人工知能？ 機械学習？ ディープラーニング？ このところ、ニュースなどで「人工知能（AI）」「機械学習」「ディープラーニング」という言葉を聞かない日はありません。これらの用語には「人が作った知能」「人の脳神経を模したヤツね」「ニューラルネットワークみたいな？」などといったイメージがあると思いますが、具体的にはこうした技術を使ってどんなことができるのでしょうか。パッと思い付くのは次のようなことです。 これらは「何かを基に何らかの判断を行う」こととまとめられます。例えば、「桜の花を見て、それを桜と認識する」「誰かから話しかけられて、その意味を理解する」「左カーブに合わせて、ステアリングを操作する」といったことです。 人が行うのであれば、これらは「知的な活動」とでも呼べるでしょう。そうした知的な活動を人工的な存在であるソフトウェア（と、そこに何らかの形で接続されたハードウェア、そこから取得できる
現在、機械学習を代表する存在であるディープラーニング。前回まで説明してきたように、機械学習の「回帰」モデルと「分類」モデルのうち、ディープラーニングでは分類モデルがメインに使われます。 分類モデルでも、損失関数を手掛かりに最適なパラメーター値を求めるという、回帰モデルの基本的な考え方はそのまま使えます。しかし、問題を解く難易度ははるかに高くなります。回帰モデルでは1次関数や2次関数だった予測関数や損失関数に次のような数式が出てくるのです。 そのため、「ネイピア数とは何か」をはじめとして、指数関数や対数関数がどのようなもので、それらの微分の計算結果がどうなるかなど、最低でも高校3年レベルの数学知識がないと歯が立ちません。 さらに「分類」と比較すると簡単に実装可能な線形回帰モデルでも、身長だけでなく胸囲も使ってより精緻に体重を予測する重回帰モデルを作る場合であれば、前々回で説明した「座標系の平
機械学習・深層学習によるAI関連手法を固有のコア技術としているHEROZのAIエンジニアが「将棋AI」「深層強化学習」など、最新の人工知能の技術動向について話しました。全3回。1回目は2名のエンジニアの経歴と将棋AIの特徴について。 HEROZ株式会社の紹介 井口圭一氏（以下、井口）：HEROZの井口です。よろしくお願いします。本日は将棋AIを開発しているトップエンジニアたちに出ていただいて、最新の開発について話をしてもらおうと思っています。 最初に会社の紹介をしたいと思っています。HEROZは2009年に設立して、ここに載っている4名の役員で経営しています。 2012年に将棋ウォーズをリリースして、オンライン上でみなさんに将棋をプレイしてもらっています。2018年には東証マザーズに上場して、2019年には東証一部に市場変更しています。まだまだいろいろなところにAIを展開していきたいなと思
未来IT図解 これからのディープラーニングビジネス 「未来IT図解 これからのディープラーニングビジネス」本書のおもな内容 「未来IT図解 これからのディープラーニングビジネス」Amazonでの購入はこちら 「未来IT図解 これからのディープラーニングビジネス」楽天市場での購入はこちら 未来IT図解 これからのAIビジネス 「未来IT図解 これからのAIビジネス」Amazonでの購入はこちら 「未来IT図解 これからのAIビジネス」楽天市場での購入はこちら 未来IT図解 これからのブロックチェーンビジネス 「未来IT図解 これからのブロックチェーンビジネス」Amazonでの購入はこちら 「未来IT図解 これからのブロックチェーンビジネス」楽天市場での購入はこちら 未来IT図解 これからのIoTビジネス 「未来IT図解 これからのIoTビジネス」Amazonでの購入はこちら 「未来IT図解
NECは8月19日、従来の半分の学習データ量で高い識別精度を維持できるディープラーニング技術を発表した。元データの種類を問わないため、画像や音声などさまざまなデータに対し適用できるとしている。 ディープラーニングには、元データを示す「入力層」と回答を示す「出力層」の間に、元データの特徴を抽出する「中間層」が複数ある。NECが開発した技術では、中間層の特徴量を意図的に変化させ、識別が難しいデータを集中的に生成して識別精度を高めている。 同社によると、文字認識や物体認識の標準的なデータセットに対し同技術を適用したところ、従来の半分の学習データ量で従来と同等の精度を実現できたという。 一般的にディープラーニングの識別精度を高めるには、識別が難しいデータを多く学習することが有効とされている。従来は学習用の画像データを意図的に加工、変形させてデータ量を増やす「データ拡張」という手法を使っていたが、十
