word2vecとLSTMを使って文章の忍術属性印象[火,水,木,金,土]を推定してみた - Qiita
ゼミで新しいメンバーが入ってくる度に、なんでword2vecを使うのか、なんでLSTMで推定するといいのか、といった話を何度もしている気がしたので、応用例と共に文章として認めることにしました。 なので基本的に機械学習に疎い人向けにも書いてますが、敢えて少し踏み込んだ話もしています。 本記事を読むにあたって、ニューラルネットをなんとなくでも知っていれば、踏み込んだ話まで理解できるかもしれません。 また、使ったライブラリが昔に自分が勉強がてら作成したものなので、具体的なコードの扱いなどについてはこの記事で触れないことにします。 先日VRハッカソンで作成したゲームの一部の機能としてこの推定器を作ってました。 そのゲームでは、ユーザに任意のフレーズを忍術として発してもらい、そのフレーズの属性値を推定してそれに合わせた忍術を発生させて、襲い掛かってくる忍者達を一掃する、という内容のものです。 処理の
![word2vecとLSTMを使って文章の忍術属性印象[火,水,木,金,土]を推定してみた - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/679a8171d210b3a731561742d0add5c24d6e367b/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBKYWg1MjQmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTkyYTlhMDg2ODcwMDI2MTY0NmNlYTc0MmUzYWVhOWZh%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Ddc2046e609615c34d0f55af3c1561519)
Chainerで学ぶLSTM - kivantium活動日記
このブログで何回も取り上げているように、ニューラルネットワークを用いた機械学習はかなりの力を発揮します。畳み込みニューラルネットワーク(convolutional neural network, CNN)は画像中で近くにあるピクセル同士の関係に注目するなど画像の特徴をうまくとらえたネットワークを構築することでかなりの成功を収めています。ノーフリーランチ定理が示唆するように万能の機械学習器は存在しないため、対象とするデータの特徴を捉えた学習器を構築することが機械学習の精度を上げる上で重要になります。 そこで今回は時系列データの解析に向いた回帰結合ニューラルネットワーク(recurrent neural network, RNN)の精度を上げるのに重要なLSTMを取り上げます。 この記事では誤差逆伝搬などのニューラルネットワークの基本知識は説明しません。誤差逆伝搬についてはPRMLの5章やNe
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
処理を実行中です
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
ニューラルネット勉強会（LSTM編）
LSTMを用いた自然言語処理について
