Yarin Gal - Home Page | Oxford Machine Learning
I lead the Oxford Applied and Theoretical Machine Learning Group (OATML) group. I am an Associate Professor of Machine Learning at the Computer Science department, University of Oxford. I am also the Tutorial Fellow in Computer Science at Christ Church, Oxford, a Turing AI Fellow at the Alan Turing Institute, and Director of Research at the UK Government’s AI Safety Institute (AISI). Bio: see here
社内でKaggleの布教活動をやっている話 - yasuhisa's blog
最近、社内勉強会で機械学習についてエンジニアに説明する機会があり、その際にKaggleについても説明しました。一方で うーん、「Kaggler はパラメータチューニングやアンサンブル等の自明でインクリメンタルな改善『しか』できない」というような誤解はどうやって解いていけばいいんだろう。— im132nd (@im132nd) 2018年4月4日 という話もあり、(特にデータサイエンティスト以外の職種の人が)Kaggleをやる意義/メリットについてまとめてみました。ガッと勢いで書いたので、項目に結構被りがあります。なお、書いている本人はKaggleほぼ初心者であまり説得力がないです。Kaggle Masterの人がもっといいエントリを書いてくれるのを期待しています、議論の叩き台エントリです!! Kaggleをやる意義/メリット 様々なデータセットを触ることができる kernelでデータ分析の
なぜ地方のクリーニング屋で機械学習？ 「無人店舗作りたい」 たった1人、独学でAI作る副社長の挑戦 (1/2) - ITmedia NEWS
なぜ地方のクリーニング屋で機械学習？ 「無人店舗作りたい」 たった1人、独学でAI作る副社長の挑戦（1/2 ページ） 「中小企業でお金もない、人もいない。ここ10年でIT化に取り組んできたが、今ある課題や業界の将来を見据え、今はAI（人工知能）を自作している」──福岡県田川市でクリーニング店を8店舗展開するエルアンドエーの田原大輔副社長はこう話す。同社はスーツやズボンなどを判別する画像認識システムなどを導入。人材が不足するクリーニング業界の中で業務効率化を図るためいち早くIT化に取り組み、いずれは無人店舗のオープンを目指す。 IT化に取り組んだ10年 電話からSkypeによるビデオチャットへ、メールからチャットワークへ、ExcelからGoogleスプレッドシートへ──2008年ごろから10年近くクリーニング業務のIT化を進め、15年11月にGoogleの機械学習用オープンソースライブラリ「
確率モデルにおけるグラフィカルモデル表現とかプレートノーテーションについて 適当でテキトーなブログ
1.はじめに LDAやHMMをはじめとする言語モデル（生成モデル）に関する文献でよく下のような図を見る． これを初めて見た人は「なんぞ？」となる人が多いと思う．かくいう私もその一人だった．（私の場合はもっと複雑な図だった．）しかしながら，業界一般的な表現方法のためか論文にはこの図の見方には一切書かれていないことがある．なので研究し始めた人はこの図を見た時点で挫折してしまう．ありがたい事に今はわかりやすい参考書があるのでこれらを読めば，なんとなくこの表記の意味がわかると思う．しかし日本語でこの手の事を詳しく説明したwebページはなかったので，自分なりにまとめてみることにした． 2.グラフィカルモデルとプレートノーテーションについて まず，多くの文献にて上のような図のことをグラフィカルモデル（表現）と述べている．ところが，実際に「グラフィカルモデル」に関してこの本やWikiページ等で調べてみて
MLPシリーズ『ガウス過程と機械学習』サポートページ
News: Kindle版の配信が4/26に始まりました. (2019/4/26) [Amazon Kindle] 大羽さん担当章に関する, 本サポートページの補足はこちらです. (2019年4月7日) Google Colaboratoryの実習用ノートブックを追加しました. (2019年3月14日) 無事発売されました. (2019年3月9日) [Amazon] [紀伊国屋書店] (正誤表) さまざまな分野でのガウス過程の例 天文学: "Finding Galaxies in the Shadows of Quasers with Gaussian Processes", Roman Garnett, Shirley Ho, Jeff Schneider, ICML 2015. 紹介スライド (持橋): gpgalaxy.pdf [paper] 生態学: "Fast and flexi
PythonのSymPyで変分ベイズの例題を理解する - StatModeling Memorandum
