■ 内容 ・分析グループの紹介(島田) ・傾向スコアによるタクシーアプリ『GO』利用影響の分析(佐竹) ・Causal Forestによるタクシーアプリ『GO』のCATE推定(秋月) ■ YouTube https://youtu.be/fvgBK8hc9mY?t=232 ■ connpass https://jtx.connpass.com/event/263378/
無償かつ入手しやすい音声データセットをメモしています。 ライセンス・利用規約は「商用利用可能」「研究用途のみ」ともに紹介します。 コーパスを探すときに有用なサイト コーパス配布元サイト 音声資源コンソーシアム : 日本語コーパスが豊富、無償または有償で利用可能 緩いライセンスのコーパスでなくても良いときはここ 自発的発話の日本語音声コーパスはだいたいここにある 入手は要申請 所属や責任者を記入する必要があるため、研究者や企業でないと厳しい? (この記事では音声資源コンソーシアムのコーパスは未掲載) Shinnosuke Takamichi: コーパス一覧 : 日本語中心。高道先生が携わっている音声コーパス 大量の日本語音声コーパスが配布されている 音声合成のコーパスをつくろう (Slideshare) : 2021年6月時点の音声コーパス事情 あなたにどうしても伝えたい30の音声コーパス
本内容は、技術書典7 合同本『機械学習の炊いたん2』収録の、「エッジで機械学習」記事を公開したものです。内容は2019年9月時点の調査等に基づきます。 最近Raspberry Pi 4の検証結果などをみていると、エッジ、かつCPUでもそれなりの速度で動くケースもみられます。またこの後にM5StickV(K210)などを触りましたが、専用チップも使い所があります。今後、それらの動きもできれば補足したいと思います。 9/12-22に開催された技術書典9では、新刊『機械学習の炊いたん3』を頒布しました。私は、「AIエンジニア、データサイエンティストのための経営学、ソフトウェア工学」を寄稿しています。他にも機械学習のビジネス、エンジニアリング、数理までもりだくさん。気になられたら、ぜひご覧ください! 他にも、技術書典9「機械学習、データ分析」系の新刊リスト - Qiitaの通り、たくさんの本が出品
「60分で学ぶ数理最適化」というスライドを作ってみました.60分で終わりませんでした.たぶん90-120分かかります. https://t.co/LguYWZWCb0
はじめに🤪 ノンコーディングで機械学習モデルが生成可能なツール、サービスをご紹介します。 GUIツールから、pythonライブラリなど、様々な物を探してみました。 そもそもAutoMLって?😅 機械学習にはそもそも以下のようプロセスがあります。 課題定義 データ収集 データ調整 特徴エンジニアリング アルゴリズム選定 パラメータ調整 学習 評価 推論 このうち3~9の部分を自動的に行ってくれるのがAutoMLツールとなります。 どんなサービスがあるか 大きく分けて以下のカテゴリがあります。 * クラウドサービス * オープンソースライブラリ * フリーソフト クラウドサービス🌥 DataRobot https://www.datarobot.com/ サービス内画面 Dataiku https://www.dataiku.com/ サービス内画面 H2O DriverlessAI h
自分は機械学習を学びたい全ての人類に(CourseraのAndrew Ngのコースをやった後に)Andrew NgのStanfordのCS229の講義を見ることをオススメしてるんですけど、その講義の2018年度バージョンが公開され… https://t.co/OUokFft3ea
この動画では、フィルタリングを行う信号処理をDeep Learningで行う方法について解説します。 次の動画:「Deep Learningで行う予測」 https://www.youtube.com/watch?v=cOcBeDRhG9M 前回の動画:「セマンティックセグメンテーション」 https://www.youtube.com/watch?v=Eu7EKQ--Rvk 再生リスト「実践Deep Learning」 https://www.youtube.com/playlist?list=PLg1wtJlhfh20zNXqPYhQXU6-m5SoN-4Eu ニューラルネットワーク学習の仕組み https://www.youtube.com/watch?v=r8bbe273vEs Deep Learning 精度向上テクニック:様々なCNN #1 https://www.y
中村拓磨(ZOZO Research) はじめにKDDやICCVといった名だたる国際会議において,ファッション関連技術を扱うワークショップが開催されるようになりました.ここ数年でファッションに対する認識技術への関心は大きくなっていることが伺えます. ファッションというドメインは,研究対象としては敬遠されてきたかと思います.多様性や主観を多分に含むことは原因のひとつですが,最近は状況が変わりつつあります.深層学習ブーム以降の他のドメインと同様,認識技術の高度化・データセットの充実・産業界の需要の増加などの要因で研究事例の数も増加傾向にあります. 環境の変化もさることながら,ファッションという現象自体も実に多様な研究テーマを内包しています.例えば,以下のように分解してみました. – 視覚的な印象やデザイン: 画像認識– 特定の衣服の流行・トレンド: 時系列解析– 衣服のコーディネート: 組合せ
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