Ray: A Distributed System for AI
As machine learning algorithms and techniques have advanced, more and more machine learning applications require multiple machines and must exploit parallelism. However, the infrastructure for doing machine learning on clusters remains ad-hoc. While good solutions for specific use cases (e.g., parameter servers or hyperparameter search) and high-quality distributed systems outside of AI do exist (
Ray - RISE Lab
Ray is a high-performance distributed execution framework targeted at large-scale machine learning and reinforcement learning applications. It achieves scalability and fault tolerance by abstracting the control state of the system in a global control store and keeping all other components stateless. It uses a shared-memory distributed object store to efficiently handle large data through shared me
オライリーから「仕事ではじめる機械学習」が出版されます
どういう本なの？まえがきのスクリーンショットを貼りましたが、この本は多くの機械学習の本とは異なり、機械学習の実務で使えるようになるために知りたい、機械学習を含めたシステムのアーキテクチャや機械学習プロジェクトの進め方、効果検証をどうするのかということをまとめました。 めざすところのイメージ既に多く刊行されているTensorFlowやChainerでディープラーニングをしてみようというものでもなければ、機械学習の理論をわかりやすく解説するといった類のものでもありません。ゼロから作るDeep LearningやCourseraのMachine Learningで学んだけど、実際の仕事に活かすにはどうしたら良いだろう？という疑問に答えているつもりです。また、大学の講義などで機械学習は学んだけど、実際仕事で機械学習のプロジェクトを進めるときはどうすればいいんだろう？という人にも得るものがあると思い
PQk-means: Billion-scale Clustering for Product-quantized Codes
Data clustering is a fundamental operation in data analysis. For handling large-scale data, the standard k-means clustering method is not only slow, but also memory-inefficient. We propose an efficient clustering method for billion-scale feature vectors, called PQk-means. By first compressing input vectors into short product-quantized (PQ) codes, PQk-means achieves fast and memory-efficient cluste
ビームサーチの基礎知識と機械学習への3つの活用事例
深さ優先探索と幅優先探索 深さ優先探索 幅優先探索 ビームサーチ 機械学習への応用 Google Alloの返答 学習時にビームサーチの幅を持たせて学習 3D形状の学習への応用 まとめ 参考文献 ビームサーチ（Beam Search）は、探索アルゴリズムの一種でメモリをそれほど必要としない最良優先探索です。 機械学習の分野でも、翻訳やチャットボットの返答などに応用されています。本記事では、ビームサーチのアルゴリズムを理解してどのように応用されているのかを解説します。 機械学習を活用したシステムを構築する際にも、探索空間が広い場合などには応用可能なので、使いこなせるようにしておくと役に立ちます。 深さ優先探索と幅優先探索 いきなりビームサーチの解説に入る前に、理解しやすいようにグラフ探索アルゴリズムを紹介します。 深さ優先探索 深さ優先探索は、その名の通り可能な限り突き進んで、行けなくなった
RubyでSVMをつかう [rb-libsvm] - schima.hatenablog.com
近年大人気(？)のSVM[Support Vector Machine]を、Rubyから簡単に使う方法です。 SVMのライブラリとしてはlibsvmが著名です。これをRubyから触るためのgemは複数ありますが、ここではrb-libsvmを使いました。 環境はDebian wheezy, Rubyのバージョンは1.9.3p194です。 導入 まずlibsvm。 sudo apt-get install libsvm-dev libsvm3続いてrb-libsvm。 sudo gem install rb-libsvmなお今回、結果を視覚的に出したいので、gnuplotも入れておきます。x11-gnuplot が無くてこの後はまりました。 sudo apt-get install gnuplot x11-gnuplot sudo gem install gnuplot 学習データの用意 お題
![RubyでSVMをつかう [rb-libsvm] - schima.hatenablog.com](https://cdn-ak-scissors.b.st-hatena.com/image/square/2cd3597304dcdb1dcfc8344c079c4204ede975a6/height=288;version=1;width=512/https%3A%2F%2Fogimage.blog.st-hatena.com%2F11696248318758502585%2F12921228815711719867%2F1387897589)
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
GitHub - amueller/introduction_to_ml_with_python: Notebooks and code for the book "Introduction to Machine Learning with Python"
GitHub - clab/dynet: DyNet: The Dynamic Neural Network Toolkit
https://render.githubusercontent.com/view/ipynb?commit=9435e382d62279663d8e51f976212cef017ccae7&enc_url=68747470733a2f2f7261772e67697468756275736572636f6e74656e742e636f6d2f636c61622f64796e65742f3934333565333832643632323739363633643865353166393736323132636
株式会社 講談社サイエンティフィク
GitHub - arbox/machine-learning-with-ruby: Curated list: Resources for machine learning in Ruby
Pythonで始める機械学習入門