(速報)Javaでディープラーニング！Deep Java Libraryがリリースされました #reinvent | DevelopersIO
はじめに ご紹介するアップデートはこちら！ Introducing Deep Java Library: Develop and deploy Machine Learning models in Java 内容 Javaでディープラーニングモデルを開発するためのオープンソースライブラリ、Deep Java Library(DJL)がリリースされました。 DJLでは、ディープラーニングモデルのトレーニング、テスト、リリースするためのAPIが提供されます。各種ドキュメントは以下。 JavaDoc Documentation Github: awslabs/djl Github: aws-samples/djl-demo では実際にGithub: DJL - examplesをやってみましょう。 まずはDJLをgit cloneします。 $ git clone https://github.c
ディープラーニングの課題に挑む 京都のAIベンチャー「ハカルス」 | Forbes JAPAN 公式サイト（フォーブス ジャパン）
画像認識などの分野で続々と大きな成果をおさめているディープラーニング。だが、その最新技術をビジネスの現場で使いこなすためには、いくつかの“問題”があるとされている。 まずディープラーニングには、大量の学習用データが必要となる。しかしながら、すべての企業がデータを潤沢に保持している訳ではない。データを持っていない企業にとっては「絵に描いた餅」に過ぎず、そもそも使えないという大きなハードルがある。 仮にデータを大量に保有していたとして、その「質」も問われてくる。学習に適さない不正確なデータ、言い換えれば「ノイズ」が多く含まれている場合、AIを学習させたとしても思ったような結果が得られない。膨大なデータを処理する時間やコンピューティングパワーも必須となる。 さらに、クラウドにデータをアップロードして処理・学習するとなると、時間ばかりか個人情報などデータセキュリティ上の懸念や対策も、企業のコストと
ルール大学ボーフムのホルストゲルツITセキュリティ研究所とクラスタオブエクセレンスCASA（Cyber Security in the Age of Large-Scale Adversaries）の研究チームが、ディープフェイク画像を効率的に特定する新しい方法を開発した。 ディープフェイク画像とは、ディープラーニング技術を用いて生成され、人間には本物の写真とほとんど見分けがつかないフェイク（偽）画像を指す。研究チームはこうした画像を効率的に特定する方法の開発を目的に、画像を周波数領域に変換して分析した。これは確立された信号処理手法だ。 研究チームは2020年7月15日（現地時間）、International Conference on Machine Learning（ICML）でこの研究成果を発表した。実験結果を再現できるように、実験のために作成したコードをGitHubで公開している。
ディープラーニングで好きな声になれるツール作ってみた
誰でも好きな声になれるツール「Yukarinライブラリ」を公開しました！1. ソースコードをダウンロード2. 音声データを用意3. コマンドを実行これで誰でも好きな声になれます！----------------------------------------・Yukarin (GitHub)https://github.com/Hiroshiba/yukarin・Become Yukarin（GitHub）https://github.com/Hiroshiba/become-yukarin・Realtime Yukarin（GitHub）https://github.com/Hiroshiba/realtime-yukarin・ディープラーニングの力で結月ゆかりの声になってみた（解説動画）sm32724409・リアルタイム声質変換ライブラリ「Realtime Yukarin」を公開しまし
Amazon SageMakerでのディープラーニング学習時における、GPUパフォーマンスチューニングのためのI/O最適化 | Amazon Web Services
Amazon Web Services ブログ Amazon SageMakerでのディープラーニング学習時における、GPUパフォーマンスチューニングのためのI/O最適化 GPUはディープラーニングの学習スピードを著しく向上させ、学習にかかる時間を数週間からほんの数時間へと短縮させる可能性があります。しかし、GPUを使用する恩恵を十分に得るためには以下の点を考慮する必要があります。 基盤となるハードウェアを十分に稼働させるためのコードの最適化 最新の高性能なライブラリとGPUドライバの使用 GPUの計算と一致する速度でデータがGPUに供給されるためのI/Oとネットワーク操作の最適化 マルチGPUもしくは分散学習の際のGPU間の通信の最適化 Amazon SageMakerは開発者とデータサイエンティストがあらゆる規模で迅速かつ簡単に機械学習（ML）モデルをビルド、学習、デプロイするためのフ
