「Brave」は、従来のオンライン広告をブロックしたりプライバシーを侵害するトラッカーを排除したりする機能を備えたブラウザだ。Braveでは現在、広告表示に関して独自の技術をテストしている。 開発元のBrave SoftwareはMozilla Corporationの前最高経営責任者(CEO)Brendan Eich氏により設立されたスタートアップだ。同社は米国時間6月19日、Braveの早期アクセスプログラムに参加したユーザーを対象にテスト版のブラウザを提供し、事前に選定した250件の広告を表示するテストを行うことを発表した。Braveはブログで、6月中にテストの対象を拡大するとした。 オプトイン方式であり、ユーザーがこの機能を有効にしなければ広告は表示されない。Eich氏は20日、「ユーザーらは既にオプトインを始めている」とコメントした。 また数カ月後には、広告を表示したりクリックし
AIやディープラーニングは一部の専門家のみが扱うもので、素人には手を出しにくい──そんな固定概念を覆すサービスが登場している。 AI(人工知能)にマシンラーニング(機械学習)、ディープラーニング(深層学習)。一般人からすると、これらは専門家たちのみが扱えるとても高度な技術という印象があるだろう。技術の基本的な構造を理解するのはもちろんのこと、プログラミングを学び、コードが書けるようにならないと話にならないのでは、と考えがちだ。 しかし、米国・シリコンバレー発のスタートアップが開発している、簡単にディープラーニングを体験できるビジュアルツール「Lobe」が、そんな固定概念を覆そうとしている。今後、AI分野に参入したいと考えている企業や人に重宝されるであろうそのツールとは一体どのようなモノなのだろうか。 「ドラッグ&ドロップ」でお手軽ディープラーニング 2018年初めにローンチされたLobeは
日本アイ・ビー・エム(IBM)は、2018年6月11、12日に都内のホテルでカンファレンスイベント「IBM Think Japan 2018」を開催した。初日となる11日は「Code Day」と銘打たれ、開発者向けのテーマを中心に多数のセッションが展開された。午前中のゼネラル・セッションでは、テクノロジーが社会を動かす原動力となっている今の時代に、エンジニアに求められていることは何か、そしてエンジニアは、そのスキルをどうすれば発揮することができるのかをテーマに講演が行われた。 オープニングに登壇したのは、日本IBM 執行役員 研究開発担当の森本典繁氏だ。1990年代以降におけるインターネットの爆発的な拡大に始まり、コンピューティングリソースのコスト性能比の向上、クラウドの普及やAI技術の発達という流れの中で、「大量に生み出されるデータを活用するためのテクノロジーが強化されてきた」(森本氏)
本書の目的 ウェブセキュリティを手軽に学びたいひと向けに、簡単な学習環境の構築方法を紹介する 材料 Java ウェブブラウザ(今回はFirefoxで解説します) ローカルプロキシ「Burpsuite」 アドオン「HakoniwaBadStore」 (https://github.com/ankokuty/HakoniwaBadStore/releases/download/v1.0.2/HakoniwaBadStore.jar) この時点で想像がつく人は、「まとめ」以降を参照ください。 概要 こんにちは、ウェブ共同開発部の堀井です。 東京オリンピックが近くにつれ、「サイバーセキュリティ」というキーワードを目にする機会が増え、「SQLインジェクションによる情報漏洩」や「クロスサイトスクリプティングによるサイト改ざん」といった専門用語を目にする機会も多くなってきました。 開発者がセキュリティを
Semantic Textual Similarity Wiki Welcome to the Semantic Textual Similarity (STS) wiki page. Use this page to find and share STS resources. Please update and complete information at your will, you just need to create an account (see link above right). Please contact us if in doubt (aitor dot gonzalezagirre at gmail). Refer to the datasets below for more information on specific STS and STS tasks, i
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
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
「仕事ではじめる機械学習」は、ディープラーニング入門の1冊目と言われる「ゼロから作るDeep Learning」の次に読むのがおすすめです。 なぜなら「ゼロから作るDeep Learning」は、初心者にもわかりやすいがゆえに「あらゆる問題がディープラーニングで解決できてしまうのでは」という万能感を感じさせてしまうからです。 本書は、そんな幻想に「待った」をかけてくれます。 本書の一文をご紹介しましょう。 「機械学習は技術的負債の高利貸しのクレジットカード」というタイトルの論文があるほど、機械学習を含んだシステムは通常のシステム以上に技術的負債が蓄積しやすいのです。 このエントリでは、「仕事ではじめる機械学習」の内容をまとめます。 1章 機械学習プロジェクトのはじめ方 機械学習プロジェクトの流れについて、何をどういった順で行うのかが説明されています。 問題を定式化する 機械学習をしないで良
データ視覚化のいろはを無視したグラフはニュースや学術論文によく現れます。いろんな資料からかきあつめたり苦労して測定したデータ、あるいは自分の部署の成果をかっこよく見せたい気持ちはわかりますが、たいていの場合「よく見せる」という欲求は色の濫用や3D化などデザイン要素の足し算として現れがちです。結果としてよく見せたいデータがごちゃごちゃした印象になってしまい、メッセージを読み取りにくいだけでなく時に誤解を生む図に仕上がってしまっていることも多いでしょう。 「データ視覚化のいろは」とは書きましたが、自分は実際に体系的に学んだことがあるわけではなく、ウェブや論文などで目にした良い例と悪い例からぼんやりと「こうすべきなのかな」という指針を認識している程度です。そんな折に、UXやUIを突き詰めたサービスで有名なTHE GUILDの方がデータ視覚化に関するnote記事を公開しているのをみつけました。 デ
Cleaning text Here, we're going to go over some basic text cleaning steps in Python. raw_docs = ["Here are some very simple basic sentences.", "They won't be very interesting, I'm afraid.", "The point of these examples is to _learn how basic text cleaning works_ on *very simple* data."] Tokenizing text into bags of words NLTK makes it easy to convert documents-as-strings into word-vectors, a proce
A popular method for exploring high-dimensional data is something called t-SNE, introduced by van der Maaten and Hinton in 2008 [1]. The technique has become widespread in the field of machine learning, since it has an almost magical ability to create compelling two-dimensonal “maps” from data with hundreds or even thousands of dimensions. Although impressive, these images can be tempting to misre
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
処理を実行中です
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