画像認識の定番データセットImageNetはもう終わりか - Qiita
オミータです。ツイッターで人工知能のことや他媒体で書いている記事など を紹介していますので、人工知能のことをもっと知りたい方などは気軽に@omiita_atiimoをフォローしてください！ 2012年にAlexNet[Krizhevsky, A.(2012)]が登場してから、画像認識分野での発展は著しい。その発展を支えてきたものこそ大規模データセットImageNet[Deng, J.(2009)]である。ImageNetでSoTAを達成すると、そのモデルには最強モデルの称号が与えられると言っても過言ではない。2020年6月にGoogle Brainによって出されたこの論文は、そんな当たり前に使われてきたImageNetデータセットに対して疑問符を叩きつけるものとなっている。現存のImageNetでの性能評価が必ずしも正しいのだろうか。この論文を通してその答えを探しにいく。 本論文で使われて
強化学習 - 星の本棚
機械学習の一種である強化学習について勉強したことをまとめたノート（忘備録）です。 尚、ここで取り上げている各種強化学習手法の一部の手法の実装コードは、以下のレポジトリに保管してあります。 github.com 目次 [Contents] 強化学習のモデル化 エージェントと環境の相互作用 環境のマルコフ性 エピソード的タスクと連続タスク マルコフ決定過程（MDP） 価値関数 状態価値関数 行動価値関数 状態価値関数と行動価値関数の関係 ベルマン方程式 ベルマン最適方程式とグリーディーな選択 代表的な古典的強化学習手法の比較 強化学習における動的計画法（DP法） 反復法による近似解 方策評価 反復方策評価 方策改善 方策改善定理 方策改善定理とグリーディー方策 方策改善のアルゴリズム 方策反復法 [policy iteration] 価値反復法 [value iteration] 一般化方策反
Papers with Code - Browse the State-of-the-Art in Machine Learning
Browse State-of-the-Art 10,955 benchmarks 4,908 tasks 131,075 papers with code
Google Colaboratory を用いた機械学習・深層学習の入門教材を無料公開（健康・医療向けデータを用いた実践編も含む）
.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #DevFest23 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads
機械学習・人工知能分野の現状と今後（NIPS2018参加ログ） - Qiita
はじめに NIPS2018に参加して，昨日，日本へ帰国しました．5日間にわたり本当に沢山の方々の話を聞くことができ，とても有意義な時間を過ごしました．多くの講演や議論の中で，機械学習・人工知能分野には，2018年現在において，以下の3つの大きな流れがあるように感じました． (1) 現状の機械学習パラダイムの不備を認識し，対策しようとする流れ (2) アルゴリズムレベル，ツールレベルの漸進的改善を進める流れ (3) 機械学習と神経科学の相互リンクを生み出そうとする流れ 記憶が新鮮なうちに，これら3つの潮流についてまとめておきます．NIPSの公式サイトには，招待講演を含め，多くの論文やスライドが公開されているので，気になる方はそっちも確認してみてください！ https://nips.cc/Conferences/2018/Schedule 総論 機械学習・人工知能分野は，ここ数年のうちに驚異的
Teaching - CS 229
My twin brother Afshine and I created this set of illustrated Machine Learning cheatsheets covering the content of the CS 229 class, which I TA-ed in Fall 2018 at Stanford. They can (hopefully!) be useful to all future students of this course as well as to anyone else interested in Machine Learning. Cheatsheet • Loss function, gradient descent, likelihood • Linear models, Support Vector Machines,
TensorFlow Probabilityでガウシアンプロセス回帰の最尤推定を実行してみる - HELLO CYBERNETICS
はじめに ガウシアンプロセスで最低限知ってほしいこと 線形回帰 ガウシアンプロセス回帰 ガウシアンプロセス回帰のまとめ ガウシアンプロセス回帰の推定 まとめ １．ガウシアンプロセスのモデル ２．推定するべきガウシアンプロセスのパラメータ ３．カーネル関数でガウシアンプロセスのパラメータを書き換える ４．推定すべきパラメータをすり替える 補足 TensorFlow Probabilityで実践 必要なライブラリのインポート でたらめなガウシアンプロセス回帰 データの準備 パラメータをフィッティングしていないガウシアンプロセス回帰のサンプリング 学習したガウシアンプロセス回帰 データ点準備 ガウシアンプロセスのモデル構築 損失関数の設定 ガウシアンプロセス回帰のサンプラー いざ学習！ 更に進むために はじめに TensorFlow Probabilityには様々な確率分布が実装されています。
オーバーフィッティングと正則化 - Qiita
本記事では、こちらのサイト を参考にオーバーフィッティング（Overfitting）と、それを克服する正則化（Regularization）について解説します。 オーバーフィッティングとは 一般的にトレーニングセットにはノイズが含まれます。学習時にノイズの影響を受けることで、トレーニングセットには適合できるが、未知データには適合できなくなることをオーバーフィッティング・過適合といいます。（トレーニングセットにも適合しないことをアンダーフィッティング・高バイアスと言います。） 対策の例 出力に有効でない変数を減らす。（例えば、他の変数の関数になっているもの） 正則化 正則化とは、コスト関数に罰則を加えた新しいコスト関数を用いることで、モデルの複雑さを緩和しようとするための手法です。決めるべきパラメータが $\theta = \left(\theta_0, \theta_1, \ldots ,
過学習とL2正則化 - Qiita
過学習とは、モデルが学習データにのみフィットしており、未知のデータの予測精度が低くなること。一般にモデルを複雑にするほど過学習は起きやすい。 未知のデータを予測する能力を「汎化能力」と言い、未知のデータを予測した際の誤りを「汎化誤差」と言う。 １．１．未知のデータを作る。 まず、未知のデータを作って過学習を実際に見てみる。 import numpy as np import math import matplotlib.pyplot as plt np.random.seed(seed=32) # create samples sample_size = 50 test_size = 20 noise_size = 0.2 dataX = np.linspace(0.0, 5.0, num=1000).reshape((1000, 1)) # create train data x = n
