はてなブックマーク

Rules for iris virginica ('petal_length > 4.75 and petal_width > 1.75', (0.9743589743589743, 0.9047619047619048, 1)) ('petal_width > 1.6500000357627869', (0.9514316093263462, 0.9218081435472739, 3)) ('petal_length > 5.049999952316284', (0.9696691176470589, 0.8007518796992481, 2)) 1 行 1 ルールになっていて、たとえば最初のルール petal_length > 4.75 and petal_width > 1.75 は virginica の分類について precision が約 0.97 、recall が約

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

はじめに 量子アニーリングマシンな D-Wave には、組み合わせ最適化問題への応用が期待されていますね。 ただ実際のところ理想的な断熱時間発展はできないので、最適解が得られるとは限りません。むしろ現状だと「D-Waveによる量子アニーリングで３行４列のピクロスをノリで解いてみた」のような問題サイズでも正答率 1/3 とかそんなものみたいです。色々とチューニングの余地はあると思うのですが、最適化問題を解かせるのはなかなか厳しそうという感触です。 そこで厳密な最適解を得るのは諦めて、 D-Wave によるサンプリングがボルツマン分布に従っているとみなし、ボルツマン機械学習する際の重いサンプリングコストを担わせようという流れがあります。 といってもボルツマン分布に従う理論的な後ろ盾はないようなのですが、ディープラーニングの事前学習として制限付きボルツマンマシンを学習する際に D-Wave を利

ここのところデータパイプラインの配線繋ぎかえ工事をしていたのですが、とくに目立ったダウンタイムや障害なく終われたので、その基本パターンをメモしておきます。 主に繋ぎかえたのはデータベースかストレージ挟んだ多段バッチですが、ストリーミングやサービス間通信でも一方通行なら、だいたいこんな感じになるのではないかと思います。 カラム（フィールド）追加パターン とあるデータベース（ストレージ）のテーブル（パス）にカラム（フィールド） a があって、それを読み書きしているとします。この流れに b を加える手順を考えてみましょう。 ※用語は環境によって適当に読みかえてください。 テーブルにカラム b を NULL 許可 （オプショナル）で追加します。 この段階では b は NULL で書かれていて、読まれません。 カラム b の値を書くようにします。 カラム b の値を読むようにします。 この時、NUL

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ここ一年くらいデータパイプラインを基盤ごと作りなおしていました。毎時一億レコードくらいは捌くやつです。 わりと長く続いているプロダクトのため、いわゆる技術的負債が溜まっていたりブラックボックス化していたところも多く、当初はエンジニアを倍くらいに増やさないと対処できない見込みでしたが、みんなで奮闘した結果、チームサイズを変えず新規開発の手も止めずに、目立ったダウンタイムや障害なく移行することができました。 振り返って「こうしておいてよかった」「こうしておけばよかった」と思うところを書き残しておこうと思います。また同じようなことに直面した未

量子機械学習ワークショップQTML2017の発表スライド『Quantum Neuron』と、その論文『Quantum Neuron: an elementary building block for machine learning on quantum computers』を読みはじめました。初めの章からしてパズル的に面白くて、ちょっと魔法みたいだったので紹介してみます。 なお、この論文は量子ゲート計算機でニューラルネットワークを実装しようという話で、ややこしいですが、ImPACTの量子ニューラルネットワーク計算機とは別物です。 概要 まず、論文概要の前半をざくっと訳してみます。 どれだけ複雑なニューラルネットワークであろうと、人工ニューロンの集合体であることに変わりはありません。そして人工ニューロンとは、複数の信号を受けとり線形結合したあと、非線形関数を適用するものです。 量子の枠組み

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 『機械学習案件を納品するのは、そんなに簡単な話じゃないから気をつけて』を読みました。 つまづきから得られた知見の共有は貴重だと思います 実際、機械学習とか最適化とか自律的なシステムの開発は、罠が多いです。 研究や試作では成功していても、様々な事情により実用化できず消えていくものを沢山見てきました。 そのため、本運用に乗せてユーザの受け入れも上々というところまで辿りつければ、それはそれは本当に喜ばしいことなのですが、そこから始まる試練も色々とあったりします ということで、運用後に体験したり見聞きしたことをいくつか、私も共有してみたいと思い

Microsoftが2017年内に、量子コンピュータのための新しいプログラミング言語を公開するそうですね！ 量子力学……波動関数……シュレディンガーの猫……。ええ、よく 中二病 SFで耳にする、なんかヤバいやつです。量子コンピュータが実用化されると、現在のインターネットで使われてる暗号はすぐに解けてしまうとか。 ちょっとネットで調べただけで知ったかぶらないでよ！ 量子プログラミング言語自体はすでに幾つもありますが、今回のものはVisual Studioで開発・デバッグできてAzureのシミュレータでも動くとのことで、Microsoftの本気を感じます。言語的には、C#、Python、F#の要素を取り入れているらしく、モダンなものになるでしょう。まだ名前は決まってないそうですが。 ということで、夢の量子コンピュータがいよいよ実用的なソフトウェア領域にやってきそうな予感がしたので、付け焼刃の勢

ｱｯｵｰ!　皆様、チャットしてますかっ。 そうですね。私は、ChatWorkでAPI投稿される売上レポートを眺めたり、SlackでHubotからミーティングの司会を指名されたり、LINEでりんなにちょっかい出したりする愉快な日々です。 うわっ…私のチャット相手、ボットすぎ…？ ともかく、みんなが慣れ親しんでいるインターフェースは強いわけです。 というわけで、チャットっぽく読める小説サイトをつくってみました。こういうの。 深層の令妹 ζ(*ﾟｗﾟ)ζ　〜ゆるふわチャット小説〜 あとはもう実際に、会話で紡がれる物語がどういうものか読んでみてほしいのですがっ。 サイト作るにあたって初めてのフロントエンドで色々と泣きそうになったので、諸々メモしておこうと思います。 もしも表示崩れ起こす環境あったら、ごめんネ。。。 GitHub Pages 題名のとおり、サイトの公開はGitHub Pagesで行っ

