ディープラーニングによるホットドッグ検出器のレシピ - クックパッド開発者ブログ
研究開発部の画像解析担当のレシェックです。techlife を書くのは初めてです。よろしくお願いいたします。 最先端の機械学習を使うためには、常に自分のスキルアップが必要です。そのために、毎日論文を読んだり、新しいオープンソースのコードを試してみたり、クックパッドのデータで実験しています。これはちょっと料理の練習と似ています。新しいモデルを学習させるのは料理をオーブンに入れるのと同じ気持ちです。オーブンの温度は学習率と同じで、低すぎだとよく焼けず、高すぎだと焦げてしまいます。しかし、ちゃんと他のリサーチャーの論文やブログの中のレシピを見ながら自分のデータでモデルを学習させると、失敗せずに済むかもしれません。 このエントリでは、そういった機械学習のレシピの一例を紹介します。 このブログで使っているテスト画像はPixabayから取得した、Creative Commonsのライセンスの写真です。
ふわふわ系列ラベリング - Speaker Deck
All slide content and descriptions are owned by their creators.
機械学習を使ってUI自動テストをサイト間で再利用する - DeNA Testing Blog
SWETの薦田（@toshiya-komoda）です。 今回は第3回目の記事で言及させていただいた機械学習とUIテストに関して実験的に進めている技術開発について紹介させていただこうと思います。 この記事で紹介している内容の実装はGitHubにアップロードしていますので、もし興味がある方はこちらも覗いてみていただければと思います。 こちらはTensorFlow Advent Calender 2017第７日目の記事にもなっています。機械学習の実装の中でKerasを用いてます。 とりあえずデモ 最初に以下のデモ動画をご覧いただきたいです。会員登録フォームに対する自動テストのデモです。各入力欄に適切な情報を入力しつつ、パスワード欄にだけ'weak'という不正なパスワード文字列を入力して、バリデーションで弾かれることを確認するテストです。デモでは入力欄に値を埋める部分を、Chrome Extens
メルカリの今年1年間の機械学習の取り組みとこれから
これはMercari Advent Calendar 2017 の2日目の記事です。 昨日は @stanaka の分散ファイルシステムはブロックチェーンの夢を見るか でした。 今回は@Hmj_kd が、メルカリの機械学習の取り組みや機械学習エンジニアの今年行ってきた活動のいくつかをご紹介したいと思います。 以下、一部にて機械学習をMLと略します。 この1年間で機械学習で取り組んだこと 私が入社したのは2017/01で、社内では二人目の機械学習エンジニアでした。 その当時は speakerdeck.com にあるように、プロダクトにMLに関するものはありませんでした。 現在は、チーム全体でマネージャも含めて約10人ほどの組織になり、活発に実験や開発が行われています。 いくつかを列挙しますと - 商品出品時の価格推定とサジェスト - 一部カテゴリについて商品タグの推定 - 商品出品時のカテゴリ
ニューラルネットの逆襲から５年後 | Preferred Research
私が2012年にニューラルネットの逆襲（当時のコメント）というのをブログに書いてからちょうど5年が経ちました。当時はまだDeep Learningという言葉が広まっておらず、AIという言葉を使うのが憚られるような時代でした。私達が、Preferred Networks（PFN）を立ち上げIoT、AIにフォーカスするのはそれから1年半後のことです。 この5年を振り返る良いタイミングだと思うので考えてみたいと思います。 1. Deep Learning Tsunami 多くの分野がこの5年間でDeep Learningの大きな影響を受け、分野特化の手法がDeep Learningベースの手法に置き換わることになりました。NLP（自然言語処理）の重鎮であるChris Manning教授もNLPで起きた現象を「Deep Learning Tsunami」[link] とよびその衝撃の大きさを表して
10 RecSys papers everyone should read
In this post, we present a very opinionated list of 10 RecSys papers everyone should read. The first five papers are the top-5 most rated papers according to the ACM digital library (out of a list of 925 papers published). These five papers account for ~ 12% of all the RecSys conference papers citations! Performance of recommender algorithms on top-n recommendation tasks — 2010, by Paolo Cremonesi
