PyCon JP 2019で見たセッションの聴講記録20個分 / 資料・動画・関連リンクなど - フリーランチ食べたい
2019年9月16日/17日に開催されたPyCon JP 2019で自分が直接/YouTubeで聴講したセッションについてのまとめです。主に下記の内容を書いています。 スピーカーURL 配信動画 スライド 発表内で出てきたライブラリなどのURL 自分の感想 「あのセッションで話していたライブラリなんだっけ」と思い出したい方やざっくり内容が知りたい方に読んでいただければ幸いです。PyCon JPに自分も発表者としても参加し、スタッフとして参加し、Webサイトの開発もしたので、それについては改めて書きたいと思います。 pycon.jp PythonとAutoML / 芝田 将 スピーカー: https://twitter.com/c_bata_ 動画: https://www.youtube.com/watch?v=Whkwu46DgBs スライド: https://www.slideshar
【保存版・初心者向け】僕が本気でオススメするPythonと機械学習の良書12選
※実際記事で紹介する書籍は12冊ですが、メンバーが借りてオフィスになかったため、上記画像内に3冊ないものがあります。 はじめに AI Academyを開発・運営しています、株式会社エーアイアカデミー代表の谷です。 6ヶ月ほど前に書いた下記記事は約1200のいいねと7万viewsを超える記事になりました。 【保存版・初心者向け】独学でAIエンジニアになりたい人向けのオススメの勉強方法 お読み頂いた方々、またいいねして頂いた方々ありがとうございました！ あれから6ヶ月ほど経ちまして、さらにPythonや機械学習の書籍が増えて参りましたので、改めて初心者向けにPythonと機械学習の良書12選を紹介し、初学者が独学でも機械学習プログラミングの基礎スキルUPに貢献できたらと思います。 また、AIプログラミングを作りながら学べるプログラミング学習サービスAI Academyを無料でご利用頂けますので
scikit-learnを使用したパーセプトロン – Python機械学習第三章学習メモ - Qiita
from matplotlib.colors import ListedColormap import matplotlib.pyplot as plt import warnings def versiontuple(v): return tuple(map(int, (v.split(".")))) def plot_decision_regions(X, y, classifier, test_idx=None, resolution=0.02): # setup marker generator and color map markers = ('s', 'x', 'o', '^', 'v') colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan') cmap = ListedColormap(colors[:len(np.uni
入門 Keras (1) Windows に Tensorflow と Keras をセットアップ｜技術ブログ｜北海道札幌市・宮城県仙台市のVR・ゲーム・システム開発 インフィニットループ
入門 Keras (1) Windows に Tensorflow と Keras をセットアップ 本連載ではこれからディープラーニングを手軽にはじめてみたいという方、普段使っている PC でディープラーニングをはじめてみたいという方を対象に、高レベル・ニューラルネットワーク API の Keras を使いながら、実践的かつ入門的にディープラーニングについて初歩から解説していきたいと思います。 Keras とは 紙に描く絵画をオンラインで学んだり共有できる Wysp というサービスを作った、Google 社員の François Chollet 氏作成のライブラリです。Tensorflow, Theano, CNTK などのディープラーニングフレームワークをバックエンドの基盤として使い、より簡単にディープラーニングの仕組みを作ることが出来ます。 Keras で作成するニューラルネットのネッ
