3. 身近になった人工知能 • Pepper (Aldebaran Robotics,Softbank 社 ) – 人間の声のトーンなどから感情認識 • 将棋電王戦 (niconico) – 人間 vs コンピュータでの将棋 – 人間１勝、コンピュータ４勝 (2014第3回) 3 5. 最近、こんなことが話題に • グーグル開発の人工知能DQN ネットでは「命名事故？」「奇跡的」 （2015年 2月26日 withnews , 抜粋 ) 米国のＩＴ大手グーグルが、画期的な人工知能を開発した、と２６日号の科学情 報誌「ネイチャー」（電子版）で発表しました。その名も「ＤＱＮ」。「ＤＱＮ （ドキュン）」とは、「知的水準が低く、常識がない」という意味の日本のネッ トスラング。グーグル肝いりのプロジェクトだけに、世界中のネットユーザーの 間で「ドキュン」が浸透するかもしれません。 ネイチャー電子版に

1. [サーベイ報告] 統計的学習手法による人検出 2012年11月17日 第21回 名古屋CV•PRML勉強会 山内悠嗣, 藤吉弘亘 中部大学 http://www.vision.cs.chubu.ac.jp/CVTutorial/PPT/HumanDetectionSurvey.pdf 4. 物体検出の変遷 顔検出 人検出 1969 年 Sakai 1969年 顔検出に関する初めての研究 1994 年 Yang 研究者のルールに基づいた顔検出 物体検出の研究が始まる Sung 1996 年 クラス分布の距離に基づく顔検出 Rowley Sakai, Pattern Recognition, 1969. Neural Network による顔検出 1997 年 Osuna SVM による顔検出 1994年 1998 年 Rowley Neural Network による顔の回転に 対応し

7. 条件付き確率 • 研究室AとMがあるとする． ともに学生が３人所属している． ランダムに選んだ研究室から1人の 学生を選んだとき「ラボ畜」かどうか？ 研究室 M研究室 A 研究室A 研究室M 学生 ラボ畜 どちらの研究室が選ばれるか? ランダムに選ぶのでともに 𝑝 𝐻 = 𝐴 = 𝑝 𝐻 = 𝑀 = 1 2 学生全体のうち「学生」 か「ラボ畜」か？ 𝑝 𝐷 = 畜 = 2 3 研究室がMの時，ラボ畜の割合は？ 条件付き確率 𝑝 𝐷 = 畜|𝐻 = M = 3 3 同時確率の表 2 3 ∙ 1 2 1 3 ∙ 1 2 1 2 1 2 0 3 ∙ 1 2 3 3 ∙ 1 2 1 3 2 3 D H 𝑝 𝐷 𝑝 𝐻 8. • 事象 𝐷を「観測データ」事象 𝐻を「データの発生源」とする． • ラボ畜モデルで言えば， 𝐷が学生， 𝐻が研究室 同時確率は と

2. 目次 1. コンピュータビジョンと条件付き確率場 2. マルコフ確率場 3. 最適化手法 1. 平均場近似 2. 確率伝搬法(max-product, sum-product) 4. 条件付き確率場とその学習 参考文献 Conditional Random Fields(CVPR2011 Tutorial) http://www.nowozin.net/sebastian/cvpr2011tutorial/slides/talk-crf.pdf Understanding Belief Propagation and Its Generalizations http://www.merl.com/papers/docs/TR2001-22.pdf

27. 畳込みの定義 (0,0) (0,1) ・・・ (0, W-2) (0, W-1) (1, 0) (1, 1) ・・・ (1, W-2) (1, W-1) ・・・ ・・・ ・・・ ・・・ (W-2, 0) (W-2, 1) ・・・ (W-2, W-2) (W-2, W-1) (W-1, 0) (W-1, 1) ・・・ (W-1, W-2) (W-1, W-1) Wpixel W pixel W x W画素のアドレス 0 0 1 0 ・・・ 0 0 0 0 0 1 0 0 ・・・ 0 0 0 0 1 0 0 0 ・・・ 0 0 0 0 0 0 0 0 ・・・ 0 0 0 0 ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ 0 0 0 0 ・・・ 0 0 0 0 0 0 0 0 ・・・ 0 0 0 0 0 0 0 0 ・・・ 0 0 0 0 0 0 0 0 ・・・ 0 0

プレゼンテーションのためのプレゼンテーション！ Acroquest社内で行った若手向け勉強会での発表資料です！ Read less

8. 今日する話 8 スパースモデリング Lasso [Tibshirani,1996] Lars [Efron et al.,2004] 座標降下法 [Friedman et al.,2007;2010] 圧縮センシング [Candès et al.,2006] ブラックホールの観測シミュレーション [Honma et al.,2014] スパースコーディング Barlowの仮説 [Barlow,1972] V1の過完備性 [Barlow,1981] 一次視覚野における基底表現 [Olshansen and Field,1996]

1. 1章 & 2章 はじめに & データからの学習 機械学習プロフェッショナルシリーズ輪読会 ~スパース性に基づく機械学習*1~ 2016-2-10 @hagino3000 (Takashi Nishibayashi) 3. 1章 はじめに • スパース性とは • まばらである事 • 多くの変数のうち殆どがゼロでごく一部だけが非ゼロ • ゲノムの個人差からの予測ケース • featureが膨大 • 現実的な仮定を置いて、少ないサンプルで推定したい • 組み合わせ爆発を防いで現実的な計算量で推定したい

23. 文字コード https://msdn.microsoft.com/en-us/goglobal/cc305152.aspx Shift JIS (Windows Codepage: 932) ● ベンダーごとに拡張領域の文 字が異なる ● JIS X0208にて（やっと）標準化 これ以外にも、 ● JIS (iso-2022-jp) ● EUC-JP 24. 昔の文字コード対応 int charcount (char *pszStr) { int count; for (count = 0; *pszStr; pszStr++) ++count; return count; } int charcount (char *pszStr) { int count; for (count = 0; *pszStr; pszStr = CharNext(pszStr)) ++count;

37. 準備 ラプラス分布に従う変数 rlaplace <- function(n) { u <- log(runif(n)) v <- ifelse(runif(n)>1/2, 1, -1) return(u*v) } rnorm(2) ! S <- cbind( rlaplace(4000), 0.5 * rlaplace(4000)) 38. 準備 ラプラス分布に従う変数 rlaplace <- function(n) { u <- log(runif(n)) v <- ifelse(runif(n)>1/2, 1, -1) return(u*v) } rnorm(2) ! S <- cbind( rlaplace(4000), 0.5 * rlaplace(4000)) ! ! A <- matrix(c(-1.5, 0.8 , 0.5, -1.8), 2, 2, byrow =