レガシーシステムのおそうじ - Sansan Tech Blog
年末ってことで。 Sansan事業部 プロダクト開発部 基盤チームの加畑です。 Sansan Advent Calendar 2018、11日目の記事です。 普段の本ブログは、いまをときめく機械学習領域のスーパーエースたちや、活気溢れる技術イベントや、圧倒的イケメンCTOが登場していますが、今回は地味で愚直な改善のお話です。 安心してください。 おかげさまでSansanは10余年もの間、特に大きな問題もなくサービスを提供し続けることができています。 このような歴史あるサービスの裏側では、ソフトウェアの本質的課題である「レガシー化」と向き合う必要があります。 今回は、レガシーシステムの改善という視点で、私が最近担当した3つの事例をご紹介します。 レガシーシステムとは ソフトウェアの開発に携わる以上、レガシーという言葉は避けては通れません。 偶然ですが、Sansanでも最近立て続けに技術的負債
畳み込みニューラルネットを高速化するためのいろいろ - SmartNews Engineering Blog
$$ \begin{bmatrix} d_0 d_1 d_2 \\ d_1 d_2 d_3 \end{bmatrix} \begin{bmatrix} g_0 \\ g_1 \\ g_2 \end{bmatrix} = \begin{bmatrix} m_1 + m_2 + m_3 \\ m_2 - m_3 - m_4\\ \end{bmatrix} $$ ただし、$m_1 = (d_0 - d_2) g_0, m_2 = (d_1 + d_2) \frac{g_0 + g_1 + g_2}{2}, m_3 = (d_2 - d_1) \frac{g_0 - g_1 + g_2}{2}, m_4 = (d_1 - d_3) g_2$です。 なにがなんだかわからない、という声がここまで聞こえて来るような気すらしますが、それはともかく、$m_1 + m_2 + m_3$に上記の定義を入れて計算
機械学習最前線！Cloud Machine Learning を始めてみた！
最近、機械学習・深層学習というワードをよく耳にするようになりましたね。機械学習は知っているけど、実際に使ったことは無いという方もいるのでは無いでしょうか。昨年、Googleから機械学習のためのクラウド サービスが発表されました。それが、Google Cloud Machine Learningです。 Google Cloud Machine Learning は、サイズを問わず、あらゆるデータの機械学習モデルを簡単に構築できるマネージド プラットフォーム（Google Cloud Platformで提供）です。Google Cloud Machine Learning（以下Cloud ML）の裏では、Googleが開発した機械学習ライブラリであるTensorFlowが使われています。しかし、TensorFlowや機械学習の知識が無くても、Cloud MLは簡単に試すことができます。 今回は
Keras.js – 機械学習をブラウザ上で実行できるJSライブラリ、GPUパワーを使用 【@maskin】 | TechWave（テックウェーブ）
1990年代初頭から記者としてまた起業家として30年以上にわたりIT業界のハードウェアからソフトウェアの事業創出に関わる。シリコンバレーやEU等でのスタートアップを経験。日本ではネットエイジ等に所属、大手企業の新規事業創出に協力。ブログやSNS、LINEなどの誕生から普及成長までを最前線で見てきた生き字引として注目される。通信キャリアのニュースポータルの創業デスクとして数億PV事業に。世界最大IT系メディア（スペイン）の元日本編集長を経て現在に至る。 Pythonで書かれたディープラーニング用ニューラルネットワークライブラリ「Keras」を、ウェブブラウザ上で実行するJavaScriptライブラリ「Keras.js」が登場した。 そもそも「Keras」は、Googleが提供するオープンソースの機械学習・ディープラーニング用ライブラリ「TensorFlow」または機械学習フレームワーク「Th
Deep Learningで遊ぶ(2): オンラインニュース人気度＋ベイズ最適化によるパラメータチューニング - 渋谷駅前で働くデータサイエンティストのブログ
追記（2016年8月22日） {rBayesianOptimization}の使い方を間違えていて、この記事の下部では実際にはテスト誤差ではなくトレーニング誤差を評価してしまっていますorz 実際にはScore返値にholdoutを入れるのが正解です。別に{rBayesianOptimization}単体で取り上げた記事を書きましたので、正しい使い方はそちらをお読みください。 Deep Learningをだらだらと実践してみるこのシリーズ、前回は分類だったので今回は回帰でやってみようと思います。お題はUCI ML repositoryの"Online News Popularity"です。とあるサイトに掲載されたオンラインニュース記事がそれぞれどれくらいシェア（おそらくSNS類に）されたかを、様々な特徴量と合わせて収めた39644行×61列のデータセットです。 元のニュース記事が非公開であ
Keras Documentation
Keras: Pythonの深層学習ライブラリ Kerasとは Kerasは，Pythonで書かれた，TensorFlowまたはCNTK，Theano上で実行可能な高水準のニューラルネットワークライブラリです． Kerasは，迅速な実験を可能にすることに重点を置いて開発されました． アイデアから結果に到達するまでのリードタイムをできるだけ小さくすることが，良い研究をするための鍵になります． 次のような場合で深層学習ライブラリが必要なら，Kerasを使用してください: 容易に素早くプロトタイプの作成が可能（ユーザーフレンドリー，モジュール性，および拡張性による） CNNとRNNの両方，およびこれらの2つの組み合わせをサポート CPUとGPU上でシームレスな動作 Keras.ioのドキュメントを読んでください． KerasはPython 2.7-3.6に対応しています． ガイドライン ユーザー
