wearewizards.io
Buy this domain. wearewizards.io 2020 Copyright. All Rights Reserved. The Sponsored Listings displayed above are served automatically by a third party. Neither the service provider nor the domain owner maintain any relationship with the advertisers. In case of trademark issues please contact the domain owner directly (contact information can be found in whois). Privacy Policy
PythonによるDeep Learningの実装
PPL2016@岡山 ディープラーニングの研究開発時には、計算を支援するためのフレームワークが用いられる。ChainerはPython上で動くディープラーニングフレームワークの一つである。他の多くのフレームワークと異なり、順伝播処理を行った時の実行履歴情報をもとに逆伝播のグラフを動的に構築するdefine-by-runという方式を採用している。この方式により、分岐や再帰を含むような複雑な構造のネットワークも直感的に構築でき、加えてデバッグが容易である。また、CuPyと呼ばれるNumPyサブセットのCUDAによる行列演算ライブラリを作成し、バックエンドとして利用している。本講演では、ディープラーニングフレームワークの基礎と実装、そして課題についてChainerを通して説明する。
CRF について（可変次数 CRF への前振り） - アスペ日記
最大エントロピーモデルの続き。 今回は、CRF（Conditional Random Fields, 条件付き確率場とも） 一般*1について。 前向き・後ろ向きアルゴリズムについては書かない。 また、一般に関連が深いとされる MEMM というものについても、ここでは触れない。 CRF とはどういうものか。 一言でいうと、最大エントロピーモデルの考え方を系列ラベリングに応用したもの。 ここで、系列ラベリングというタスクについて簡単に説明しておく。 たとえば、品詞タグ付けのようなものがある。 英語のように単語が分かれている言語で、それぞれの単語に対して「名詞」「動詞」などの品詞タグをつけるというタスク。 古典的な "time flies like an arrow"*2 を例にとる。 これには複数の解釈があり、その中には 時は矢のように過ぎ去る（光陰矢のごとし） 時バエは矢を好む のようなもの
セミナー情報 - 数理第6研究室ホームページ
Information-Theoretic Machine Learning and Data Mining Group Department of Mathematical Informatics The University of Tokyo セミナー情報 開催予定のセミナー ■2010年8月31日（火）11:00-12:30 題目Predicting drug-target interaction networks from the integration of chemical, genomic and pharmacological spaces 場所工学部14号館534号室 [地図] 講師山西 芳裕（パリ国立高等鉱業学校；Mines ParisTech 研究員） 言語日本語 概要In silico prediction of drug-target interaction
Latent Dirichlet Allocations の Python 実装 - 木曜不足
LDA とは "Latent Dirichlet Allocation"。文書中の単語の「トピック」を確率的に求める言語モデル。 「潜在的ディリクレ配分法」と訳されていることもあるが、その名前だと「それってなんだっけ？」という人のほうが多そうｗ。 各単語が「隠れトピック」(話題、カテゴリー)から生成されている、と想定して、そのトピックを文書集合から教師無しで推定することができる。特徴は、果物の apple と音楽の apple とコンピュータ関連の apple を区別することが出来る(ことが期待される)という点。そのために、どのトピックを生成しやすいかという分布を各文章も持つ。細かい話は略。 結果の見方としては、定量的にはパープレキシティを見るし(一般に小さいほどいい)、定性的には各トピックがどのような単語を生成するか、その確率上位のものを見てふむふむする。この「各トピックが生成する単語」
Radiobots – 人工知能ラジオ番組
私たち（木村・ジェプカ・高丸）は、ラジオ番組のパーソナリティとリスナーの関係を参考にした対話処理の新しい枠組みを提案しています。従来の対話システムでは、応答の品質向上に焦点を当てていて、継続して利用するしくみや入力の負荷についてはあまり考えられていない(はず…)。 研究代表者 小樽商科大学 木村泰知 従来研究との違い 関連業績 木村泰知, ジェプカラファウ, 高丸圭一, “Radiobots型対話システムの提案”, JSAI2015. … Radiobots型対話システムの実装例 Radiobots型対話システムの実装例(2015年12月) Radiobots型「Pepperで小樽商科大学を紹介する」対話システムの実装例(2016年06月)
Decision Tree Learning
決定木学習 目的 あらかじめ分類しておいたデータ集合の法則性を推定し，決定木を自動的に生成すること． > 決定木 属性・属性値ペアのリストとして与えら れるデータを受取り，それをあらかじめ定められた概 念(カテゴリ)のどれに属すかを決定する装置 (注意) ここでは，簡単のためにあらかじめ与えられた一つの概念に 属すかどうかを決定する装置とする．つまり，決定木はブール関数をあらわ すこととする． [葉ノード]: 概念 (ここではブール値) [中間ノード]: 属性値のテスト テストの結果が n 通りあるときは，それぞれの結果に対して n 個のアー クをもつ． 各中間ノードにおけるテストとしては唯一の属性値の検査だけが許され る． (決定木の例1: 卒業の判定) (決定木の例2: みかんの上/並の判定) 決定木の良さ 一般に同じ判別をする決定木は多数ある． (トレーニングデータの例) このトレー
watch Tulip Fever 2017 Free Online
Learn languages by playing a game. It's 100% free, fun, and scientifically proven to work.
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
Coursera