AI（人工知能）とはAIとは「Artificial Intelligence」の略で、一般的には、「人間の知能をコンピューターを用いて人工的に再現したもの」という意味で理解されています。 しかし、学術的な視点では「AI（人工知能）」という言葉は多義的であり、その定義は、専門家の間でも明確に定まっていません。 以下に専門家による定義の一部を紹介します。
目次。 目次。 はじめに。 「株式自動売買」と「システムトレード（シストレ）」の違いをもう一度。 株式自動売買プログラムを自作するメリット。 プログラミング技術が身に付く。 幅広い知識（ネットワーク関連・機械学習など）が身に付く。 学術論文から最新の研究成果を取り入れることができる。 プログラムを自分好みに思いのまま改変できる。 楽しい。 株式自動売買プログラムを自作するデメリット。 膨大な時間がかかる。 幅広い知識（ネットワーク関連・機械学習・プログラミングなど）が必要。 信用取引口座の開設。 信用取引とは？ 空売り（売建）ができる。 レバレッジを効かせることができる。 ロング・ショート戦略：暴落リスクを回避することができる。 プログラム関連の準備。 プログラミングの勉強方法。 ニューラルネットワークの改良。 株式売買注文発注・訂正・取消、保有建玉・委託保証金維持率確認など、株式売買（信
実践！Chainerとロボットで学ぶディープラーニング
教材開発ストーリー AIのビジネス活用が大きな注目を集める一方、 初学者が機械学習・深層学習（ディープラーニング）技術の理解を深めるために 自由に利用できる日本語教材は未だ少ない状況です。 アフレルとPreferred Networks（以下、PFN）は、PFNが国立大学法人山梨大学との共同研究によって開発した 深層学習を応用する実践的知識を学習するための高等教育向け教材をベースに、 深層学習を初めて学ぶ学生や社会人向けのプログラミング教材として再編集しました。 この教材は、より多くの人に深層学習技術の学習機会を提供し、 実務領域への活用を促進するため、無料で公開いたします。 学習の流れ 実際に動かすことのできるロボットカー、教育版レゴ® マインドストーム® EV3を用いることで、 Pythonによるプログラミングから、オープンソースの深層学習フレームワークChainer™ まで、 初学者
AIとディープラーニングの基礎が丸分かりの記事9選
家電に搭載されるなど、どんどん身近になってきたAI（人工知能）。でも実際のところよく分からないという方も多いはずだ。日経クロストレンドからAIと、AIをつくるのに必要なディープラーニング（深層学習）と呼ぶ手法に関する記事をピックアップ。基礎とトレンドを簡単にまとめた。 AIを身近なものにしたディープラーニング 近年、AI（Artificial Intelligence：人工知能）の進化が著しいが、その背景には「ディープラーニング（Deep Learning：深層学習）」と呼ぶ手法の登場がある。これは人間の脳のような学習機能をコンピューターに持たせる技術である「機械学習」の手法の1つで、人間がデータの特徴を定義するのではなく、大量のデータを基に推論を繰り返し、そこから規則性やパターンといった特徴をAI自身が見つけ出すものだ。特徴の抽出には、人間の神経細胞の仕組みを模したニューラルネットワーク
ディープラーニングでアニメドラえもんの「うそつきかがみ」を再現してみた - karaage. [からあげ]
「うそつきかがみ」とは 漫画ドラえもんに出てくるひみつ道具です。この鏡は、写った人の顔を美男美女に写してくれる鏡です。Google画像検索で「ドラえもん うそつきかがみ」で検索すると大体どんなものかすぐ分かると思います。 selfie2animeという、自撮り画像（selfie）をアニメ画像（anime）のデータセットを使った、ディープラーニングを使って画風変換するソフトと、学習済みのモデルがあったので、これは再現できそうだなということで試してみました。本当は、美男美女に変換しないといけないのですが、ドラえもんのアニメ版を再現するという意味でギリギリセーフ（？）かなと思います（笑） 「うそつきかがみ」をディープラーニングで再現してみました 結果としては、この記事冒頭のアイキャッチ画像のように、誰でもアニメ顔の美男美女（？）になることができます。ちなみに素材提供は「変デジ研究所」のロンスタさ