NNが心理学と生理学から離れていった瞬間：Back propagationに関するNature論文(1986)の意義を考える - 渋谷駅前で働くデータサイエンティストのブログ
(Fig. 1 from Rumelhart, Hinton & Williams, Nature, 1986) これはちょっとした小ネタです。僕自身はニューラルネットワーク (Neural Network, NN)の学術的専門家でもなければ況してやNNの研究史家でもないので、たかだか僕自身がかつて脳の研究者だった頃に把握していた事由に基づいて、極めていい加減な私見を書いているに過ぎないことを予めお断りしておきます。よって、この辺の事情に詳しい方いらっしゃいましたら、後学のためにも是非ご遠慮なくツッコミを入れて下さると有難いですm(_ _)m 先日のことですが、@tmaeharaさんがこんなことを呟いておられました。 オリジナル論文 https://t.co/kXfu8jIat3 これです．本当にただチェインルールで微分して勾配法しているだけにしか見えない……．— ™ (@tmaehara
代表的な機械学習手法一覧 - Qiita
概要 本ページは、代表的な機械学習の手法の特性について独自に簡単にまとめたページです。 （ご意見、ご指摘等あったらご連絡ください。） 世の中のスタンダードなものとして下記もあるので、それを踏まえてご参照いただければと思います。 - ScikitLearn Choosing the right estimator - Microsoft Azure Machine Learning Studio の機械学習アルゴリズム チート シート - 朱鷺の杜Wiki 機械学習 教師データあり 回帰 (一般化)線形回帰 ロジスティック回帰 サポートベクターマシーン(SVM) 木 決定木（CART) 回帰木 ランダムフォレスト 勾配ブースティング木 ニューラルネットワーク(NN) パーセプトロン 畳み込みニューラルネットワーク(CNN) 再起型ニューラルネットワーク(RNN) 残差ネットワーク(ResNe
Google Developers Japan: 機械学習がこれからの Web 体験とインタラクション・デザインの可能性を押し広げる
.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads 71 Ads API 11
カーネルトリックと関数解析についてまとめてみた
この記事は、「数学カフェ」アドベントカレンダー19日目の記事です。 記事の趣旨 蔵本モデルでよく出てきた関数解析って? 「現実でどう役に立つの?」 これに尽きます。 ※なので今回は、関数解析的な証明は行いません（できません…の方が適切ですが…） ※誤植勘違い等もあると思いますが、温かい目でお願いします。 トピック 「関数解析は機械学習でどう役に立つの?」 カーネルトリック 今回のアドベントカレンダーで関数解析について触れてる記事 06日目_作用素のスペクトル理論 11日目_掛け算作用素でCompact作用素・Fredholm作用素の理論を展開する 13日目_関数解析復習会のその先「Weyl-von Neumannの定理」 15日目_Selberg trace formula 1 - pi 「関数解析は機械学習でどう役に立つの?」 機械学習における関数解析の使いどころ 再生核ヒルベルト空間
CS 229 - Machine Learning Tips and Tricks Cheatsheet
By Afshine Amidi and Shervine Amidi Classification metrics In a context of a binary classification, here are the main metrics that are important to track in order to assess the performance of the model. Confusion matrix The confusion matrix is used to have a more complete picture when assessing the performance of a model. It is defined as follows:
機械学習の基本用語集 - EurekaMoments
目次 目次 はじめに 特徴量(Feature Value) 学習(Learning) 教師あり / なし学習(Supervised / Unsupervised Learning) 最適化問題(Optimization Problem) 座標降下法(Coordinate Descent) 最急降下法(Gradient Descent) 確率勾配法(Stochastic Gradient Descent) 汎化性能(Generalization Ability) 新しい特徴量を作る(Creating New Feature Value) 多層ニューラルネットワーク(Maltilayer Neural Network) ランプ関数(Ramp Function) 鞍点(Saddle Point) ヘヴィサイド関数(Heaviside Function) 分離超平面(Separating Hype
スタンフォード大学の学生が学ぶ制約付き最小二乗法とその応用 - MyEnigma
Pythonで動かして学ぶ！ あたらしい機械学習の教科書posted with カエレバ伊藤 真 翔泳社 2018-02-15 Amazonで探す楽天市場で探すYahooショッピングで探す 目次 目次 はじめに 制約付き最小二乗法 制約付き最小二乗法の解き方 制約付き最小二乗法の応用例 区分多項式によるフィッティング 予算配分問題 線形二次制御 (Linear Quadratic Control) 線形二次状態推定 (Linear Quadratic State Estimation) GItHubリポジトリ 参考資料 MyEnigma Supporters はじめに スタンフォード大学には 機械学習を学ぶ上での第一歩として、 Introduction to Matrix Methods (EE103)という授業があります。 今回の記事では、 この授業の教科書である Introductio
Deep learningの軽い紹介
Deep learningの軽い紹介の軽い紹介です。 間違ってる部分があったら連絡ください。Read less
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
2014年11月13日開催の全脳アーキテクチャ若手の会 第3回Deep Learning勉強会の資料です。RBMの動作原理をポイントを押さえて解説しました。参考資料を後ろに纏めましたのでご自由にご活用ください。Read less
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
https://alphaimpact.co.jp/downloads/pydata20161124.pdf
Lecture Collection | Convolutional Neural Networks for Visual Recognition (Spring 2017)