この記事の続きです。 ここではPRMLの10.1.3項の一変数ガウス分布の例題（WikipediaのVariational_Bayesian_methodsのA basic exampleと同じ）をSymPyで解きます。すなわちデータが に従い*1、とが、 に従うという状況です。ここでデータ（）が得られたとして事後分布を変分ベイズで求めます。 まずはじめに、上記の確率モデルから同時分布を書き下しておきます。 なので、 となります。 この問題は単純なので事後分布は厳密に求まるのですが、ここでは変分ベイズで解きます。すなわち、事後分布をで近似します。さらにと因子分解可能と仮定します。そして、前の記事の最後の2つの式を使って、とが収束するまで繰り返し交互に更新して求めるのでした。以下ではこれをSymPyでやります。 from sympy import * from sympy.stats imp
必博.(中国)BIBO-官方网站
必博是一家专注于体育新闻报道和资讯传播的知名企业，专业致力于为广大体育爱好者提供及时、全面、具有深度的体育信息服务。公司成立于1998年，总部设立在鹤山市，旨在通过公司的专业报道和深度分析，为体育爱好者提供最新的赛事信息、背景故事、技术分析以及明星运动员的独家采访。必博凭借其丰富的体育资源和资讯渠道，为体育爱好者带来了一场又一场的视觉盛宴。 公司自成立以来，始终秉承客户至上、专业服务的经营理念，通过不断创新和发展，逐步建立起了自己独特的品牌形象和市场地位。必博涵盖了足球、篮球、网球、田径等多个体育项目，通过多领域的报道和丰富多样的内容，吸引了大量的体育迷和球迷关注和支持。公司不仅为广大用户提供体育新闻资讯，还拥有一支实力强大的专业团队，能够为客户提供专业的体育赛事解说和赛后分析，为他们带来一流的观赛体验。 必博以其独特的报道视角和深入的分析，深受广大体育爱好者的喜爱和信赖。公司立足于鹤山市
Backpropしないニューラルネット入門 (2/2)
1. 概要下記のarXiv論文を紹介します。 Jinshan Zeng, Tim Tsz-Kit Lau, Shaobo Lin, Yuan Yao (2018). Block Coordinate Descent for Deep Learning: Unified Convergence Guarantees.arXiv:1803.00225 現時点では投稿されて間もない論文ですが、個人的には機械学習の論文を読んでいて久々に楽しい気持ちになれました。 論文の提案手法はgradient-free methodと呼ばれる手法の一種なので、本記事はそのあたりのレビューも少し兼ねます。 2. 勾配法の収束条件ニューラルネットの構造をひとつ固定し、その構造を使って表せる関数の全体を $\mathcal{F}$ と書きます。ニューラルネットの学習とは、与えられた損失を最小化する関数を見つけることで
Meet the Bregman Divergences ← Inductio Ex Machina ← Mark Reid
Meet the Bregman Divergences If you’ve read theoretical papers in machine learning then you’ve likely seen the term “Bregman divergences” thrown about and might be wondering what they are and what the fuss is about. As with most mathematical topics, the Wikipedia page on Bregman divergences is heavy on formalism and light on context, which is fine as a reference but not ideal if you are reading ab
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
https://people.eecs.berkeley.edu/~jordan/papers/paisley-etal-icml12.pdf
Stochastic Optimization with Importance Sampling
Open Source LLM Evaluation Platform
Relative Fisher Information and Natural Gradient for Learning Large Modular Models
Machine learning quantum phases of matter beyond the fermion sign problem - Scientific Reports
Redirecting...
Survey propagation: an algorithm for satisfiability
Computational Power and the Social Impact of Artificial Intelligence
Markov field for image postprocessing (Python | Tensorflow) | Personal website
Information Theoretic Interpretation of Deep learning
NIPS 2017 Schedule