AlphaGo: マシンラーニングで囲碁を
メディア関係者向けお問い合わせ先 メールでのお問い合わせ: pr-jp@google.com メディア関係者以外からのお問い合わせにはお答えいたしかねます。 その他すべてのお問い合わせにつきましては、ヘルプセンターをご覧ください。
DeepLearningで食事画像のクラス分類器を作成してみた | FiNC Developers Blog
DeepLearningで食事画像のクラス分類器を作成してみた 1. はじめにはじめまして、小林です。 iOS, サーバーサイドで開発に携わる傍ら、最近ではFiNCでも力を入れ始めている人工知能の基礎検討をやっています。 世にある技術を調査して、何ができるのか、できないのかを判断し、 アプリケーション開発までやり切る、というのが主なお仕事です。 本記事では「食事画像のクラス分類」と題して、DeepLearningを使った簡単な実験について書こうと思います。 2. 食事指導と画像認識の必要性FiNCが提供する、「ダイエット家庭教師」では、お客様から毎食の食事画像が送られ、 その画像と日々のデータを見ながら、専門家の方々が丁寧に返事を返していきます。 ▽ 食事画像の例 食事画像に何が写っているか？バランスの良い食事であるかどうか？を判断することは今はどうしても人手のかかる作業で、サービス向上の
Swiftで書かれた人工知能・機械学習ライブラリ「Swift-AI」をiOSで動かしてみる - その後のその後
全編Swiftで書かれたオープンソースの人工知能／機械学習ライブラリが出てきました。その名も「Swift-AI」。 https://github.com/collinhundley/Swift-AI デモが入っていて、こんな感じで手書き文字認識してくれます（詳細は後述します）。 今のところ iOS と OS X をサポート しているとのこと。MITライセンス。 できること README の Features を見ると、2016年1月現在、フィードフォワード（順伝播型）ニューラルネットワークと、高速行列演算ライブラリはできあがっているようです。 それぞれドキュメントがあります。 https://github.com/collinhundley/Swift-AI/blob/master/Documentation/FFNN.md#multi-layer-feed-forward-neural-
スマートウォッチの加速度計データとニューラルネットワークを利用してヨガのポーズを区別できるか？ - higepon blog
Rebuild: Aftershow 126: Everything Except Mayonnaise (higepon)で紹介したプロジェクト。Machine Learning | Coursera で機械学習のクラスを修了した。理解を確認するために小さなプロジェクトを作っていたので紹介。実用性はいまのところない。 まとめ Pebble Time Round（スマートウォッチ）の加速度系データ (x, y, z) を入力にしてヨガのポーズを区別できるようになるか試してみた Supervised Learning なので training/test/validation set データを手動で作成 Hidden layer 1 つのニューラルネットワークで学習させた ヨガ以外の活動（徒歩、スマホをいじってる）、Downward dog ポーズ、Warrior 2 ポーズの 3 つをある程
機械学習を学ぶための準備 その1（微分について） | NHN テコラス Tech Blog | AWS、機械学習、IoTなどの技術ブログ
機械学習を学ぶための準備 ▶︎その1（微分について） その2（級数と積分について） その3（行列について） その4（行列の掛け算について） その5（行列のいろいろ） 橘と申します。 機械学習を勉強中の身でありながら、機械学習に関して記事を書いていく予定です。 このブログを読んでいる方であればご承知のとおりかと思いますが、機械学習と数学は切っても切れない関係です。「数学を使わなくても機械学習は使える」という考え方があるのも事実ですが、いずれは数学の知識が問われることになります。 そのため、始めの数回は抑えておくべき数学の知識をまとめていこうと思います。初回は微分です。 そもそも数学は嫌いですか？ 少し古い記事ですが、経済協力開発機構（ＯＥＣＤ）による数学の学習意欲度の調査結果が公開されています。 ＯＥＣＤ国際学習到達度調査（１）日本、数学の学習意欲改善 日本人の7割が苦手という結果が出ている
『日本人「だけ」読めないフォント』が本当に日本人だけ読めないのか、ニューラルネットの力を借りて確認してみた - Qiita
test models. [PATTERN1]: English only. 2015-10-19 08:08:39,112 [INFO] #data: 26 2015-10-19 08:08:39,186 [INFO] correct: v, answer: capsV => RIGHT 2015-10-19 08:08:39,186 [INFO] correct: g, answer: capsT => WRONG 2015-10-19 08:08:39,186 [INFO] correct: s, answer: capsE => WRONG 2015-10-19 08:08:39,187 [INFO] correct: o, answer: capsD => WRONG 2015-10-19 08:08:39,187 [INFO] correct: i, answer: capsZ
Amazon Machine Learning概要
Satoshi NotoSolutions Architect (Insourcing support) at Classmethod, Inc.
