Robots that learn
Our system can learn a behavior from a single demonstration delivered within a simulator, then reproduce that behavior in different setups in reality. The system is powered by two neural networks: a vision network and an imitation network. The vision network ingests an image from the robot’s camera and outputs state representing the positions of the objects. As before, the vision network is traine
DeepCascadeモデルをインストールする（１） - Qiita
はじめに 今回はA.Angelovaらの「Real-time pedestrian detection with deep networkcascades」 http://static.googleusercontent.com/media/research.google.com/en//pubs/archive/43850.pdf などを実装したDeepCascadeモデルをインストールする。 コードはこちら https://github.com/jerrygood0703/DeepCascade 環境 Ubuntu14.04 chainerやTensorflowが走る程度に諸々のlibrariesをインストール済み DeepCascadeモデルの概要 DeepCascadeモデルはDeep Learningモデルの一種で、以下の図のようなarchitectureである。 ConvやらP
3D Visualization of a Convolutional Neural Network
Input image: Filter: Weighted input: Calculation: Output: Draw your number here Downsampled drawing: First guess: Second guess: Layer visibility Input layer Convolution layer 1 Downsampling layer 1 Convolution layer 2 Downsampling layer 2 Fully-connected layer 1 Fully-connected layer 2 Output layer Made by Adam Harley. Project details.
Google Unveils Neural Network with “Superhuman” Ability to Determine the Location of Almost Any Image
Google Unveils Neural Network with “Superhuman” Ability to Determine the Location of Almost Any Image Guessing the location of a randomly chosen Street View image is hard, even for well-traveled humans. But Google’s latest artificial-intelligence machine manages it with relative ease. Here’s a tricky task. Pick a photograph from the Web at random. Now try to work out where it was taken using only
TensorFlow Tutorialの数学的背景 − TensorFlow Mechanics 101（その2） - めもめも
何の話かというと enakai00.hatenablog.com 上記の記事では、隠れUnitが２個という、世界で最もシンプルなニューラルネットワークを構成しました。 これをちょこっとだけ、拡張して遊んでみます。 隠れUnitを増やす それぞれの隠れUnitは平面を直線で分割するわけですので、隠れUnitを増やせば分割線がどんどん増やせます。 前回のコードでは、下記の部分で隠れUnitの個数を指定していたので、これを変えてためしてみます。ここでは、4個にしてみます。 hidden1_units = 4 はい。予想通り、境界線がより複雑になりました。隠れUnitの数をどんどん増やすことで、どれほど複雑な関数でも表現できてしまいます。 ちなみに、上図の左側では、確率0.5を境界にして○と✕の領域を単純に分割していますが、右側を見ると、○と✕が混在した領域では、きちんと中間的な確率になっているこ
ゴッホやピカソに肖像画を描いてもらえる？ ドイツの研究者が開発した人工知能がすごすぎる
ゴッホやピカソに肖像画を描いてもらえる？ ドイツの研究者が開発した人工知能がすごすぎる ゴールド土方 2015年9月9日 もしゴッホやピカソに肖像画の作成を依頼したら、軽く1億円は要求されるのではないだろうか。もちろん、ゴッホやピカソが生きていたらの話だが……。 独テュービンゲン大学の研究者が発表した人工知能が今話題になっている。与えられた画像を絵画風に加工するのだが、加工後の画像のクオリティーが高すぎる！ ・巨匠の作品が1時間で完成！ 今回発表された人工知能の仕組みはこうだ。まず写真を用意する。東京タワーの写真でもいいし、自分の証明写真でもいい。次に好きな芸術家の作品を用意する。これもなんでもいい。ムンクの『叫び』でもいいし、ゴッホの『ひまわり』でもいい。 人工知能が何をするかというと、芸術家の作品を見てその特徴を学び、与えられた写真をその芸術家風に加工するのだ。例えばキムタクの写真とム
A Neural Network in 11 lines of Python (Part 1) - i am trask
A bare bones neural network implementation to describe the inner workings of backpropagation. Posted by iamtrask on July 12, 2015 Summary: I learn best with toy code that I can play with. This tutorial teaches backpropagation via a very simple toy example, a short python implementation. Edit: Some folks have asked about a followup article, and I'm planning to write one. I'll tweet it out when it's