TensorFlowのseq2seqでチャットボットが作りたい - Qiita
パソコンを新調したので、この機会にQiitaデビューしました。 手始めに以前から作りたいと思っていたニューラルチャットボット(の基本の基本)を実装したので、アウトプットの練習に綴っていこうと思います。 TensorFlowによるseq2seq modelのチュートリアルを基に実装してあります。 実装手順についてはほぼこちら（TensorFlowのSeq2Seqモデルでチャットボットっぽいものを作ってみた）を参考にさせていただきました。感謝です!! 近日中にGithubにソースコードを公開できればと思っています。 Githubに公開しました。(こちら) この記事の続き TensorFlowのseq2seqでチャットボットが作りたい (Slack Bot化編) 今回やったこと TensorFlowのチュートリアルにあるseq2seqモデルを利用して日本語雑談コーパスを学習 学習したモデルと雑談
画像認識で「綾鷹を選ばせる」AIを作る - Qiita
こんにちは、絶賛プログラミング勉強中のtomoです。 Aidemyで画像認識について勉強し始めて１ヶ月が経ったので、学習成果として投稿します。 #はじめに 突然ですが、皆さん「緑茶の中でも選ばれてしまう緑茶は何か」と問われたら何と答えますか？ おそらく50％以上の人は「綾鷹」と答えるかと思います。 この記事では、そんな綾鷹を画像認識によって人々に選ばせるAIを作成します。 #Aidemyで学習した内容 「ディープラーニングで画像認識モデルを作ってみよう！」ルートで8つのコースを学びました。 特に「CNNを用いた画像認識」コースにおいて学んだ技術を複数使用しています。 （後述する目次の「⑵モデルを構築/学習する」の仕組みを学べます。） #目次 ・実装概要 ・AIの作成 ⑴Iphoneで撮った写真を学習/検証データにする ⑵モデルを構築/学習する ①シンプルにモデルを構築する ②データを拡張す
【スマホOK/実行しながら学ぶ】東大松尾研のデータサイエンティスト育成/ Deep Learning基礎講座を自習する - Qiita
2. numpy, scipy, scikit-learn の使い方を理解する 3. k-Nearest Neighbors (k-NN) を使った手書き文字認識 4. ロジスティック回帰の実装と学習、活性化関数とその微分の実装、多層パーセプトロンの実装と学習 5. Tensorflowの基礎を学ぶ 6. Denoising Autoencoderの実装. また, MNISTを用いて次のことを確認、Stacked Denoising Autoencoder (SdA) の実装 7. 畳み込みニューラルネットワーク(Convolutional Neural Networks)の実装と学習 8. CIFAR10データセットを使ったAugmentation、前処理、Batch Normalization、CNN実装、Activation可視化 9. Recurrent Neural Networ
Pythonの機械学習ライブラリtslearnを使った時系列データのクラスタリング
tslearnとは 時系列分析のための機械学習ツールを提供するPythonパッケージで、scikit-learnをベースとして作られているみたいです。 主な機能として、クラスタリング、教師ありの分類、複数の時系列を重ねた際の重心の計算ができたりします。 今回使用するに至った一番のモチベーションは、波形や振動などの時系列データに対してクラスタリングできるというところです。 tslearnインストール pipコマンドでインストールできます。 Kshapeというクラスタリング手法 今回tslearnで使用するモジュールとして、Kshapeというクラスタリング手法を時系列データに適用していきたいと思います。 Kshapeは2015年に下記の論文で提唱された方法で、以下の流れで実行されるアルゴリズムになります。 相互相関測定に基づいた距離尺度を使う（Shape-based distance: SBD
データサイエンティスト協会 木曜勉強会#01 『Pythonによるデータ分析および最適化』
