はじめに 昨日のTwitterで書いたこちらが非常に反響を呼びました。 半年間かけたデータ解析の仕事が全くうまくいかなかった 今回の失敗は契約書に納品物を明記していなかったこと 機械学習の依頼は学習済みモデルのファイルを納品しただけでは、先方は検収できず、結果支払いを受けられない この教訓をひとりでも多くの人に知ってもらいたい — キカガク代表 吉崎亮介 (@yoshizaki_kkgk) 2017年11月20日 そうなんですよね。 全く先方が悪いわけでもなく、私自身が「機械学習のお仕事＝解析」だと思いこんでいたことが失敗の始まり。 結局のところ、機械学習系のプロダクトを依頼されて、学習済みモデルを作成して即納品とはいかず、検証結果を示されないと検収できないよとなってしまうので、結局アプリケーション側まで組み込まないと納得感はないんですよね。 この検証とは、訓練データと検証データを分けた時

はじめに Team AIでは隔週に渋谷で機械学習・深層学習論文輪読会を行なっています。 www.team-ai.com 英語や数学が苦手な方も多数いらっしゃるので、 その様な方に向けた補助ツールやノウハウ集を作り、 論文を読むという文化と裾野をもっと広げたいと思いました。 随時更新していきますので、もっと良い情報やご意見がありましたら是非コメントください。 英語が苦手な方へ ArxivのAbstractの部分だけGoogle Translate for Chromeでワンクリック翻訳 Arxiv Vanityで論文のPDFをWebsite化し、Google Translate for Chromeでワンクリック翻訳 https://chrome.google.com/webstore/detail/google-translate/aapbdbdomjkkjkaonfhkkikfgjllc

AlphaGo Zeroが自己学習のみで過去最強になったというニュースが出たのでその元論文を読み、要約をしました。 まず感想を述べると、過去数千年にわたって蓄積してきた知識をAIが数時間で発見することに対する気持ち良さがありました。人間などクソ食らえと思っておりますので、こう言うニュースはとてもスッキリします。そして人間の発見していない打ち筋の発見にも感動しました。これこそがAIの真髄だと信じています。人間が見えていないものをAIが見つける、僕もいつかそんなことをしてみたいと思いながら生きています。 あともう一つ重要だと思ったのは、とてもネットワーク構造および学習過程が簡素化されたことです。マシンパワーも過去に比べて非常に少なく済み、個人でもすぐに再現実験ができそうなくらいです。AIが強くなることと、構造および学習のsimplerが同時に達成できていることが本質的だと思います。 一応、下記

第14回ステアラボ人工知能セミナー https://stair.connpass.com/event/68515/ の発表資料です． 共有用のショートカットURL: https://goo.gl/MgFmJk

前回に続いてAlphaGo Zeroの論文についてです。 ネットワーク構成 入力特徴 19×19の2値画像を17枚 8枚は現在のプレイヤーの石の座標を示す2値画像、8手分 8枚は相手のプレイヤーの石の座標を示す2値画像、8手分 1枚は現在のプレイヤーの石の色を示す全て0か1の画像 履歴を必要とするのは囲碁にはコウがあるため。 現在のプレイヤーの石の色が必要なのは囲碁にはコミがあるため。 以前(Fan Huiバージョン)のAlphaGoでは入力特徴に、呼吸点やシチョウなどの囲碁の知識を含む48の特徴を使用していましたが、石の座標情報のみになっています。 ニューラルネットワーク構成 入力層 1層の畳み込み層で以下の構成 畳み込み 3×3のフィルター、256 Batch Normalization 活性化関数 以前のAlphaGoは5×5のフィルター192でしたが、より数が増えています。 Bat

Topological Data Analysis(TDA、位相的データ解析)に関する参考文献集です。 2016年3月現在、日本語で読む事ができる文献はそれほど多くありませんが、英語であれば豊富な文献があります。 サーベイ Barcodes: The Persistent Topology of Data R. Ghristさんによるサーベイ。(2008) Persistent Homology — a Survey H. Edelsbrunnerさん、J. Harerさんによるサーベイ。(2008) Topology and Data G. Carlssonさんによるサーベイ。(2009) Topological Data Analysis A. Zomorodianさんによるサーベイ。(2011) 位相的データ解析とパーシステントホモロジー 「数学 第68巻 第4号」に掲載された平岡裕

2014年の機械学習界隈で話題となったのが米グーグルの DeepMindが発表した「Neural Turing Machine（NTM）」1）である。NTMは、人間が問題に合わせてプログラムを逐一記述しなくとも、例示からの学習によって小規模なアルゴリズムを自己獲得する技術だ。ニューラルネットワークの技術を基にしている。連載の第1回では、なぜNTMが注目されたのかについて背景を説明する。 NTMは現時点では入力のデータ量が小さく、人が書けるようなアルゴリズムで解ける問題しか扱えていない。しかし今後は、人にすら書くことが不可能な複雑なアルゴリズムを学習できる可能性がある。例えば、ロボットや自動運転システムで複数のセンサを用いて複数のアクチュエータを制御するアルゴリズムを学習ベースで実現できる可能性がある。 記憶の仕組みが欠けていた ニューラルネット 人間がプログラムで記述するような複雑なアルゴ

Use the left and right arrow keys or click the left and right edges of the page to navigate between slides. (Press 'H' or navigate to hide this message.)

