機械学習と情報セキュリティ~2017前半 // Speaker Deck
All slide content and descriptions are owned by their creators.
MLDMAImap.graffle
ICML NeurIPS UAI BigData KDD SIGMOD IJCAI DS ALT ICDM ECML ICDE VLDB COLT AAAI SIGIR PAKDD ACML SDM WWW WSDM RecSys CHI IUI ICANN IJCNN STOC FOCS ICPR ICCV ICASSP InterSpeech CVPR ACL CoNLL NAACL EMNLP ICLR KES ECAI ICWSM CIKM HCOMP UIST AISTATS WI ILP ISWC SODA PRIMA EDBT PODS STACS ICALP ESA IAAI ECCV ACCV TREC GECCO CEC IJCNLP COLING EACL ECIR ICONIP AAMAS DSAA PKDD AIRS PRICAI ICIP BMVC CSCW M
Neural networks and deep learning (日本語訳)
ニューラルネットワークと深層学習 What this book is about On the exercises and problems ニューラルネットワークを用いた手書き文字認識 逆伝播の仕組み ニューラルネットワークの学習の改善 ニューラルネットワークが任意の関数を表現できることの視覚的証明 ニューラルネットワークを訓練するのはなぜ難しいのか 深層学習 Appendix: 知性のある シンプルな アルゴリズムはあるか? Acknowledgements Frequently Asked Questions Sponsors Resources 「ニューラルネットワークと深層学習」は無料のオンライン書籍です。 この本では、次のような内容を扱います。 ニューラルネットワーク：コンピュータに、観測データにもとづいて学習する能力を与える、生物学にヒントを得たプログラミングパラダイム。 深
Deep Learning
An MIT Press book Ian Goodfellow and Yoshua Bengio and Aaron Courville The Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general and deep learning in particular. The online version of the book is now complete and will remain available online for free. The deep learning textbook can now be ordered on Amazon. For up to date an
DQNの生い立ち ＋ Deep Q-NetworkをChainerで書いた - Qiita
はじめに そもそもDQNが作りたかったわけじゃなくて、他の目的でChainerを使いたかったのでその練習にDQNを書いたんですが、せっかくだし公開しようと思いました 公開しました 。またどうせ公開するなら、この機会にこれ（Q学習+関数近似）関連で持っている知識をついでに整理しようと思ってまとめました。 ニュース記事とかNatureとかNIPSの論文だけ読むと、DQN作ったDeepmind/Googleすげー！！！って感覚になりそうですが、強化学習的な歴史的経緯を考えると強化学習+深層学習になった、むしろかなり当然の成り行きで生まれた技術であることがわかります。（ATARIのゲームを人間以上のパフォーマンスでプレイするというのがビジュアル的にわかりやすかった$\leftrightarrow$問題設定が良かったというのもあります。） この記事ではNIPSとNatureの以下の２本の論文 ・ V
中国の人工知能研究が日本を一気に抜き去った理由 : 深読みチャンネル : 読売新聞（YOMIURI ONLINE） 1/4
コンピューターで人間の頭脳を代替する人工知能（ＡＩ）の研究競争が世界で 熾烈 ( しれつ ) さを増してきた。中でも中国の伸長が著しく、ＡＩで東京大学合格をめざす日本のプロジェクトを模倣した中国版「難関大学突破プロジェクト」も始まった。産業応用を狙うと言い、技術交流を日本側に持ちかけてきた。中国側の狙いはどこにあるのか。日本側のプロジェクト・ディレクターである新井紀子・国立情報学研究所（ＮＩＩ）教授に寄稿してもらった。 ＊新井教授の横顔は こちら １９８０年代初頭に茨城県つくば市を訪れたことがある。研究機関らしい巨大なビルが点在する広大な空き地の上を、建設作業車が土埃(ぼこり)を上げて雑草をなぎ倒して行く。あの頃のつくば市によく似ている。それが私の中国・合肥の第一印象である。 私は２０１５年７月、合肥にある「ｉＦＬＹＴＥＫ」（アイフライテック；科大迅飛）という新興ＩＴ企業で開催される“中国
「機械学習」の破壊力
出典：日経SYSTEMS 2015年11月号pp.42-49 （記事は執筆時の情報に基づいており、現在では異なる場合があります） 機械学習を活用した情報システムの数や規模が急拡大している。背景には、ここ最近のビッグデータ基盤の整備がある。大量のデータを蓄積し、それを解析して見えないものを予測し、ビジネスに活用したい。そんなニーズに応えるのが、機械学習なのだ。 例えば、みずほ銀行は2015年10月、コールセンターで試用してきたIBM Watsonによる端末を20倍の規模に拡大した。将来的には同年7月に5店舗に配置した人型ロボット「Pepper」と連携させる計画である。リクルートテクノロジーズでもこの7月、SNS「ギャザリー」の中で機械学習の試験運用を開始。投稿された画像を自動で識別し、社会的に問題のあるセクシャル/グロテスクな画像を人が介在することなく排除する仕組みである。 もはや機械学習は
Kaggle Ensembling Guide | MLWave
Model ensembling is a very powerful technique to increase accuracy on a variety of ML tasks. In this article I will share my ensembling approaches for Kaggle Competitions. For the first part we look at creating ensembles from submission files. The second part will look at creating ensembles through stacked generalization/blending. I answer why ensembling reduces the generalization error. Finally I
