How to Deploy Machine Learning Models
Introduction The deployment of machine learning models is the process for making your models available in production environments, where they can provide predictions to other software systems. It is only once models are deployed to production that they start adding value, making deployment a crucial step. However, there is complexity in the deployment of machine learning models. This post aims to
Google Responsible AI Practices – Google AI
RESPONSIBILITY: Responsible AI practices The development of AI has created new opportunities to improve the lives of people around the world, from business to healthcare to education. It has also raised new questions about the best way to build fairness, interpretability, privacy, and safety into these systems.
AWS、Google、Azureの自然言語処理APIを比較 長所短所は？
関連キーワード API | Amazon Web Services | Google | Microsoft Azure | アプリケーション開発 | データ分析 | 機械学習 より少ないリソースでより多くを実現できるアプリケーションは、市場が変化しても生き残る可能性が高い。開発者がAI（人工知能）に注目しているのはそのためだ。 音声アシスタントの活用が広がったことで、AIに分類されるサービスの中でも、とりわけ自然言語処理APIや同様のサービスの需要が急速に拡大した。こうした自然言語処理のテクノロジーは何十年にもわたって研究されてきた。今ではそのテクノロジーを応用し、音声やテキストを基に言葉や感情を分析する製品、非構造化データを検索する機能を備える製品、会話の話者の意図を分析する製品など、さまざまな製品が登場している。 一般的な製品に広く利用できるほど自然言語処理のテクノロジーが手頃な価格
【論文メモ】強化学習を用いないGANによる文生成モデル「LaTextGAN (latent-space GAN for text)」 - u++の備忘録
Adversarial Text Generation Without Reinforcement Learning どんなもの？ 強化学習を使用しないGANによる文生成モデル「LaTextGAN (latent-space GAN for text)」を提案 オートエンコーダを利用して文の低次元表現を学習させて生成器に伝播させることで、現実的なレベルでの文生成を実現 論文リンク https://arxiv.org/abs/1810.06640 著者/所属機関 David Donahue, Anna Rumshisky / University of Massachusetts Lowell 媒体 arxiv 投稿日付 [v1] Thu, 11 Oct 2018 22:50:38 GMT 先行研究と比べてどこがすごい？ テキストのシーケンスが離散的で勾配が識別器から生成器に伝播できないため
第一回 平成最後の夏期講習(社会科編) メインカメラ
【落合陽一・小泉進次郎 共同企画】 2018/7/31『第一回 平成最後の夏期講習(社会科編)』－人生100年時代の社会保障とPolitech ●各種資料は以下 https://www.facebook.com/heiseisummerclass/ ●当日の雰囲気をニコニコ動画で視聴者コメント付きで見る http://live.nicovideo.jp/watch/lv314526819 ●プログラム ① イントロダクション ② イベント本編開始・ガイダンス ③ 講義・インプット ●ヤフー株式会社CSO 安宅和人 我が国の未来に向けたリソース投下の現状と課題 ●株式会社メディヴァ代表取締役社長 大石佳能子 人生100年の幸せな老後 ●メディアアーティスト 落合陽一 今後10 年でやってくるテクノロジーの転換点 ●株式会社Campus for H共同創業者、予防
モダリティを超えて - 人工知能に関する断創録
2018年の目標（2018/1/1）にも書いたように今年はマルチモーダル深層学習の深耕を目標に上げていました。社内の輪講会でマルチモーダル深層学習の研究動向について発表する機会があったので資料を公開します。 マルチモーダル深層学習の研究動向 from Koichiro Mori Multimodal Machine Learning: A Survey and Taxonomy ACL2017のチュートリアル資料 をベースに自分なりに調査した研究を追加してまとめています。 上の論文では、モダリティとして言語・音声・画像のみを取り上げているのですが、私はここに行動（制御）も付け加えています。 また、発表時間の関係から一部の研究を省略しています。他にも面白い研究はまだあるので、興味のある方は元のサーベイ論文やチュートリアル資料を読んでみてください。このブログでもおいおい紹介していきたいと思いま
NLP's ImageNet moment has arrived
