Deep Learning
Deep Learning is a rapidly growing area of machine learning. To learn more, check out our deep learning tutorial. (There is also an older version, which has also been translated into Chinese; we recommend however that you use the new version.) Machine learning has seen numerous successes, but applying learning algorithms today often means spending a long time hand-engineering the input feature rep
Segmenting and refining images with SharpMask
Can a computer distinguish between the many objects in a photograph as effortlessly as the human eye? When humans look at an image, they can identify objects down to the last pixel. At Facebook AI Research (FAIR) we're pushing machine vision to the next stage — our goal is to similarly understand images and objects at the pixel level. Over the past few years, progress in deep convolutional neural
Dango - Emoji & GIF Assistant App for Android
Technological developments have made communication much easier. Long distance communication has become very easy and varied nowadays. In the past, long-distance communication could only be done by letter and this could not be sent in a very fast time because it was also determined by the distance between the two existing places. After that, then […] The presence of various applications to send mes
Emojineering Part 1: Machine Learning for Emoji Trends
Welcome to the Instagram Engineering Blog, where we share insights on building and scaling our service. 🆒🆕In October 2011, Apple added the emoji keyboard to iOS as an international keyboard. Since then, digital language has evolved such that nearly half of comments and captions on Instagram contain emoji characters. And earlier this week, Instagram also added support for emoji characters in hash
機械学習勉強会に参加して画像の人物判定プログラムを書いた話 - NaCl Blog
佐田です。 本記事は、ITOCが主催した平成27年度機械学習勉強会に参加した時に、私が感じたことについてまとめたものです。 上記のリンク先にも書いてあるとおり、平成27年12月から平成28年3月10日まで毎週開催された勉強会です。 参加者は、データサイエンティスト養成読本 機械学習入門編 (Software Design plus)を教科書にして学習していました。 機械学習勉強会の大まかな流れとしては、チームごとに分かれ、それぞれのチームで目標を決めて発表会で発表するという流れでした。 その発表までの流れに沿って本記事は書きました。 インターネット上の記事による学習 機械学習勉強会ではPythonを使用するとのことなので、配られたプリントに沿ってpyenvでインストールしました。 Pythonのインストールを終えてからチームごとに分かれて作業することになり、私が参加していたチームでは最初に
Number plate recognition with Tensorflow - Matt's Ramblings
Introduction Over the past few weeks I’ve been dabbling with deep learning, in particular convolutional neural networks. One standout paper from recent times is Google’s Multi-digit Number Recognition from Street View. This paper describes a system for extracting house numbers from street view imagery using a single end-to-end neural network. The authors then go on to explain how the same network
Practical Data Science in Python
This notebook accompanies my talk on "Data Science with Python" at the University of Economics in Prague, December 2014. Questions & comments welcome @RadimRehurek. The goal of this talk is to demonstrate some high level, introductory concepts behind (text) machine learning. The concepts are demonstrated by concrete code examples in this notebook, which you can run yourself (after installing IPyth
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
Choosing the right estimator
Choosing the right estimator# Often the hardest part of solving a machine learning problem can be finding the right estimator for the job. Different estimators are better suited for different types of data and different problems. The flowchart below is designed to give users a bit of a rough guide on how to approach problems with regard to which estimators to try on your data. Click on any estimat
Machine Learning in Javascript: Introduction
Burak Kanber, Engineer Author, tech CTO, engineer, and some other things too. Subscribe via RSS Twitter Contact I love machine learning algorithms. I've taught classes and seminars and given talks on ML. The subject is fascinating to me, but like all skills fascination simply isn't enough. To get good at something, you need to practice! I also happen to be a PHP and JavaScript developer. I've taug
混合ガウス分布モデルのクラスタをk平均法とEMアルゴリズムと変分ベイズでそれぞれ推定 - 西尾泰和のはてなダイアリー
「クラスタは球状だ」と想定しているk平均法が苦労するように、細長くて交差したクラスタのデータを使った。また変分ベイズの「クラスタの個数を自動調整する」というメリットを確認するために、クラスタの個数は2, 4, 8個で行った。EMアルゴリズムと変分ベイズでは、k平均法ができていない「長細いクラスタだ」という推定ができている。またEMアルゴリズムではクラスタの個数は人間が与えないといけないが変分ベイズでは自動調整されている。ただし、自動調整に失敗することも結構あるので「何回か実行して一番良かったものを取る」というアプローチが必要だろうな。変分ベイズの8クラスタでの実験は10回やって一番良かったものを取っている。4クラスタの実験は6回。それぞれ初期状態から20ステップの学習過程を動画にしている。 k平均法 k平均法では細長いクラスタを見つけられないのでこれが限界 4クラスタの例。クラスタの個数を
NIPS 2008 Proceedings
Advances in Neural Information Processing Systems 21 (NIPS 2008) The papers below appear in Advances in Neural Information Processing Systems 21 edited by D. Koller and D. Schuurmans and Y. Bengio and L. Bottou. They are proceedings from the conference, "Neural Information Processing Systems 2008." Structure Learning in Human Sequential Decision-Making Daniel Acuna, Paul R. Schrater The Gaussian P
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
プロダクション環境でオンラインで機械学習を動かすにあたってツライ話 #MLCT