東大松尾研から新たに無償公開されたDeep Learning講座「DL4US」が良い、という話 - Qiita
5/15より東大松尾研究室からDeepLearningエンジニア養成講座「DL4US」の演習コンテンツが無償公開されました。 ※講義パートは公開されていない DL4USコンテンツ公開ページ 私は業務でデータ分析に携わっており、sklern等での機械学習には触れたことがありますが Deep Learningは「いつか勉強しよう...」と思ってできていない状況でした。 ※一度Udemyで講座を受講しましたが、挫折しています。 まだDL4USのLesson0,1をやってみただけですが、非常に良いものだと感じたのでシェアしたいと思います！！ DL4USについて DL4USの紹介記事から本講座の特徴を引用させていただきます。 アプリケーション指向 高度な数学的知識は不要 1人1台独立した仮想GPU環境を用意 実際にモデルを学習させながら技術を習得 コードはすべてKeras （TensorFlow）と
【保存版・初心者向け】僕が本気でオススメするPythonと機械学習の良書12選
※実際記事で紹介する書籍は12冊ですが、メンバーが借りてオフィスになかったため、上記画像内に3冊ないものがあります。 はじめに AI Academyを開発・運営しています、株式会社エーアイアカデミー代表の谷です。 6ヶ月ほど前に書いた下記記事は約1200のいいねと7万viewsを超える記事になりました。 【保存版・初心者向け】独学でAIエンジニアになりたい人向けのオススメの勉強方法 お読み頂いた方々、またいいねして頂いた方々ありがとうございました！ あれから6ヶ月ほど経ちまして、さらにPythonや機械学習の書籍が増えて参りましたので、改めて初心者向けにPythonと機械学習の良書12選を紹介し、初学者が独学でも機械学習プログラミングの基礎スキルUPに貢献できたらと思います。 また、AIプログラミングを作りながら学べるプログラミング学習サービスAI Academyを無料でご利用頂けますので
ディープラーニングで簡単な超解像をやってみた - Qiita
はじめに MNISTの手書き数字画像を利用して，簡単な超解像をやってみました。 全体のコードはGitHubにアップロードしました。 低画質データの作成 $28\times 28$の手書き数字画像を$10\times 10$に縮小します。 これをまた$28\times 28$に拡大します。 縮小した際に情報が失われるので，当然ぼやけたような画像になっています。 高解像化モデル ぼやけた低画質画像を入力するとオリジナルに近い画像が出力されるように学習します。 4層の畳み込みニューラルネットワークを使いました。 中間層の活性化関数はReLUとし，出力層のみ各画素値を$[0,1]$に収めるためにシグモイド関数を使用しています。 また，各層にBatch normalizationを適用しました。 以下にモデル定義部分のコードを示します。 実装はChainerで行いました。 import cv2 im
深層学習を勉強してリアルタイム映像表現に使ってみた話
深層学習を勉強してみたいと思った 動機は２つあって、単純に深層学習流行ってるからやってみたかった、というのと、今後グラフィックス技術を扱っていく際に深層学習は欠かせないものになりそうだと考えた、というのがありました。 例えば、最近 NVIDIA は深層学習を応用したノイズ軽減技術によってモンテカルロ系レンダラーのレンダリング時間を大幅に削減できるとしています。また、Turing 世代の GPU では深層学習を応用した超解像技術によって高解像度動作時のパフォーマンスを大幅に改善できるとしています。ただ僕には、これらの技術がどれほど効果的なものなのか、また本当に実用的なものなのか、判断することができませんでした。 このような深層学習技術の応用は今後様々な場面で進められていくことと思われますが、そういった技術を評価していくにあたって深層学習の基礎知識を備えておくことが必要になると感じています。
松尾研公開講座 Deep Learning 基礎講座 復習 #2 ロジスティック回帰
松尾研究室が提供している講座、Deeep Learning基礎講座 https://deeplearning.jp/lectures/dlb2018 を受講中です。数式と実装のところで分からなかった人が、同じレベル感の人を対象に記事を書きました。一緒に基礎から復習しましょう！ 講座自体は、ディープラーニングのライブラリを使えるレベルではなく、論文を読んで実装する、ライブラリを作る側にまわることを目標としたものです。第1回は「人工知能は人間を超えるか」に載ってるジェネラルな内容と受講者のTLで共通認識。割愛。第2回からハードになるので頑張りましょうとのことでしたが、本当にハードなので嘘偽りないです泣 以下自分が分からなかったことのまとめなので、一般的なことは省きます。 第2回 講義まとめ 機械学習(ML)の手法一覧 教師(あり|なし)学習、強化学習など MLのPipeLine input -
Google ColaboratoryのTPUを試してみる
TL;DR ColabのTPUを使って今すぐCNNを試してみよう。ものすごい速いぞ。 はじめに 9/26夜、Google Colaboratoryユーザーに激震が走った。 ハードウェアアクセラレータにTPUが使えるようになってる！？TPU(Tensor Processing Unit)凄さはこのニュースを見れば恐ろしいほど伝わってくる。 COOL Chips 21 - GoogleのWebサービスを支える「TPU」 https://news.mynavi.jp/article/20180424-621091/ TPU v1はIntelのHaswell CPUとNVIDIAのK80 GPUと比較すると、性能は15～30倍、電力効率は30～80倍になっているという。 NVIDIA K80は現在ColabのGPUアクセラレータとして用いられているGPUだ。もしこの15～30倍という値が本当なら、
機械学習を使って焼肉で肉が焼けたかどうかを区別してみた - Qiita
はじめに こんにちは。仕事で昨年末から機械学習が必要になり勉強しているのでQiitaにアウトプットしてみます。どうせなら人の役に立つことを、と思い色覚異常を持つ方のサポートになるかもしれないことにトライしてみました。 背景 焼肉で肉が焼けてるかどうか区別がつかない？ みなさん、色覚異常という言葉を聞いたことがありますか？Wikipediaで調べてみると、次のような説明がされています。 色覚異常（しきかくいじょう）とは、ヒトの色覚が正常色覚ではない事を示す診断名である。「色盲」などとも呼ばれ、2017年9月頃からは、「色覚多様性」とも呼ばれるようになった。正常色覚とされる範囲は、眼科学によって定義される。要因が先天性である場合を先天性色覚異常、後天性である場合を後天性色覚異常と分類する。先天性色覚異常を持つ人は、日本においては男性で約5%、女性で約0.2%の割合であるが、フランスや北欧では男
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
Keras - Google 検索
Super-Resolution 超解像 - Google 検索
GitHub - kzkadc/superresolution_mnist: ディープラーニングで簡単な超解像をやってみた