DocuSign日本進出に伴い、小枝逸人が代表就任
DocuSign日本進出に伴い、小枝逸人が代表就任 Asaianet 62420 A10ネットワークス アジアパシフィックVPがドキュサイン・ジャパンの代表に 【2015年11月4日東京、サンフランシスコ】デジタル・トランザクション・マネジメント（DTM）の世界リーダー企業、ドキュサイン（DocuSign(R)）は、日本進出に伴い小枝逸人を日本法人ドキュサイン・ジャパン株式会社の代表取締役社長兼米国本社ヴァイスプレジデントに任命したと発表しました。ハイテク業界において20年を超えるチーム統括の実績を持つ小枝は、今後、米国本社のニール・ハドスピス最高顧客リレーションシップ責任者の下で、日本市場におけるドキュサインの立ち上げ、事業展開、長期成長を主導することになります。 ロゴ - http://photos.prnewswire.com/prnh/20151102/283113LOGO 今回の
種類が豊富な画像モデルライブラリpytorch-image-models（timm）の紹介 - のんびりしているエンジニアの日記
皆さんこんにちは お元気ですか。私は小麦を暫く食べるだけにしたいです。（畑で見たくない‥） さて、本日は最近勢いのあるモデルのライブラリ（pytorch-image-models）を紹介します。 pytorch-image-modelsとは 通称timmと呼ばれるパッケージです。 PyTorchの画像系のモデルや最適化手法（NAdamなど）が実装されています。 Kagglerもこのパッケージを利用することが増えています。 github.com 従来まで利用していたpretrained-models.pytorchは更新が止まっており、最新のモデルに追従できていないところがありました。 このモデルは例えば、EfficientNetやResNeStなどの実装もあります モデルの検証も豊富でImageNetの様々なパタンで行われているのでこの中で最適なものを選択すると良いでしょう。詳しくはこちら
Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection
Anomaly Detection (AD) in images is a fundamental computer vision problem and refers to identifying images and image substructures that deviate significantly from the norm. Popular AD algorithms commonly try to learn a model of normality from scratch using task specific datasets, but are limited to semi-supervised approaches employing mostly normal data due to the inaccessibility of anomalies on a
Kaggleは凄かった! 更に簡単な出品を目指して商品の値段推定精度を改善中 - Mercari Engineering Blog
皆さん、こんにちは機械学習エンジニアの @hurutoriya です。 2018/05/09 にメルカリが開催した Kaggle Competition である「Mercari Price Suggestion Challenge」の閉会式を行いました。 「Mercari Price Suggestion Challenge」では実際に米国版メルカリで販売された商品データを公開して、参加者の皆様に商品の値段推定精度を競い合っていただきました。 Mercari Kaggle Competition: Closing Ceremony 2018 – connpass この閉会式は「Mercari Price Suggestion Challenge」の上位者(ロシア・ポーランド・中国)と日本人上位入賞者を招待して、各種上位者の解法やKaggleに対する考え方をパネルディスカッション形式でお話を
DTW(Dynamic Time Warping)/動的時間伸縮法について話す - Qiita
最近時系列分析を勉強していて、時系列同士の類似度を測る際にDTWという手法を学んだのでゆるくまとめてみようと思います。今回は説明編、次回を実践編としたいです。 DTW(Dynamic Time Warping)/動的時間伸縮法とは DTWとは時系列データ同士の類似度を測る際に用いる手法です。波形の類似度を求める手法としてはユークリッド距離やコサイン距離等があるかと思います。 DTWは２つの時系列の各点の距離(誤差の絶対値)を総当たりで求め、全て求めた上で２つの時系列が最短となるパスを見つけます。 対応する点を選ぶ際に重複を許す（その時点までに選択済みの点も選択できる）ため、時系列同士の長さや周期が違っても類似度を求めることができます。 なので、DTWは「周期はずれているが、形は似ている」という場合や、系列同士の長さが異なるデータの類似度を測りたいときに他の手法よりも便利な手法だと言えます。
{flexclust} + DTW で 時系列を k-means クラスタリングする - StatsFragments
概要 下の記事のつづき。下の記事では DTW (Dynamic Time Warping) 距離を使って階層的クラスタリングを行った。続けて、 DTW 距離を使って 非階層的クラスタリング (k-means法) を試してみる。 stats::kmeans では任意の距離関数を利用することはできないため、任意の距離関数が利用できる {flexclust} というパッケージを使うことにした。 補足 DTW についてはこちら。 動的時間伸縮法 / DTW (Dynamic Time Warping) を可視化する - StatsFragments インストール install.packages('flexclust') library(flexclust) {flexclust} の使い方 サンプルデータは前回記事と同一。 まずは既定 (ユークリッド距離) で k-means してみる。サンプル
動的時間伸縮法 / DTW (Dynamic Time Warping) を可視化する - StatsFragments