![ディープラーニングでアニメドラえもんの「うそつきかがみ」を再現してみた - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/ac50f8141765bfc410005c889e31433ffa40177c/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20190824%2F20190824223109.jpg)
企画、要件定義のご相談 最適な推論エンジンを用いた実証実験の支援 追学習対応 精度、速度向上カスタマイズ設計 目的に応じたシステム構築 推論エッジデバイスの設計、製造、調達 NCXXは、IOT機器、テレマティクス機器、通信機器等の企画・設計・製造で製品出荷台数 500万台以上の実績を持つ企業です。そのノウハウを利用しハードウェア設計・製造、 ソフトウエア設計・評価、構造設計、運用、サポートまでワンストップで提供ができます。 用途により最適なAIエンジンを組み合わせ、小型、軽量、通信機能、省電力等特徴のある エッジ端末の企画・設計・量産製造も可能です。 NCXXのグループ、パートナー企業で様々な分野での対応が可能です。 （組み込みソフト開発、サーバ型ソフト開発、AR/VRコンテンツ制作、農業事業提案、 遠隔監視・リモートメンテナンス提案、テレマティクス関連事業、ブロックチェーン活用等）
ディープラーニング技術を用いたエッジコンピュータによる高速な画像認識ソリューション | マシンビジョン大全｜FA（ファクトリーオートメーション）用途で活用する事例を紹介するウェブメディア | マシンビジョン大全｜FA（ファクトリーオートメーション）用途で活用する事例を紹介するウェブメディア
株式会社日立ソリューションズ・テクノロジー（旧：日立超LSIシステムズ）（以下、当社）は、独自のディープラーニング技術を用い、単眼カメラの入力画像から自動車、人物、白線などの物体を検出し、物体までの距離を測距する技術を開発した。これを用いた「画像認識ソリューション」を2018年6月より提供開始している。 安価な小型の組込み向けGPU（Graphics Processing Unit）モジュール（Jetson TM TX2）と単眼カメラを組み合せ、リアルタイムな物体検出および測距を実現し、高度な認識技術を必要とする人工知能型アプリケーション開発を支援していく。 開発の経緯 近年、人工知能による映像・画像の解析技術や、ディープラーニングによる人に近い視認性をもつ画像認識技術は、周辺環境の安全性把握や障害物検知などが必要とされる監視カメラ、自動運転やロボティクスなどの様々な分野で実用化されている
ニューラルネットワークの「基礎の基礎」を理解する ～ディープラーニング入門｜第1回 - アイマガジン｜i Magazine｜IS magazine
現在、自動運転、スマートフォン、新薬開発など、さまざまな領域で人工知能、コグニティブの応用が進められているが、それとともに「ディープラーニング」（深層学習）と呼ばれる技術が注目を浴びている。ディープラーニングは、ある意味で「人間のように考える」ことができ、昨今の人工知能・コグニティブ・ブームを作り出した1つの要因ともなった技術である。本連載では、このディープラーニングの技術的な概略と代表的な手法およびその実装方法を取り上げる。第1回は、ディープラーニングの基礎であるニューラルネットワークを中心に解説を進める。 思考するアルゴリズム 280手目、黒の投了。全5局で行われたチャンピオン イ・セドルvs人工知能の囲碁対決は、最終戦も人工知能の勝利で幕を閉じた。最終戦績は、人工知能側の4勝1敗で、完全勝利と言えるものだ。勝利した人工知能は、Google傘下のDeepMind社が開発した「アルファ碁
ディープラーニング（深層学習）の研究開発を加速する手段の1つは、ディープニューラルネットワーク（DNN）の学習の高速化である。学習が速く進めば、研究に必要な試行錯誤がそれだけ捗るためだ。学習を短時間で済ませる手段の定番がGPUの利用であり、今や深層学習研究に欠かせないツールになった。 GPUを使う場合は、ライブラリ用のソフトウエアを介して使うことになる。このため、同じGPUを使う場合でも、ライブラリ側のソフトウエアの実装を工夫すると高速化できる。東京工業大学とスイスETH Zurichが共同開発した、CNN（Convolutional Neural Network）の畳み込み処理を対象にしたソフトウエアライブラリ「μ-cuDNN」もその1つである注1）、1）。 特徴は、このライブラリを追加し、元のコードを数行書き換えるだけで畳み込み処理が速くなることだ。東工大らの計測によれば、畳み込み処理
