020: Neural Networks for NLP (CS11-747 @ CMU) Fall 2019: Machine Translation and Sequence-to-sequence Models (CS11-7
今すぐ利用可能: AWS で使用する Machine Learning や人工知能について学べる新しいデジタルトレーニング | Amazon Web Services
Amazon Web Services ブログ 今すぐ利用可能: AWS で使用する Machine Learning や人工知能について学べる新しいデジタルトレーニング ※本リンク先には英語トレーニングも含まれています。日本語版ができた時点で改めてご案内をさせていただきます。 先日、AWS トレーニングと認定で無料のトレーニングコースをリリースしました。このコースはクラウドのスキルを磨いたり Machine Learning (ML) や人工知能 (AI) を学びやすくするために提供しています。これには「ディープラーニングの概要 (Introduction to Deep Learning)」や「Amazon SageMaker の概要 (Introduction to Amazon SageMaker)」といった新しいコースが含まれています。 AWS エキスパートが構築した aws.t
ビッグデータのクラスタリングがパソコンで可能に－少ないメモリー容量でも高速に処理できる手法を開発 - 国立情報学研究所 / National Institute of Informatics
大学共同利用機関法人 情報・システム研究機構 国立情報学研究所（NII）コンテンツ科学研究系特任研究員 松井 勇佑（まつい・ゆうすけ）、株式会社ドワンゴ メディアヴィレッジ研究開発グループ グループリーダー 大垣 慶介（おおがき・けいすけ）、国立大学法人 東京大学 大学院情報理工学系研究科 電子情報学専攻 教授 相澤 清晴（あいざわ・きよはる）、同 准教授 山崎 俊彦（やまさき・としひこ）の研究グループは、データ処理の基本操作であるクラスタリングを、10億個程度のビッグデータに対して、高速で、かつ、少ないメモリー容量で実行できる実用性の高い手法を開発しました。これにより、例えばソーシャルメディアの膨大な画像データを一般的なパソコンでも手軽に処理することが可能となります。一般の技術者や研究者にもビッグデータの扱いが容易になるため、深層学習を応用した人工知能（AI）の開発をはじめとする広い分野
A3RT
Named Entity API Named Entity APIは、固有表現抽出を行うプロダクトです。 Conditional Random Fields(CRF)とRecurrent Neural Network(Bidirectional LSTM)の技術を組み合せて応用することで、辞書ベースではなく固有名詞・数値などの品詞を識別する機能を提供します。 Text Summarization API Text Summarization APIは、文章要約を行うAPIです。 このモデルでは、入力された文章の意味を読み取り、意味が遠い文章を自動で判断・抽出し、要約結果として出力することができます。 Image Generate API Image Generate APIは、Deep Convolutional Generative Adversarial Networks(DCGAN)
Coursera Machine Learning スライドまとめ - Qiita
はじめに CourseraのMachineLearningの復習用にと探したら、スライドのまとめがありましたので、まとめました。 スライド一覧 スライド1：Introduction Welcome スライド2：Linear regression with one variable /Model representation/Cost function/Gradient Descent スライド3:Linear Algebra review (optional) スライド4:Linear Regression with multiple variables/Multiple features/Feature Scaling/Features and polynomial regression/normal equation スライド5:Octave Tutorial スライド6:Logist
Coursera Machine Learning 総復習用メモ - Qiita
はじめに もうすぐCoursera Machine Learningコースを終えることができそうです。 week11 のラストで、この動画で学んだことの一覧が映されてました。 Supervised Learning Linear regression Hypothesis Parameter Cost GradientDecent logistic regression neural networks SVMs Unsupervised Learning K-means,PCA,Anomaly detection Special application/special topics Recommender systems large scale machine learning Advice on building a machine learning system Bias/Varian
Coursera Machine Learning 第7章まとめ - Qiita
J(\theta)=C\sum_{i=1}^{m}y^{(i)} cost_1 (\theta^T x^{(i)} )+(1-y^{(i)} )cost_0 (\theta^T x^{(i)} )+\frac{1}{2}\sum_{j-1}^{n}\Theta_{j}^{2} このコスト関数を最小化する$\theta$を用いて、仮説関数$h_\theta (x)$が正負を判断する。 ロジスティック回帰のコスト関数は以下の通りなので、違う点はいくつかある。 J(\theta)=\frac{1}{m}\sum_{i=1}^{m}y^{(i)}(- \log (h_{\theta}x^{(i)} ))+(1-y^{(i)} )(- \log (1-h_{\theta}(x^{(i)})))+\frac{\lambda}{2m}\sum_{j-1}^{n}\Theta_{j}^{2} ・$cost
Statistical Semantic入門 ~分布仮説からword2vecまで~
1. The document discusses various statistical and neural network-based models for representing words and modeling semantics, including LSI, PLSI, LDA, word2vec, and neural network language models. 2. These models represent words based on their distributional properties and contexts using techniques like matrix factorization, probabilistic modeling, and neural networks to learn vector representatio
Machine Learningのカレンダー | Advent Calendar 2013 - Qiita
今年もやりましょうか。 Machine Learning Advent Calendar 2013とは パターン認識・機械学習・自然言語処理・データマイニング等、データサイエンスに関するアドベント・カレンダーです。 参加方法 とりあえず参加登録をポチる 自分の担当の日に機械学習に関するちょっとした記事を書く みんなで読む 記事内容は、パターン認識・機械学習・自然言語処理・データマイニング等、データサイエンスに関する事でしたら何でもOKです。テーマに沿っていれば分量は問いません。 （PRMLの読んだ箇所のまとめ、実装してみた、論文紹介、数式展開、etc.） 皆さんのご参加をお待ちしております。 Qiitaで数式を書く方法 「母国語が数式なのだけれどQiitaで数式は書けるのか」という心配からAdvent Calendarへの参加を躊躇されている皆さんのために、はてな風TeX記法をQiita上
1
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
ニューラルネット勉強会（LSTM編）