38. Python↖AWSદ˺ ᐯࠁኰʼ ӸЭ≝ޥ؉̮ʚ≋ⅳ↾ⅼↆ⇂ↇ≌ ޓ≝⇐∀−∞⇝∍∙⇠∝∐⇛∞⇧ᢿ λᅈ4࠰Ⴘ Python↖AWSદ˺ 1. ⇕∏⇌⇯⇙∙⇺∋∞⇬⇉∙⇖↚↓ⅳ↕ 2. AWS↗↞? 3. EC2, S3⇛∞⇹⇟⇁Pythonኺဌ↖Мဇↈ↺ 1. Эჷᜤ 1. EC2↗S3↝᧙̞ 2. ૰˳ኒ 3. Ӳᆔ⇡⇓∋∐⇬⇉૾ࡸ↚↓ⅳ↕ 2. ܱᨥ↚દ˺ↆ↕↮↺ 4. ↝˂ Contents ⇕∏⇌⇯⇙∙⇺∋∞⇬⇉∙⇖↚↓ⅳ↕ ⇕∏⇌⇯⇙∙⇺∋∞⇬⇉∙⇖ ⇳⇩⇮∕∞⇕⇁⇿∞⇟↗ↆ⇙∙⇺∋∞⇥เ↝Мဇ࢟७ ⇊∙⇥∞⇳⇩⇮ኺဌ↖⅚⇛∞⇹⇟ⅻ੩̓ↄ↻ ↺⅛ↂↂ↖ⅳⅵ⇛∞⇹⇟↞⅚ˌɦ↝3ޖ↚Ў ↄ↻↺⅛ ∝⇈⇽∐⇗∞⇝∍∙ ∝⇽∏⇩⇮⇻⇏∞∆ ∝⇊∙⇻∏≋⇛∞⇶↙↘≌ 3ޖμ↕↚ⅹⅳ↕ⅻↀ↕ⅳ↺↝ⅻAmazon Web Service↖ⅱ↺⅛ AWS↗↞≢ Amaz
現実逃避に多クラスロジスティック回帰のコードを書いた - きちめも
春合宿の…スライドに…まだ手を付けていないッ…。 ・・・流石に何話すかとか話の流れとかは大体イメージできてる状態だが、いかんせん書く気が起きない。死ね俺。*1 ということで現実逃避に適当なコードを書いたの巻。 PRML4章の多クラスロジスティック回帰を殴り書きした。多クラスのIRLSの形がよー分からんというかもうめんどうなので直接ニュートンラフソン法で。 ・・・以下のコードだとパラメータの更新にヘッセ行列の対角ブロックの部分しか使ってない…んだけどこれでいいのか…？まぁでも結果上記の画像のようにそれっぽくなったのでもういいや状態。 標準入力からデータを読み込んで動作。 (x,y)がクラス2に属するなら"x y 0 0 1"みたいな感じの行が延々入力に続いてるとします。 信頼のコメント率！やる気の無い変数名！どうみても一週間で読めなくなります。 #!/usr/bin/python # -*-
Não Aqui! » 10行強で書けるロジスティック回帰モデル学習
ロジスティック回帰（logistic regression）の学習が，確率的勾配降下法（SGD: stochastic gradient descent）を使って，非常に簡単に書けることを示すPythonコード．コメントや空行を除けば十数行です． リストの内包表記，条件演算子（Cで言う三項演算子），自動的に初期化してくれる辞書型（collections.defaultdict）は，Python以外ではあまり見ないかも知れません． リストの内包表記は，Haskell, OCaml, C#にもあるようなので，結構メジャーかも知れません． [W[x] for x in X] と書くと，「Xに含まれるすべてのxに対し，それぞれW[x]を計算した結果をリストにしたもの」という意味になります．sum関数はリストの値の和を返すので，変数aにはXとWの内積が計算されます． Pythonでは，三項演算子を条
PythonでLDAを実装してみる
Latent Dirichlet Allocationはテキストのような不連続データのための生成的確率モデル。入力はドキュメント。出力はドキュメントを特徴づける何か（tf-idfみたいなもん）。 基本的なアイディアは、あるドキュメントは潜在的ないくつかのトピックが混合していて、それぞれのトピックは語の分布で特徴づけられている、ということ。 論文[1]ではαとβというパラメータを用いてドキュメントが以下のように生成されると仮定している。 ドキュメントのトピックの分布θがディリクレ分布Dir(α)に基づいて選ばれる。 ドキュメントの語数N個になるまで以下を繰り返す。 トピックznが多項分布Mult(θ)に基づいて選ばれる。 単語wnが確率p(wn|zn,β)で選ばれる。 ただし、トピックzの数をk個、単語wの種類をV個とすると、パラメータαはk次元のベクトル、βはk x V次元の行列でβij=
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
機械学習の Python との出会い — 機械学習の Python との出会い
Google Colab
機械学習ライブラリ scikit-learnの便利機能の紹介 - Qiita
Deep Learning for Image Recognition in Python
http://www.sagenb.org/home/pub/1762/