ChainerでDeep Learningをしない（SfMからSLAMまで） - Qiita
Chainer Advent Calendar 2017の7日目です。 はじめに みなさん、Deep Learningしてますか？正直Deep Learningって疲れますよね。パラメータチューニングの毎日、下がらないLoss、過学習するモデル、スタープラチナに殴られたようなGANで生成された大量の顔。 そんな鬱憤を晴らすべく、今日はChainerでDeep Learningをしない、という記事を書きます。 Computer Visionの多くの問題は、何らかの最小化問題として定式化されます。最小化する際は、殆どの場合は式を立て、微分し、最適なパラメータを求めます。そこには大きな問題があります。 微分めんどい 微分が複雑・・・式が複雑だと計算間違える・・・手法を変更するたびに微分しなくてはいけない。そんな問題を解決する凄いライブラリがあるのです。そう、Chainerです。Chainerでは
テンソル分解を用いて遺伝子発現プロファイルからインシリコ創薬 - Qiita
こちらは創薬 Advent Calendar 2017（#souyakuAC2017）８日目の記事です。 創薬 Advent Calendar 2018（#souyakuAC2018）に前日譚である「テンソル分解を用いて遺伝子発現プロファイルからインシリコ創薬（Ⅱ）」を投稿しました。 インシリコ創薬の課題 いわゆるインシリコ創薬（コンピュータを用いた創薬）、バズワード的にはAI創薬とも最近は言われるが、は、徐々に実際の創薬につながるものも出てきたものの、実際に従来の実験ベースの創薬を淘汰したり、あるいは、せめて互角であったりする状態にあるとはなかなか言えない。 インシリコ創薬の２大潮流 最も多く使われているインシリコ創薬の潮流には構造ベースのものとリガンドベースのものがある。構造ベースのものは、標的となるタンパクの立体構造（これ自体が未知の場合には計算機で予測しなくてはならないが）に結合す
WAICとWBICによる混合Gauss分布のモデル選択 - sigma
Stan Advent Calendar 2017 - Qiitaの12/7の記事です。 Stanによる混合Gauss分布のパラメータ推定のモデル選択をWAIC及びWBICで行なってみます。 statmodeling.hatenablog.com 上記の記事で1次元の場合にされていることを今回は2次元でやってみました。 WAICやWBICについては上記記事や、渡辺先生による以下のページをご覧ください。 http://watanabe-www.math.dis.titech.ac.jp/users/swatanab/waicwbic.html http://watanabe-www.math.dis.titech.ac.jp/users/swatanab/waicwbic_j.html 今回扱うデータを生成する分布は - 平均は等しく、x方向とy方向で分散が異なる二つの正規分布からの混合分布
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
