機械学習をやる上で必要な数学とは、どの分野のどのレベルの話なのか（数学が大の苦手な人間バージョン） - 渋谷駅前で働くデータサイエンティストのブログ
しばらく前にこんな記事が出ていたのをお見かけしました。 明らかにこれは僕が某所（笑）で適当に放言したことがきっかけで巻き起こった議論の一旦なのではないかと思うのですが、個人的にはこちらの@yohei_kikutaさんの仰る通りで大体良いのではないかと考えております。 なのですが、言い出しっぺらしき身としてはもうちょっと何か具体的な話を書いた方が良いのかな？とも思いましたので、常々公言しているように数学が大の苦手な身ながらどの分野のどのレベルの数学が機械学習をやっていく上で必要なのかという点について戯言だらけの駄文を書いてみることにします。 深層学習 (機械学習プロフェッショナルシリーズ) 作者: 岡谷貴之出版社/メーカー: 講談社発売日: 2015/04/08メディア: 単行本（ソフトカバー）この商品を含むブログ (13件) を見るちなみに、以下に並べる戯言は深層学習青本から得られた知識を
Webアプリケーションにおける機械学習活用の基礎──HTML5 Conference 2016セッションレポート
Webアプリケーションにおける機械学習活用の基礎──HTML5 Conference 2016セッションレポート 中井悦司（グーグル株式会社） みなさん、こんにちは。Google Cloud Solutions Architectの中井です。 HTML5 Conference 2016では、「Webアプリケーションにおける機械学習活用の基礎」と題して、機械学習の基礎となる仕組み、そして、機械学習を利用したクライアントアプリケーションの例を紹介させていただきました。今回は、この発表の内容を振り返りたいと思います。 機械学習とディープラーニング、そして、AIの関係 機械学習そのものは古くから利用されている技術であり、過去のデータを元にして、「（まだ見たことのない）未来のデータにもあてはまる一般的なルール」を発見することがその役割となります。つまり、はじめて見るデータに対して、何らかの予測を立て
フリーエンジニアのIT案件ならレバテックフリーランス
コンピュータに過去のデータを分析させ、未来のデータを予測させる機械学習。商品のレコメンドシステムや写真の顔検出など、身近なところに機械学習は広く活用されています。また、Microsoftの「Azure Machine Learning」、Amazonの「Amazon Machine Learning」、Googleの「Cloud Machine Learning」、といったクラウド機械学習サービスが公開されたことで、機械学習を専門としないエンジニアでも活用できるようになりました。 そこで今回は、「機械学習でどんなことができるか」をつかんでもらうために、機械学習にはどんな手法があるのかをざっくり把握できるスライドをまとめました。機械学習に興味をお持ちの方はぜひご参照ください。 機械学習の案件を提案してもらう
ファッションのコーディネートを自動生成してみた/FashionTech Talks Tokyo #1 LT
Outfit Generation and Style Extraction via Bidirectional LSTM and Autoencoder
今日からできる構造学習(主に構造化パーセプトロンについて)
2. 自己紹介 • id:syou6162 • ブックマークのエンジニア • 前職は自然言語処理や機械学習の研究 – 4年間ひたすらclojureを書いていた • アイコンは卓球のラケット – 8年くらいやっていました 3. 今日の目標 => 構造化パーセプトロン でできることを広げよう! • 機械学習のライブラリが充実。参入のハードル は低下 – ただし、それは解きたい問題が単純な場合が多い – ただの分類問題 • 単純な分類問題だけでは解けない問題も多い • 構造学習が扱えると、やれることがぐっと増える • 構造学習を簡単に扱える方法を紹介 • 簡単なサンプルも書いてみた(品詞タグ付け) – h8p://;nyurl.com/struct-perceptron
機械学習のためのPythonの基礎「NumPy」を学ぶ - learning.ikeay.net
