Kaggle音コンペで銅メダル獲得したときの手法解説 - Qiita
今年3月頃から機械学習（主にDeepLearning）とKaggleを始め、賞金のあるコンペ「Freesound Audio Tagging 2019（以下FAT2019）」に初めて挑戦しました。やるならばと金メダルを目指していましたが、結果はPrivateLB 89位で銅メダルに落ち着きました。苦労・工夫した点や、参考にした論文、記事、カーネルなども交えてここに記録したいと思います。 ちなみに以下が最終提出カーネルです。 定数で学習モードと推論モードを切り替えていたので、少し読みづらいですが…。なお、MixMatchなど一部の実装は実験的なもので、最終提出には使っていません。 モデルAの学習カーネル モデルBの学習カーネル（A→B 転移学習） モデルBを使った推論カーネル コンペの内容 FAT2019は、環境音データに対して「エンジン音」や「男性の歌声」などのタグを付ける認識モデルを開発
機械音の異常検知チャレンジ DCASE 2020 Task 2 - Qiita
(DCASEホームページより) はじめに 音を題材とした異常検知のデータセットによる機械学習コンペが始まりました。 音に関するコンペ自体が珍しいなか、タスクとして一般的な分類などでもなく、更に難しい異常検知が設定されました。 個人的に2019年に画像の異常検知に積極的に取り組んだのですが、音声は周波数領域に変換すると画像のように取り扱えることから、チャレンジしたい題材でした。下記は画像にチャレンジしたときの記事です。 欠陥発見! MVTec異常検知データセットへの深層距離学習(Deep Metric Learning)応用 深層距離学習(Deep Metric Learning)各手法の定量評価 (MNIST/CIFAR10・異常検知) この記事では、そのコンペ「DCASE 2020 Task 2 Unsupervised Detection of Anomalous Sounds for
【次元の呪い】センサの個数→∞にしたら、異常検知できるのか？ - Qiita
IOTが流行してから、機械を予知保全すべく、センサをどんどん増やす取り組みが 行われています。 噂では、1台の機械にセンサ100個を付ける事例も出てきたようです。 そこで疑問に思うのは、センサの個数を増やすことは正義なのか？ 言い換えると、余分なセンサを増やしても異常検知性能に影響がないのか？と いうことです。 本稿では、次元の呪いに焦点を当て、「余分なセンサの個数を増やした場合、異常検知 性能がどうなるのか」を検証します。 ※コード全体はこちらに置きました。 ※こちらはPythonデータ分析勉強会#17の発表資料です。 結論から 余分なセンサ情報があると、異常検知性能が下がる可能性がある それを避けるには、余分なセンサを削減するなどの工夫が必要 想定するシーン 異常検知で有効なセンサは2つだけ 余分なセンサも付いておりほぼゼロ信号を出しているが、ノイズが含まれる（重要） 余分なセンサを増
【異常検知】異常原因を特定する - Qiita
異常検知は、正常データだけで学習できる製造業で人気のある手法です。 そして、異常検知で異常を検出したとして、「異常原因を特定したい」という 要望もよく聞かれます。 そこで、本稿では、複数のセンサが付いた異常検知システムにおいて、 異常が発生した場合に、どのセンサが異常値を示しているのかを特定する 方法を検討します。 ※コード全体はこちらに置きました。 ※こちらはPythonデータ分析勉強会#17の発表資料です。 きっかけ 以前に、こんな内容をツイートしたところ、皆さん興味をお持ちのようでした。 昨日、JFEスチールの製造ラインで異常検知する話しを聞いた。 ・数十個にわたるセンサで常時監視 ・異常検知の制約は、異常のみならず異常原因も特定する ・センサは相関が強いものだけを取り出し、主成分分析だけで異常検知 ・これによりコストと納期を大幅に削減 ー続くー — shinmura0 @ 3/14
Hard Drive Test Data
Safeguard VM, server, NAS, K8, and workstation data
7 Time Series Datasets for Machine Learning - MachineLearningMastery.com
Machine learning can be applied to time series datasets. These are problems where a numeric or categorical value must be predicted, but the rows of data are ordered by time. A problem when getting started in time series forecasting with machine learning is finding good quality standard datasets on which to practice. In this post, you will discover 8 standard time series datasets that you can use t