5分で分かるディープラーニング（DL）
1分 ―― ディープラーニング （DL：Deep Learning）とは AI研究においてディープラーニングという革新が2006年に起こりました（人工知能編で説明済み）。ディープラーニング（以下では短く「深層学習」と表記）とは、ニューラルネットワークというネットワーク構造を持つ仕組みを発展させたものです。 深層学習の特長は、大量のデータから特定の問題を解く方法を学習することです。これは例えば子供に犬や猫を覚えさせるのと同じようなものをイメージするとよいでしょう。人間が経験から学ぶように、機械がデータから学習することを機械学習と呼びますが（機械学習編で説明済み）、深層学習はその機械学習の一種です。 AIにおける人工のニューラルネットワークは、人間の脳が持つ神経ネットワーク（＝生体ニューラルネットワーク）を簡易的に模倣、もしくはヒントにしたものです。深層学習に至るまでに、人工ニューラルネットワ
「ディープラーニングにおける速度限界」の論文を読む
Speed Limits for Deep Learning という論文でニューラルネットの学習過程における熱力学的速度限界の研究がされています。 先を越されてしまった感があるので紹介します。本文10ページくらいで解析式とテストデータでの興味深い結果が書かれています。 熱力学的速度限界とは非平衡な物理系において分布の変化の大きさL、エントロピー生成\sigmaに対して変化に要した時間\tauが \tau \geq \frac{L^2}{2\Lambda \sigma} というような形で制限される法則です。 詳しくは ここでは機械学習の過程でパラメーター\theta_tが時間tに対して d\theta_t=\eta\nabla_\theta V(\theta;D)dt+\sqrt{1\eta\beta^{-1}}dB_t (Dは学習データ\etaは学習率)と変化するような状況を考え、 論文で
歴史をたどってディープラーニングを学ぶ 第十六回 これまでのまとめと、なぜ私はディープラーニングをつくれなかったか - Sansan Tech Blog
こんにちは、ニューラルネット老人こと糟谷勇児です。 Sansanに入社して5年が過ぎました。そういえば前職にいたときに隣の部署のマネージャーとこんな会話をしたことがありました。 「なんで学生時代(2004年当時）にニューラルネットの研究をしていたのに、私はディープラーニングをつくれなかったんですかね」 マネージャーの方は「当時はコンピューターの性能も低くて今みたいな計算ができないのは仕方ないんじゃないかな」 と返してくれましたが、どうにも腑に落ちませんでした。 当時だってスーパーコンピューターは性能が良かったですし、最先端のデスクトップPCと今の私のノートPCは互角とまでは言わないものの、10分の1、100分の1という性能ではないはずです。 当時もスペック上はアイデアがあればできたはずなのです。 負け惜しみにすぎないのですが、これまでのブログをまとめつつ2004年当時を振り返ります。 ディ
Preferred Networks（以下PFN）は、研究開発の基盤技術であるディープラーニングフレームワークを、自社開発のChainerから、PyTorchに順次移行すると発表した。今後Chainerの開発はバグフィックスおよびメンテナンスのみとなる。 Chainerファミリー（ChainerCV, Chainer Chemistry, ChainerUI, ChainerRL）についてもこの方針に従う。PFNが運用するディープラーニング入門:Chainerチュートリアル（外部サイト）についても今後コンテンツのリニューアルを検討予定だという。 関連記事：【Chainer】ディープラーニング初学者向けのチュートリアルを無償公開。Pythonの使い方から実装までの流れを学べる 関連記事：ディープラーニングとは｜AI・人工知能・歴史・仕組み・学習手法・活用事例 同時に、PyTorchを開発する
Unityでディープラーニングや機械学習といえばML-Agentsのことですが、この記事ではML-Agentsの話題は一切ありません。 主に画像を入力して分類やオブジェクト検出する系のディープラーニング推論についての記事になります。 Unityでマルチプラットフォーム対応のディープラーニングを使用したアプリの作り方 Unite Tokyo 2019において個人的に興味深いセッションがありました。 Unityで手軽に使えるAIエンジンailia SDK セッションの内容的としては、DeepLearning推論を実行するためのUnity用のプラグインの紹介で、簡単に利用できるフレームワーク、マルチプラットフォーム実行、高速な推論処理が可能というものでした。 このセッション映像を観て、私はつぎのことを思い出しました。 OpenCVでもDnnモジュールで、ディープラーニング推論が実行可能！！！ と