機械学習といえば「Python」です。なぜPythonなのかというと、数値演算や機械学習に関するライブラリがたくさん揃っているからだそう。行列がとても扱いやすいNumPy、グラフ描画が簡単にできるmatplotlib、機械学習のscikit-learnなどなど… 機械学習ではこの３つのライブラリを大いに活用します。 まずは今回はscikit-learnを使った機械学習ではかなり重要になってくる「NumPy」を学びます。 私はPythonもはじめてなのでまずはPythonの概要を把握しつつ、「100 numpy exercises」というNumPyを基礎から学べる問題集を写経して学習したいと思います。 環境構築 まずは環境構築です。詳しくは下記のリンクに飛んで確認いただきたいのですが、Macの場合は、Pythonのバージョン管理システムである「pyenv」と、分析環境を構築するのに便利な「A
そのモデル、過学習してるの？未学習なの？と困ったら - once upon a time,
移転しました。 https://chezo.uno/post/2016-05-29-sonomoderu-guo-xue-xi-siteruno-wei-xue-xi-nano-tokun-tutara/
WebエンジニアがTensorFlowで機械学習に入門しながら顔識別アプリを作ってみた / 2016-05-20 Machine Learning Kotohajime
https://78b88514d287ef16c8a41cdbf4.doorkeeper.jp/events/43887
非エンジニアが『Google Prediction API』をスプレッドシートで使ってみた | Ledge.ai
近年、ビッグデータの活用にあたり人工知能の分野がアツいですねー。 与えられた検索ワードに対して適切な結果を返したり、ユーザーの行動履歴から年齢や性別などの属性を推測し、適切な広告を表示させたり、次のアクションを提案したり、様々なところで人工知能が活躍しています。 今回は御大Googleさんで使われている人工知能API 「Google Prediction API」をサクッと体験してみますね。 まず機械学習ってなんぞ？ Prediction とは“予測”を意味する英語で、「Google Prediction API」を使うと、機械学習による様々な予測を手軽に実現することができるんです。 じゃ、機械学習ってなんぞってことになりますが、機械学習とは、人工知能における研究分野の１つで、人間が自然に行っている学習能力と同様の機能をシステムで実現する技術になります。 例えば、スパムメールを判別するシ
scikit-learnで「機械学習」を始めよう！画像認識からSNS解析まで広がる活用術 | SELECK
今回のソリューション：【scikit-learn/サイキットラーン】 〜「機械学習」を手軽に始められるライブラリ「scikit-learn」の紹介。ディープラーニングや自然言語分析の解説も〜 「機械学習」という言葉を、さまざまな場所で目にするようになった。新しい事業での活用も多く見られるが、裏ではどのような仕組みで動いているのか、そして自社のサービスに組み込む場合は何から始めるべきなのか、といったことをつかむのは難しい。 その機械学習を用いて、ユーザーに最適な情報を届けるキュレーションニュースアプリ「カメリオ」を運営する白ヤギコーポレーション。 同社は、その開発にPythonを用い、実験フェーズの検証を効率化するために、機械学習ライブラリscikit-learnを使用している。同ライブラリを使うと、誰でも簡単に機械学習を体験できるという。 カメリオの開発を担当する谷田 和章さんに、どのよう
DQNの生い立ち ＋ Deep Q-NetworkをChainerで書いた - Qiita
はじめに そもそもDQNが作りたかったわけじゃなくて、他の目的でChainerを使いたかったのでその練習にDQNを書いたんですが、せっかくだし公開しようと思いました 公開しました 。またどうせ公開するなら、この機会にこれ（Q学習+関数近似）関連で持っている知識をついでに整理しようと思ってまとめました。 ニュース記事とかNatureとかNIPSの論文だけ読むと、DQN作ったDeepmind/Googleすげー！！！って感覚になりそうですが、強化学習的な歴史的経緯を考えると強化学習+深層学習になった、むしろかなり当然の成り行きで生まれた技術であることがわかります。（ATARIのゲームを人間以上のパフォーマンスでプレイするというのがビジュアル的にわかりやすかった$\leftrightarrow$問題設定が良かったというのもあります。） この記事ではNIPSとNatureの以下の２本の論文 ・ V
HOG特徴量とSVMを使った自動車の検出 - くーろんログ