Home
2018 Tutorial - Open-Domain Neural Dialogue Systems Until recently, the goal of developing open-domain dialogue systems that not only emulate human conversation but fulfill complex tasks, such as travel planning, seemed elusive. However, we start to observe promising results in the last few years as the large amount of conversation data is available for training and the breakthroughs in deep learn
GBDT によるクリック率予測を高速化したい #オレシカナイト vol.4
Gradient boosting decision trees (GBDT) を使ってクリック率を予測する場合に使えそうな高速化方法についてお話しました。
Program ｜ 情報系 WINTER FESTA Episode3
13:00 - 13:05開会・主催者挨拶 河原林 健一JST ERATO 河原林巨大グラフプロジェクト 研究総括 13:05 - 13:25基盤(S) 離散構造処理系プロジェクト紹介 / ハイライト 湊 真一北海道大学 石畠 正和北海道大学 Hei Chan北海道大学 坂上 晋作NTT コミュニケーション科学基礎研究所 蓑田 玲緒奈北海道大学 高 サン北海道大学 鈴木 浩史北海道大学 講演資料講演映像 13:25 - 13:45CREST 松本プロジェクト紹介 / ハイライト 松本 裕治奈良先端科学技術大学院大学 進藤 裕之奈良先端科学技術大学院大学 相澤 彰子国立情報学研究所 Truong-son Nguyen北陸先端科学技術大学院大学 井之上 直也東北大学 狩野 芳伸静岡大学 浅谷 公威東京大学 鶴岡 慶雅東京大学 講演資料 13:45 - 14:30ポスターセッション 14:30
20171115_Cookpad_TechKitchen_#13
Talk at https://cookpad.connpass.com/event/70076/
数十万の選択肢の中から適切な解を 世界最速かつ高精度に予測するAI技術をOSSとして公開 / プレスルーム - ヤフー株式会社
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社のコーポレートサイトはこちらです。 当ページに記載されている情報は、2023年9月30日時点の情報です。 ～従来技術の約58倍の速度を記録、コマースや広告のパーソナライズ精度向上へ～ ヤフー株式会社（以下、Yahoo! JAPAN）は、数十万の選択肢の中から適切な解を、世界最速かつ高精度に予測するAI（機械学習）技術「AnnexML（アネックスエムエル）」を開発し、11月15日（水）よりオープンソースソフトウェア（OSS）として公開しました。 「AnnexML」（以下、本技術）は、“ユーザーのサービス利用情報”などのビッグデータと、“そのユーザーがクリックした広告”などの数十万の選択肢との組み合わせを効率的に学習でき、“サービス利用情報のあるユーザーに対して、どの広告がクリックされやすいか”と
pytorchで行列分解 〜行列分解をふんわり理解する〜 - Qiita
はじめに IBIS2017のチュートリアルで，林先生が「テンソル分解をニューラルネットのフレームワークでやれば楽チンではないか」みたいなことを言っていて，確かに便利そうだと思ったのでそれを試す． ここではフレームワークとしてpytorchを使う． まずは前段階として単純行列分解をやってみる． テンソル分解はそのうちやりたい．（余裕があれば ） テンソル分解もpytorchでテンソル分解（CP分解）でやった． 環境 Python 3.6.1 torch (0.2.0.post3) torchvision (0.1.9) モデルの定義 $X$を$U V^{T}$に分解することを考える．$X$が(n,m)行列のとき，Vは(n,r)行列，Vは(m,r)行列になる． import torch from torchvision import datasets, transforms from torc
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
WaveNetが音声合成研究に与える影響
Presentation slides of #recsys2017
Fact Extraction and VERification
Miauhaus
Coursera | Online Courses From Top Universities. Join for Free
朝日新聞単語ベクトル
The State of ML and Data Science 2017 | Kaggle
Kaggle Blog – Medium