The Unreasonable Effectiveness of Recurrent Neural Networks
May 21, 2015 There’s something magical about Recurrent Neural Networks (RNNs). I still remember when I trained my first recurrent network for Image Captioning. Within a few dozen minutes of training my first baby model (with rather arbitrarily-chosen hyperparameters) started to generate very nice looking descriptions of images that were on the edge of making sense. Sometimes the ratio of how simpl
グーグルのニューラルネットワーク--機械学習でデータセンター効率を改善
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます Googleは人工知能の手法を採用して、世界中に設置されたデータセンターから最大限の効率を引き出そうとしている。 ニューラルネットワークを利用することで、同社のオンラインサービスを支える施設で電力の浪費を抑える方法を学んでいるのだ。 ニューラルネットワークは、過去の購入履歴に基づいて消費者に製品を勧めるのに利用されることが多い。脳のさまざまな側面、具体的にはニューロン間の相互作用を模倣することを目指す機械学習アルゴリズムの一種だ。 Googleのメカニカルエンジニア兼データアナリストであるJim Gao氏は、オンラインに掲載した論文に次のように記している。「機械学習アルゴリズムを既存の監視データに応用することで、データセンターの運用効率
パッケージユーザーのための機械学習(4)：ニューラルネットワーク - 渋谷駅前で働くデータサイエンティストのブログ
（※はてなフォトライフの不具合で正しくない順番で画像が表示されている可能性があります） 実は僕は普段全くニューラルネットワークを使ってない上に、すぐ隣に再帰ニューラルネットワークでバリバリNIPSに通していたことのある教授氏がいるので*1、こんなところで知ったかぶりして何か書くのはほとんど蛮勇に近いんですが（笑）、純粋に自分の勉強も兼ねて分離超平面の可視化をやってみたいので頑張って書いてみようと思います。 今回の参考文献もピンクの薄い本です。第7章pp.102-113にパーセプトロン型学習規則の発展系として、誤差逆伝播法に則った多層パーセプトロン＝ニューラルネットワークの説明が載っています。 はじめてのパターン認識 作者: 平井有三出版社/メーカー: 森北出版発売日: 2012/07/31メディア: 単行本（ソフトカバー）購入: 1人 クリック: 7回この商品を含むブログ (4件) を見る
RCOと機械学習：ニューラルネットワーク編 - RCO アドテクLabブログ | RCO アドテクLabブログ
RCO アドテクLabブログ 八重洲で働く株式会社リクルートコミュニケーションズの社内エンジニアがアドテクノロジーを始め、様々な分野のテクノロジーについて書いています 2013/11/07 anonymous データ分析 アドテクにおいて、データを分析したり最適化を行うために機械学習を使う事があります。少なくともRCOアドテク部では、しばしば機械学習のお世話になっています。 この機械学習ですが、結構昔から研究されている割に、いまだにブレイクスルーがあって、研究の流行がガラっと変わることがあります。近年だとDeep Learningが有名ですかね。多層（5〜10段くらい）のニューラルネットワークを使う学習手法で、多層ニューラルネットワークが持つ、出力層から遠くなるほどエラーが拡散してしまって上手く伝わらないという問題と、学習に使うデータに過剰に適合してしまって未知データへの適合が悪くなる過学
ビジネスデータからの知識発見・活用ソリューション -- リンク集
統計分析、多変量解析、データマイニング、その応用例を調べるにあたって参考となるページを紹介します。基礎知識の補完にご活用ください。
Image Classifier Demo
Upload your images to have them classified by a machine! Upload multiple images using the button below or dropping them on this page. The predicted objects out of 1,000 categories will be refreshed automatically. Images are resized such that the smallest dimension becomes 256, then the center 256x256 crop is used. More about this NYU demo can be found here. The model in the demo is early work towa
Deep learning
Accessibility View text version Categories Technology Upload Details Uploaded via SlideShare as Adobe PDF Usage Rights © All Rights Reserved Statistics Favorites 2 Downloads 0 Comments 0 Embed Views 0 Views on SlideShare 0 Total Views 0 Deep learning — Presentation Transcript Deep Learning 株式会社ウサギィ 五木田 和也 2012/11/0912年11月9日金曜日 自己紹介 ✤ 株式会社ウサギィのエンジニア ✤ 機械学習、自然言語処理、組合せ最適化 ✤ iPhone, Android, Rails ✤ な
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
画像認識に関する 機械学習技術 / kivantium さん - ニコナレ
A Neural Network Playground
GitHub - neubig/lamtram: lamtram: A toolkit for neural language and translation modeling
Otto Group Product Classification Challenge | Kaggle
Stanford University CS231n: Deep Learning for Computer Vision
Visualizing neural networks in R – update
