転移学習：機械学習の次のフロンティアへの招待 - Qiita
機械学習を実務で使う場合、「ではお客様、ラベルデータを・・・」と申し出て色よい返事が返ってくることはあまりありません。また、例えば自動運転車を作るときに、データが足りないからその辺流してくるか、お前ボンネットに立ってデータとってな、とするのは大変です。 NICO Touches the Walls 『まっすぐなうた』 より そこで必要になってくるのが転移学習です。 転移学習とは、端的に言えばある領域で学習させたモデルを、別の領域に適応させる技術です。具体的には、広くデータが手に入る領域で学習させたモデルを少ないデータしかない領域に適応させたり、シミュレーター環境で学習させたモデルを現実に適応させたりする技術です。これにより、少ないデータしかない領域でのモデル構築や、ボンネットに立つという危険を侵さずにモデルを構築することができるというわけです。 この転移学習の可能性は、NIPS 2016
TrBagg: A Simple Transfer Learning Method and Its Application to Personalization in Collaborative Tagging(ICDM 2009) 読んだ - 糞糞糞ネット弁慶
http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.164.5964 まず先に転移学習のサーベイ - kamishima.net(pdf)で転移学習についての大体のイメージを掴んだ上で読んだ． 目的 転移学習でバギング．Abstに we propose a very simple approach to transfer learning http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.164.5964 と書いてある． そもそも転移学習とは 上のサーベイを読むのが一番早いけれど自分なりのまとめとして． 大まかな理解としては，ある領域で得た知見を関連する別の領域に活用するための枠組が転移学習と呼ばれている，といった感じ． 最近だと 整っていないけど，数は多いデータ(クロ
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