貴方の好きな言語は何ですか？ 私の手にはScalaがよく馴染みますが、生まれてこの方やはり日本語が大好きです。 貴方の好きなテキストエディタは何ですか？ 私は長らくGinnieと共に生きてきましたが、最近Visual Studio Codeに移行しました。 好きな言語を、好きなエディタで書くことは、健康で文化的な生活ですね？ どうせならもっと自分好みにカスタマイズしたおすのがエンジニアですね？ Visual Studio Codeでは、とても簡単に拡張機能を作ることができますね？ ということで、投稿中のネット小説『深層の令妹 ζ(*ﾟｗﾟ)ζ』専用の拡張機能をいくつか作ってみたので、その紹介です。 Visual Studio CodeはElectronベースなので、拡張機能の中身はJavaScriptです。話の流れ的にScala.jsで実装できると格好良かったのですが、Microsoftの

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

微分可能な神経機械？ Google DeepMindがNatureに投稿した論文「Hybrid computing using a neural network with dynamic external memory」が、なんだかヤバそうな香りがします。 公式の紹介記事「Differentiable neural computers」では、プラトンの記憶論から話が始まりますし、論文では脳の記憶を司る海馬に喩えていたりして、なかなか格調高いです。単なるニューラルネットワークの性能改善に留まらず、哲学や神経科学の観点からも理想の人工知能に一歩近づくことができたよ、これは新しいコンピュータの在り方の発明なのではないか、という気概が感じられます。 仕組みとしては流行りのAttentionという概念が入っていて、メモリを表す行列と、それを選択的に操作しながらベクトルを入出力するコントローラがありま

pixivの中の人が、単語の意味ベクトルを機械学習した記事を公開されています。 アニメやゲームの二次創作で賑わっているpixiv小説を学習しただけあって、きちんとオタクらしい単語の意味を獲得できているところが凄いですね。 「刀剣男子」 - 「男」 + 「女」= 「艦娘」 pixiv小説で機械学習したらどうなるのっと【学習済みモデルデータ配布あり】 なんと素敵なことに学習済みモデルも配布されているので、ちょっと遊んでみようと思います。 まほうつかいはじめました！ 試しに、『ラブライブ！』のスクールアイドル「矢澤にこ」 矢澤にこ「スマイル・フォー・ユー」 | Amazon.co.jp の意味ベクトルを覗いてみましょう。 これがFacebookの人工知能が学習した、宇宙No.1アイドルにこにーの意味ベクトルだ！ $ grep 矢澤にこ fasttext-model.vec 矢澤にこ 0.0197

TensorFlow? Google製の機械学習ライブラリTensorFlowを触りはじめました。 その名のとおり、テンソル（多次元配列）のデータフローを組み立てると、その計算グラフから自動微分してくれる仕組みを提供してくれるため、とてもディープラーニング（深層学習）と相性がいいです。 さらにTensorFlowにはTensorBoardというログ可視化ツールが付いていて、これが素晴らしいです。ちょっとしたコードで達成感が味わえるので、入門用にもうってつけです。 ということで私も『ディープラーニング勉強会 AutoEncoder』で勉強したDenoising AutoEncoderを、ザクッと実装して可視化してみました。今回はミニバッチ学習も取り入れてます。 TensorBoard! TensorBoardで可視化したデータフローは、こんな感じになります。 入力層にノイズをかけて、隠れ層で

元ネタ Spark MLlib の K-means を Java から利用してみる - ALBERT Engineering Blog のScala移植版です。 とても丁寧な解説付きなので、まずはそちらをご覧ください。 Scalaコード 変数名やデータ構造および出力フォーマットは、元ネタに合わせています。 言語以外に変更した点は、下記の通りです。 "iris.txt"が見当たらなかったので、"iris.data"を使いました。 ヘッダ行ではなく空行を取り除いています。 http://archive.ics.uci.edu/ml/machine-learning-databases/iris/ Sparkのバージョンを上げているため、特徴ベクトルの型がMLib独自のものになっています。 Java 8 ＆ 機械学習の視点でみる Spark 1.0 リリース - ALBERT Engineeri

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 某所ディープラーニング勉強会の発表資料です。 AutoEncoderって何？ 出力データが入力データをそのまま再現する3層ニューラルネットだよ。 普通は、隠れ層の次元を入力層＆出力層より小さくするよ。 AutoEncoderの意味は？ 次元削減だよ。 データが分布する多様体を推定しているともいえるよ。 主成分分析に似てるけど、シグモイド関数とかの非線形変換もいけるよ。 AutoEncoderはいつ使うの？ 事前学習だよ。ニューラルネット全体で学習を行うための良い初期パラメータを得るのに行うよ。 訓練データで教師無し学習をしていくよ。n層

# include <iostream> # include <vector> // vectorのラッパークラス template<typename T> class Foo { std::vector<T> data_; public: Foo(const std::vector<T>& data) : data_(data) {} // コピーのコストを嫌ってconst参照で返すゲッター const std::vector<T>& data() const { return data_; } }; // テンプレート引数を省略するためのファクトリ template<typename T> Foo<T> make_foo(const std::vector<T>& data) { return Foo<T>(data); }; int main() { std::vector<int>