機械学習と知財・契約
機械学習と知財・契約 2019.11.22 STORIA法律事務所 弁護士 柿沼太一 【自己紹介】 ▼ ２０００年４月に弁護士登録 ▼ ２０１５年３月に神戸三宮にSTORIA法律事務所設立 ▼ AI、IT、知的財産、ベンチャーを主として取り扱う ▼ 2016年10月からAIに関して積極的な情報発信を始め、現在自 動車系、医療系、工場系、WEB系など多様なAI企業からの相談、 顧問契約を締結 ▼ ２０１７年１２月東京事務所開設 ▼ 経産省の「AI・データ契約ガイドライン」検討委員会委員 （～2018.3） 1 🄫Storialaw.jp All rights reserved. 機械学習と知財・契約（総論） 2 機械学習と知財・契約（総論） ■ 収集→開発→展開の流れ 🄫Storialaw.jp All rights reserved. 3 収集 開発 展開 ・ 収集・利用するデータに知
IBIS年代記 — 情報論的学習理論ワークショップ20年史
1 2 3 4 5 0 200 400 600 800 1000 1200 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 6 0 50 100 150 200 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
ポスターセッション2 | IBIS2015
日程：11月27日(金) 会場：3階 中ホール プレビュー：13:00 – 14:00 プレビュースライド2 (pdf形式, 33MB) ポスター：14:00 – 17:00 トラック テクニカル・トラック（技術報告に詳細な予稿もある発表） ディスカッション・トラック（ポスターのみの発表） テクニカル・トラック T-17: Regularized Policy Gradients — Direct Variance Reduction in Policy Gradient Estimation — 発表者：Tingting Zhao（TUST）・Gang Niu（UTokyo）・Ning Xie（Tongji Univ）・Jucheng Yang（TUST）・Masashi Sugiyama（UTokyo） 概要：Policy gradient algorithms are widely
ポスターセッション1 | IBIS2015
日程：11月26日(木) 会場：3階 中ホール プレビュー：14:00 – 15:00 プレビュースライド1 (pdf形式, 23MB) ポスター：15:00 – 18:00 トラック テクニカル・トラック（技術報告に詳細な予稿もある発表） ディスカッション・トラック（ポスターのみの発表） テクニカル・トラック T-01: Q統計量における0値の母固有値に当たる主成分項の従う近似分布 発表者：小林靖之（帝京大） 概要：マハラノビス距離は母共分散行列の固有値がすべて0より大きい必要がある．しかし，実際には学習サンプルの従う確率分布の母共分散行列の母固有値が0を含む場合がある．この場合を含め，標本共分散行列の固有値が非常に小さいときにはQ統計量を併用する解析が有効とされるが，Q統計量が従う既存の近似分布モデルは母固有値が0を含む場合を扱えなかった．そこで本報告では，母固有値が0値である標本固有
第4回IBISMLチュートリアル | IBIS2015
お知らせ 2015.11.04 概要を公開しました。 2015.10.07 参加申込を開始しました。 2015.10.26 当日のスケジュールを公開しました。 2015.04.05 担当講師の情報を公開しました。 2015.01.30 ホームページを公開しました 開催情報 主催：電子情報通信学会 情報論的学習理論と機械学習研究会 日時：2015年11月28日（土） 会場：つくば国際会議場（エポカルつくば） 費用：有料（詳細は参加申込を参照） 定員に達しました。ありがとうございます。 問い合わせ先：ibis2015@ibisml.org 想定対象 企業や大学の研究者で機械学習を専門としていない方 短時間でできるだけ基礎的かつ実践的な知識を吸収したいと考えている方 機械学習を具体的な問題に応用したいと考えている方 チュートリアルスケジュール（受付開始: 9:00） 10:00 – 10:05
機械学習に基づく推薦システム
機械学習に基づく推薦システム 岩田具治 NTT コミュニケーション科学基礎研究所 1 推薦システム • ユーザの興味に合わせておすすめのアイテ ムを提示 • 推薦対象 – 本，音楽，ニュース，映画，論文，検索語，レスト ラン，友達，恋人 • 推薦システムの効用 – ユーザ：膨大な商品のなかから好みに合ったもの を見つけられる – オンラインストア：売上の向上が期待できる 2 目次 1. 2. 3. 4. 5. 6. 推薦システムの分類 類似度に基づく手法 行列分解に基づく手法 ベイズ推定を用いた行列分解 行列分解の非線形拡張 顧客生涯価値を高めるための推薦 3 推薦手法の分類 • 協調フィルタリング – ユーザの行動履歴から推薦 ○人手で情報の付与が不要 ×新しいユーザ，新しい商品には対応できない • 内容ベースフィルタリング – アイテムの内容から推薦 ○新しい商品でも推
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
https://ibisml.org/ibis2018/files/2018/11/fukuchi.pdf
第6回 IBISMLチュートリアル | IBIS2017
IBIS2017 | 第20回情報論的学習理論ワークショップ, 2017.11.8〜11, 東京大学 本郷キャンパス
第16回IBISML研究会 | 情報論的学習理論と機械学習 (IBISML) 研究会
プログラム | IBIS2013
ポスターセッション | IBIS2012
IBIS2012 | 第15回情報論的学習理論ワークショップ, 2012.11.7〜9, 筑波大学 東京キャンパス文京校舎
第1回 IBISMLチュートリアル | 情報論的学習理論と機械学習 (IBISML) 研究会