あけましておめでとうございます。 去年の10月に研究室に配属されてからあれよあれよという間に年を越してしまいました。 課題研究の関係で論文を色々漁ったのと去年の夏のインターンシップで一般物体認識をやったのでここらで一旦まとめる為にエントリを残しておきます。本エントリは初心者の方が対象であるのと、私自身まだ機械学習を始めてから日が浅いので間違いや危ない表現も多いかと思います。 今回は自動車の検出をやろうと思います。巷ではDeepLearningが流行ってますがそんなことは気にせず、少し古い手法ですがHOG+SVMでやっていきます。 HOG特徴量 (Histograms of Oriented Gradients) HOG特徴量とは局所領域内の勾配方向ごとの勾配強度を計算し、ヒストグラムで表したものです。すごく簡単に言うと画像中の輝度の変化の境界線を取り出す事が出来るというものです。*1 上の
現実世界での機械学習によるアノマリ検知システムの構築と回避 by Clarence Chio - CODE BLUE 2015
現実世界での機械学習によるアノマリ検知システムの構築と回避 by Clarence Chio - CODE BLUE 2015 過去10年間で、機械学習(Machine Learning: ML)ベースのネットワーク侵入検知技術はWebセキュリティ業界において注目に値する勢いを獲得しました。一部の侵入検知システム(Intrusion Detection System: IDS)はこの技術を利用して侵入を検出し、ネットワークサービスに影響を与えさせることなく弾くことに成功しています。MLベースのIDSについて簡単に説明すると、IDSはまずWebのアクセスログを入力として正常なトラフィックのモデルを構築します。そして、オンライン処理システムにより正しいトラフィックの情報と不正なトラフィックの情報をモデルに学習させていきます。IDSはモデルと比較してある閾値以上離れたトラフィックを不正なものと
クラウド上の機械学習サービスを実案件に採用するときの経験談 - Hack & Sports
マイクロソフトでエバンジェリストをしている大田です。 この記事では、クラウド上で提供されている機械学習サービスを実案件に採用するときの経験談をまとめます。 自分のプロジェクトで活用する際の参考情報になれば幸いです。 //主観的な内容も含まれているかもしれませんが、ご容赦ください。また、技術的な詳細よりもわかりやすさを優先するため、「機械学習サービス」と統一した呼び方にします。 サービスの種類/適用範囲 最近様々なベンダーが提供している機械学習サービスを自社プロダクトに取り入れる場合、大きく分けて以下3つの方針があげられます。 API サービスの活用 (SaaS) Tool の活用 (PaaS) 独自作りこみ/外注 (IaaS) API サービスの活用 (SaaS) これから導入する人もいると思うので、「そもそも API サービスとは何でしょうか？ 」というところから始めていきます。 API
Deep Learningと画像認識� �～歴史・理論・実践～
Several recent papers have explored self-supervised learning methods for vision transformers (ViT). Key approaches include: 1. Masked prediction tasks that predict masked patches of the input image. 2. Contrastive learning using techniques like MoCo to learn representations by contrasting augmented views of the same image. 3. Self-distillation methods like DINO that distill a teacher ViT into a st
深層学習フレームワークChainerの特徴
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う． Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 http
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
オタク機械学習勉強会 #1 - 資料一覧 - connpass
Microsoft Azure Machine Learning 日本語版アルゴリズムチートシートを公開しました（非公式） - 吉田の備忘録
cognitive
Amazon ML（あるいは他社のサービス）の簡単なデモレベルはやったことあるけど、それっきりってエンジニアに聞いてほしいですね