【異常検知】Deep Learning for Anomaly Detection: A Survey を読んだ (後編) |
Deep Learning for Anomaly Detection: A Surveyを読んだので備忘録を残しておきます。 前半は 深層異常検知 (Deep Anomaly Detection; DAD) のアーキテクチャの分類や長所・短所の紹介でした。後編は DAD の様々な領域への応用についてですが, 膨大な参考文献のため実質リンク集となっています。文献を徐々に読み進めて内容を追記する予定です。 Deep Anomaly Detection (DAD) の応用領域 Intrusion DetectionFraud DetectionMalware DetectionMedical Anomaly DetectionDeep learning for Anomaly detection in Social NetworksLog Anomaly DetectionInternet o
異常検知システムで企業の信頼を守る
3つの要点 ✔️ECサイトに異常検知システムを導入 ✔️誤った価格が付けられている商品を検知し、自動で修正及び原因調査を行う ✔️実際に世界最大のスーパーマーケットチェーンであるWalmartが運営するECサイト上で実証実験も実施 世界最大のスーパーマーケットチェーンであるWalmartが運営するECサイト上には数千万もの大量の商品が存在します。これらの商品一つ一つに手動で価格付けを行うのは無理があるため、現在ECサイトには価格付けシステムが導入され、自動で価格付けを行うことが可能になっています。 しかし、同時に価格付けシステムのエラーにより、しばしば誤った価格付けがなされた商品がECサイト上に出品されるという問題が新たに生じてしまいました。このような問題は企業の信頼を損ねる原因にもなりかねない重要な問題であり、最優先で解決する必要があります。 本記事では、異常検知システムを導入することで
簡単操作で完結。忙しい人のiPhone「はてなブックマーク」アプリ活用法
老舗の情報収集サービス「はてなブックマーク」。見始めるといくらでも時間を潰せてしまいますが、ここでは仕事や趣味に必要な情報を「忙しい生活の中で」「手間をかけずに」収集する方法を紹介します。 「はてなブックマーク」は2005年のサービス開始以来、情報収集の拠点、バズ（または炎上騒ぎ）の発信源として確固たる地域を保ち続けています。一時期は乱立した「ソーシャルブックマーク」の最大手として生き残っているサービスだけあり、うまく使えば非常に有意義な情報源となってくれます。 この記事は、「はてなブックマークって何？」という人にはiPhone向けの利用ガイドとして、「以前は使っていたけど最近はあまり使っていない」という方には活用方法の見直しのヒントとして読んでいただければと思います。 老舗サービスだから、ユーザーの利用方法の見直しも必要かもしれない 筆者はサービス開始時から「はてなブックマーク」を利用し
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
Predictive Maintenance Modelling Guide R Notebook | Azure AI Gallery
Does anybody have real ´predictive maintenance´ data sets?
(PDF) Sparse Neural Networks for Anomaly Detection in High-Dimensional Time Series
GitHub - nmuralid1/DynamicAttentionNetworks: Dynamic Attention Networks For Time Series State Forecasting in Cyber Physical Systems
DynamicAttentionNetworks/datasets/ghl_small at master · nmuralid1/DynamicAttentionNetworks
GitHub - Azure/PySpark-Predictive-Maintenance: Predictive Maintenance using Pyspark
GitHub - microsoft/AMLWorkshop: Student Materials for MTC Azure ML Workshop
GitHub - nagdevAmruthnath/Predictive-Maintenance: A notebook tutorial series for performing predictive maintenance using machine learning