いま手元に 20万件くらいの時系列があって、それらを適当にクラスタリングしたい。どうしたもんかなあ、と調べていたら {TSclust} というまさになパッケージがあることを知った。 このパッケージでは時系列の類似度を測るためのさまざまな手法 (=クラスタリングのための距離) を定義している。うちいくつかの手法を確認し、動的時間伸縮法 / DTW (Dynamic Time Warping) を試してみることにした。 DTWの概要 時系列相関 (CCF) の場合は 片方を 並行移動させているだけなので 2つの系列の周期が異なる場合は 相関はでにくい。 DTW では 2つの時系列の各点の距離を総当りで比較した上で、系列同士の距離が最短となるパスを見つける。これが DTW 距離 になる。そのため、2つの系列の周期性が違っても / 長さが違っても DTW 距離を定義することができる。 アルゴリズム
相互相関関数 相関係数 違い - Google 検索
[PDF] 4. 相関・回帰 (correlation/regression) - 大気海洋相互作用分野
相関関数 [物理のかぎしっぽ]
皆さん，想像してください．二人の人間があなたの目の前にいます．この二人は，ところどころで似通った点を持っています．髪型が同じ，服の色が同じ，好きなお酒が同じ，etc．でも，その似通った程度を数値で表せといわれたら，あなたはどうやって表しますか？ 相関関数とは 上の例では人間でしたが，ここでは数学なので，二つの関数について考えます． つまり，二つの関数があるときに互いにどれだけ似通っているか(類似度)を数値で表すこと．これが相関関数の目的です． 上の式では と という二つの関数の相関を で表しています．上の式から分かることは， は と を だけずらし乗算したものを， から の範囲分まで積分したものであるということです． 相関関数で見る相関とは，二つの関数を少しずつずらしながら積を取っていくことで求まるということなのです [*]_． ただし，関数が周期関数である場合や関数の存在範囲がある場合は
自己相関と相互相関
簡単に言うと 自己相関:時間差τ分過去の自分自身の波形は現在の自分自身にどれだけ似ているか？たとえばτがある時間ごとに自己相関が大きくなるということは元の波形はその時間での周期性を持っていることになります. 相互相関:別の波形と思っている信号がどれだけ似ているかを表します.片方に正弦波を持ちいれば,フーリエ変換になります.
相互相関関数 説明 - Google 検索
二つの関数がどの程度似ているか、あるいはどの程度ずれているかを表すために用いられる関数。 二つの異なる関数(あるいは図形)において、それらの関数に含まれるある変数の値を、二つの関数の間で相対的にずらして、それらの関数の重なりをその変数について積分した関数(あるいは図形)のこと。
相互相関関数 相関係数 違い - Google 検索
[PDF] 4. 相関・回帰 (correlation/regression) - 大気海洋相互作用分野
敵対的生成ネットワークの台頭【前編】 | AI専門ニュースメディア AINOW
Kailash ahirwar氏は、南インドのバンガロールに拠点を置くAIスタートアップMate Labsの共同設立者です。同氏がMediumに投稿した記事では、敵対的生成ネットワーク（Generative Adversarial Network：略してGAN）の誕生から台頭までの歩みが解説されています。 生成ネットワークと識別ネットワークが敵対的に協働することにより実在しない偽画像を生成するGANは、2014年にイアン・グッドフェロー氏らが発表しました。この時発表されたGANにもとづいて、DCGAN、StyleGAN、BigGAN、StackGAN、Pix2pix、Age-cGAN、CycleGANといった様々な派生的GANが生み出されました。その後、GANを使って制作された絵画が有名オークションのクリスティーで落札されたことにより、一躍世間の注目を浴びることとなりました。 もはやAI研
敵対的生成ネットワーク_GAN (Vol.19)
クーポン取得者をX、ピザ購入者をZとしましょう（XとZは確率変数）。XとZが相互に与える影響を無視して、それぞれ独立の確率分布（周辺確率）を求めると、クーポンを取得した人の周辺確率p(X)は0.45、ピザを購入した人の周辺確率p(Z)は0.35となります。 お互いに影響を及ぼすことも考慮した場合（同時確率分布）は、2つの確率変数を使ってp(X,Z)と表します。2つの変数が両方動くと計算しにくいので、1つを固定してもう1つの変化で見ていきます（条件付き確率分布）。 確率の加法定理と乗法定理 統計はどうしても数式っぽいのが出てきてしまうので、ここで用語と記号をおさらいします。 XやZ：確率変数 周辺確率：p(X) 同時確率分布：p(X,Z) 条件付き確率分布：p(Z|X)…Xが起こる条件下でのZの確率 ついでに次の2つの定理も覚えておきましょうか。 確率の加法定理：p(X)=ΣZp(X,Z)
できるだけ丁寧にGANとDCGANを理解する - 午睡二時四十分
目的 Chainerの扱いに慣れてきたので、ニューラルネットワークを使った画像生成に手を出してみたい いろいろな手法が提案されているが、まずは今年始めに話題になったDCGANを実際に試してみるたい そのために、 DCGANをできるだけ丁寧に理解することがこのエントリの目的 将来GAN / DCGANを触る人の助けになったり、理解間違ってるところにツッコミがあると嬉しい 本エントリの構成 DCGANの前提となっているGANの論文の要点をまとめる DCGANでGANとの差分として提案されている要点をまとめる DCGANのmattyaさんの実装を読み通して詳細を理解する 1. GANについて GANは、サンプル群と似たような性質を持つ出力を生成するためのフレームワーク 2014年にIan J. Goodfellowらによって提案された 論文: Generative Adversarial Net
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://www.linkedin.com/in/hayato-koeda-5554674/?originalSubdomain=jp
（続々々）音の出所はどこ？ [相互相関法による音源位置の同定]
NameBright - Domain Expired