Slideshare のバグ（？）でリンクが表示されていませんが、 ・ダウンロードすれば閲覧できます ・ページ下部の transcript 部分にも記載されています ・冒頭3ページ以外はリンク自体は生きているのでクリックもできます NIPS 2016 で発表された "Supervised Word Mover's Distance" の解説スライド。

はじめに クラスタリングとハッシュラーニングの部分を完全に理解することはできませんでした。有識者の方がいれば教えて欲しい・・・ 対象読者 教師なし学習で分類を行いたい方。一般的な機械学習の知識、コンピューターサイエンスの知識がある方が対象になります。 背景 教師データが用意できないタスクがある。 教師データが少量しか用意できないタスクがある。 教師なしデータはある。 上記の状況で有効な手法を探すために下記の論文を読みました。 Hu, Weihua, et al. "Learning Discrete Representations via Information Maximizing Self Augmented Training." arXiv preprint arXiv:1702.08720 (2017). 選んだ理由 精度が高い コードが公開されていて再現できそう ベースとなる手法

強化学習の位置づけ 教師あり学習 教師なし学習 強化学習 強化学習の応用事例 Atariの攻略 AlphaGo ロボットの自動動作獲得 ファイナンスへの応用 広告配信の最適化 OpenAI Gymを使ってQ-learningを実装してみる 状態 行動 報酬 実装 参考文献 ディープラーニングなどの機械学習技術の進歩によって、過去のデータから学習する技術は大きく進化し、写真の中に写っている対象を認識することや病気の診断、多言語間の翻訳をする性能を著しく向上させることができました。 すでにその性能は専門的な教育を受けた人間の能力と同等 [1] か超えている分野もあるほどです。 一方で、人間にはデータを与えなくとも自ら経験から学び、スキルを上達させることができます。特に何も教えられなくとも、経験からゲームを攻略することやロボットの正しい動作の仕方を学んでいくことができます。 機械学習の中でも、こ

はじめにこんにちは。データ分析チームの李(碩)です。 この記事はAlphaGo解説の紹介です。本文を直接読みたい方は下記AlphaGo解説にてスライドをご覧になってください。 AlphaGo調査のきっかけ私がAlphaGoについて初めて聞いたのは2016年3月、囲碁の伝説的な棋士、イ・セドルとの対局の時でした。AlphaGoの勝利が確定した時に「人間はもはや機械に勝てない!」とか、「AIが支配する世界」など海外のメディアも非常に炎上してたことを今でも覚えています。囲碁のプレイ経験もないし、ゲームAIなんて興味もなかったのですが、さすがにこれだけ大騒ぎになると調べたくなるものですね(笑)。 AlphaGoは背景知識がない人には難しいAlphaGoの中身はどうなってるのかを調べるためにいろいろとブログや記事などを読んでいたのですが、当時は難しいアルゴリズム説明がドンとくる不親切な情報しか見あた

CVPR 2017 ( http://cvpr2017.thecvf.com/ )の参加速報を書きました。 この資料には下記の項目が含まれています。 ・DNNの概要（DNN以前の歴史や最近の動向） ・CVPR 2017での動向や気付き ・これから引用されそう（流行りそう）な論文 ・今後の方針 ・論文まとめ（約140本あります）

* English blog is also written here. PFNでは毎年8、9月に学生の方を対象とした2カ月間の長期インターンシップを実施しています。 今年も2017年のPFN 夏季インターンを募集したところ多数の応募をいただき、先日無事に選考が終了しました。 ・PFN 2017夏季 インターン募集 それに伴い、今回PFNのインターンコーディング課題をgithub上で公開しました。 https://github.com/pfnet/intern-coding-tasks PFN自身、現在拡大中ということもあり、様々な専門性を持つ社員が集まってきています。社内でインターン実施テーマの候補だしをした結果、様々なテーマ案があがったため、今年度は機械学習分野のみならず、フロントエンド・バックエンド・チップ開発分野と範囲を広げて募集を行いました。 今回、インターンの募集に当たって、オ