Understanding Convolutional Neural Networks for NLP
When we hear about Convolutional Neural Network (CNNs), we typically think of Computer Vision. CNNs were responsible for major breakthroughs in Image Classification and are the core of most Computer Vision systems today, from Facebook’s automated photo tagging to self-driving cars. More recently we’ve also started to apply CNNs to problems in Natural Language Processing and gotten some interesting
Neural networks and deep learning
Neural Networks and Deep Learning What this book is about On the exercises and problems Using neural nets to recognize handwritten digits How the backpropagation algorithm works Improving the way neural networks learn A visual proof that neural nets can compute any function Why are deep neural networks hard to train? Deep learning Appendix: Is there a simple algorithm for intelligence? Acknowledge
Ryan Dahl
Dear Oracle, Please Release the JavaScript Trademark2022-09-03 In 1995 Netscape partnered with Sun Microsystems to create interactive websites. Famously Brendan Eich spent only 10 days to create the first version of JavaScript - a dynamic programming language with a roughly syntactic lineage from Sun’s Java language. As a result of this partnership Sun held the trademark “JavaScript”. In 2009 Orac
データサイエンティストが語る、データ分析競技という世界の実際と魅力：第1回 | IT Leaders
IT Leaders トップ ＞ 経営課題一覧 ＞ 組織と人材 ＞ データサイエンティストの思考法〜KDD Cup世界第2位の頭の中〜 ＞ データサイエンティストが語る、データ分析競技という世界の実際と魅力：第1回 組織と人材 組織と人材記事一覧へ [データサイエンティストの思考法〜KDD Cup世界第2位の頭の中〜] データサイエンティストが語る、データ分析競技という世界の実際と魅力：第1回 2015年11月19日(木)原田 慧 リスト 「ビッグデータ」「データサイエンティスト」といったキーワードとともに、データ分析が注目されています。しかし実際には「何をやれば良いのかよく分からない」「どんな人材を育てれば良いのか」という声を多々耳にします。筆者らのデータ分析チームは、「KDD Cup 2015」というデータ分析の国際大会で2位に入賞しました。本連載では、同大会でのデータ分析の中で分析者
Dangers of Using RMSE: Netflix Case Study
RMSE or Root Mean Squared Error is a widely used method to evaluate the effectiveness of a model. Mike De Waard has one of the simplest and clearest explanations on how it works: The Root Mean Squared Error (RMSE or RMSD where D stands for deviation) is the square root of the mean of the squared differences between the actual value and predicted value. As this is might be hard to grasp, I'll expla
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
Introduction to Competitive Machine Learning - Threads @ IIIT Hyderabad - Quora
https://martin.zinkevich.org/rules_of_ml/rules_of_ml.pdf
Recurrent Neural Networks Tutorial, Part 1 – Introduction to RNNs
Approaching (Almost) Any Machine Learning Problem | Abhishek Thakur | No Free Hunch
Neural Network Architectures
GitHub - terryum/awesome-deep-learning-papers: The most cited deep learning papers
General Tips for participating Kaggle Competitions