Big changes are underway in the world of Natural Language Processing (NLP). The long reign of word vectors as NLP’s core representation technique has seen an exciting new line of challengers emerge: ELMo[1], ULMFiT[2], and the OpenAI transformer[3]. These works made headlines by demonstrating that pretrained language models can be used to achieve state-of-the-art results on a wide range of NLP tas
CoNLL 2018 | CoNLL
CoNLL The SIGNLL Conference on Computational Natural Language Learning October 31 - November 1, 2018 Brussels, Belgium CoNLL is a top-tier conference, yearly organized by SIGNLL (ACL's Special Interest Group on Natural Language Learning). This year, CoNLL will be colocated with EMNLP 2018 in Brussels, Belgium. Program The program is now available! The list of accepted papers, call for papers and t
深層学習による自然言語処理 - RNN, LSTM, ニューラル機械翻訳の理論
本稿ではニューラルネットワーク，誤差逆伝播法，言語モデル，RNN，LSTM，ニューラル機械翻訳の一連の手法について数理的に解説する． 前編の目次 ニューラルネットワーク 順伝播 (Forwardpropagation) 逆伝播 (Backpropagation) リカレントニューラルネットワーク (RNN) Recurrent Neural Network Language Model (RNNLM) Backpropagation Through Time (BPTT) Long Short-Term Memory (LSTM) Gated Recurrent Unit (GRU) RNN のドロップアウトとバッチ正規化 ニューラル機械翻訳 (NMT) Sequence to Sequence (seq2seq) 注意 (Attention) 双方向エンコーダー・多層LSTM 評価手法
ACL2017 の論文たちを一言でまとめてみた | CyberAgent Developers Blog
neural が約1.7倍増えていて、ニューラルモデルを利用した研究が前年よりも多いことがわかります。 また、generation, extraction, prediction, framework, end-to-end などの単語が増えているので、基礎研究というよりも言語処理タスクをニューラルモデルで解決する応用研究な論文が増えているようです。たしかに、データセットやベンチマークが用意されている既存タスクに、ニューラルモデルを適用し既存手法よりも高い精度を実現していたものが多かったように感じました。 さらに、knowledge, attention, discourse などの単語が出現する論文では、知識ベースやアテンションモデルをどう対話システムに利用するかというものが多く、今とてもアツい領域なのだとわかります。 もちろん、上記には顕著に現れた傾向のみ挙げていますが、それ以外にも幅
なぜ「NoSQLデータベース」なのか？
NoSQLデータベースが急速に普及しています。RDBの時代は終わってしまうのでしょうか。RDBは根本的な欠陥があるのでしょうか。──それは違います。本連載では、「NoSQLデータベースの今」を正しく理解し、ビジネス躍進の実現に向けて対策していくための「ベストプラクティス」を掲示していきます。初回は「今日のデータ問題」の基礎と背景を解説します。 はじめに これから数カ月にわたって、「NoSQLデータベースの今」を紹介していきます。NoSQLデータベースのさまざまな機能や長所を詳しく見ていく前に、最初は「NoSQLデータベースが生み出された理由」を、つまりNoSQLデータベースが得意とすること、そしてこれまでのデータベースでは十分ではなかった部分を確認していきましょう。 1回目となる今回は「今日のデータ問題」について。併せて、これまでのリレーショナル技術ではそれにうまく対応できない理由を取り上
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
[旧版] JSAI2018 チュートリアル「"深層学習時代の" ゼロから始める自然言語処理」![[旧版] JSAI2018 チュートリアル「"深層学習時代の" ゼロから始める自然言語処理」](https://cdn-ak-scissors.b.st-hatena.com/image/square/12caf50016f977ce9af0cfb1be243e077305b1e9/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fjsai2018tutorialslideshare-180606065226-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
http://www.genmind.ai/12u1thgh68FGHFghAq/
InfoQ: Apache Mahout: 拡張性の高い機械学習アルゴリズム