良品計画様とAmazon Machine LearningのPoCを実施しました | DevelopersIO
株式会社良品計画様とクラスメソッド株式会社はAmazon Machine Learning（以下、Amazon ML）のPoC（概念実証）を行い、Amazon MLを用いることで従来の統計分析と同じような分析結果を簡易に取得できることを確認しました。 検証内容 MUJI passport上で行った販売キャンペーンの結果についてAmazon MLに学習させ、キャンペーンが商品の購入に影響があるかどうかをAmazon MLが判定可能か検証しました。学習時の説明変数として年代、性別を追加し、検証用に年代と性別を組み合わせたダミーデータを作成して購入確率について予測させた所、統計分析と同じような結果を得られることを確認しました。 構成 Redshift上に存在するMUJI passportのユーザー情報や行動ログ、購入情報を元にCSVを作成し、Amazon MLに学習させました。 Amazon M
Alpaca技術ブログ
順次、最新情報をWantedlyで配信しております。 www.wantedly.com こんにちは、Alpacaの北山です。 現在Alpacaの東京チームは金融 X AIに挑戦したい機械学習エンジニアを募集しております。特に我々が特化しているトレーディングの分野で、主に秒から数分までの短期のトレーディング、HFT周辺技術に興味のある方は非常に楽しめると思います。 www.wantedly.com 本エントリーでは技術ブログっぽく、社内の雰囲気をつかむため、Alpacaがどのようなスタイルで現在開発をしているのかを説明したいと思います。 はじめに 現在、Alpacaの東京チームはFinolabというFintech専用のコワーキングスペースに入居しています。東京駅から徒歩3分程度で、大手町駅から徒歩1分の非常に便利な場所です。ただし、大手町駅は非常に広いので、路線によっては、駅内を結構歩くこと
Amazon Machine Learningを理解するために3つの方法で天気予測をしてみた（二項分類編）
今回は天候データをAmazon Machine Learningに流し込み3つの方法（二項分類、多項分類、回帰分析）で天気予測をしてみます。 記事の目的 記事の目的は以下の3つです。 ・もっとも簡単な機械学習サービスであるAmazon Machine Learningを理解する ・同一データに対して3つの方法を利用することで3つの違いを掴む ・機械学習に対する属性情報の重要性を掴む 同じデータを複数の方法で利用することで、3つの違いや使い方がわかりやすく理解できると思います。 今回利用するデータは気象庁が提供する過去の天候データです。 http://www.data.jma.go.jp/obd/stats/etrn/ 項目が多く載っている東京都のデータを利用しています。 http://www.data.jma.go.jp/gmd/risk/obsdl/index.php Amazon Ma
PyData Tokyo Meetup #1でCaffeとmafについて発表しました - Preferred Networks Research & Development
10月30日のPyData Tokyo MeetUp #1にて「Caffeとmafを用いたディープラーニング開発・実験方法」というタイトルで発表を行いました。 当日の発表に関する情報はconnpassにまとめられています（私以外の発表の資料へのリンクや当日のUstreamでの配信へのリンクもあります）。また、当日までのtwitterの反応はtogetterにもまとめられています。 PyData Tokyo Meetup #1 – Deep Learning(connpass) PyData Tokyo MeetUp #1(togetter) 発表資料はSlideShareで公開しています（当日きちんと答えられなかった質問の回答を資料の最後に追記しました）。 今回はディープラーニングライブラリの中でも特に開発が活発に行われているCaffeと、PFI/PFNで開発している実験ビルドツールのma
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
TechCrunch
最近のDeep Learning (NLP) 界隈におけるAttention事情
Home — TensorFlow