ニューラルネットワークとは¶ ニューラルネットワークは、微分可能な変換を繋げて作られた計算グラフ (computational graph) です。 本章では、まずは下の図のような、円で表されたノード (node) に値が入っていて、ノードとノードがエッジ (edge) で繋がれているようなものを考えます。 この図でいうノードの縦方向の集まりのことを層 (layer) と呼びます。 そしてディープラーニング (deep learning) とは、層の数が非常に多いニューラルネットワークを用いた機械学習の手法や、その周辺の研究領域のことを指します。 層（layer）¶ 上の図は、ニューラルネットワークを用いて、ワインに関するいくつかの情報から、そのワインが「白ワイン」なのか「赤ワイン」なのか、というカテゴリを予測する分類問題を解く例を表しています。 左側から、最初の層を入力層 (input
衛星画像の「影除去」から解析まで オンリーワンのAI・ディープラーニング技術（秋山文野） - エキスパート - Yahoo!ニュース
'''衛星画像の「影除去」から解析まで オンリーワンのAI・ディープラーニング技術 株式会社Ridge-i 柳原 尚史''' 災害発生時に「緊急で発生箇所を知る」ことができれば、その後の対応に大きな力になります。2019年にJAXAからの委託により、光学衛星画像からディープラーニングを活用した解析により、土砂崩れ箇所を自動で検出する技術を開発し、第4回宇宙開発利用大賞で経済産業大臣賞を受賞した株式会社Ridge-i（リッジアイ）。広域を1分前後で高速解析し、約80パーセントの高精度検出が実現しました。熟練の検査員が目視で行っていた作業を自動化、高速化するとその先にどんな世界が開けるのか。代表取締役社長の柳原尚史さんに伺いました。 －－災害箇所の検出を広域で1分前後、そして80パーセントの高精度で検出することができたとのことですが、広域というのはどのぐらいの広さですか？ 柳原：被災地域を含む
著者のAlberto Romero氏はスペイン在住のAIエンジニアであり、最近は神経科学に強い関心を寄せています（同氏の経歴はLinkedInを参照）。同氏がMediumに投稿した記事『人工知能を次のステージに導く5つのディープラーニングのトレンド』では、現在の人工知能の限界を克服するかも知れない5つの技術的トレンドが解説されています。 以上のような技術的トレンドとして同氏が挙げているものは、以下の通りです。 CNNの弱点の克服：画像認識モデルの基礎的技術であるCNNは、視野角や背景が変わると認識精度が低下したり、人間には識別できないノイズを画像に混入すると誤認したりする。こうした弱点は、ヒントンらが発表したカプセルネットワークで克服できるかも知れない。 自己教師ありディープラーニング：現在のディープラーニングモデルには、大量のラベル付けされた学習データが不可欠である。自己教師あり学習はラ
ディープラーニングを用いた時系列データの予測モデルの作り方
AI技術の全盛期到来――その現場で働くAIエンジニアに求められるものは？ データを活用したさまざまなサービスや技術をAIと称し、今やAIという言葉をニュースで目にしない日はないのではないでしょうか。AIサービス・技術を支えるAI人材の数は全世界で30万人、実際の需要規模は100万人とも言われています。 一方でサービスや技術を早く世の中に出すというスピード競争とコスト観点から、実際に現場で働くAIエンジニアには、どのようにデータを処理すべきか考えて設計し、コードを実装してデータ処理して結果を出す、という即戦力が求められます。 本記事では、AIサービス開発に参画するAIエンジニアの仕事例として「時系列データの予測モデル作成」を4回の連載で紹介します。現実の時系列データを集めてきてデータ分析をしようとすると、どのような苦労があるか、私の経験からお伝えします。 時系列データをディープラーニングで予
Microsoft製セキュリティソフト「Microsoft Defender ATP」のAndroid版がパブリックプレビュー、ディープラーニングによるマルウェアスキャンなど
Microsoftが開発するセキュリティソフト「Microsoft Defender ATP」のAndroid版がパブリックプレビューとして公開されました。Linux版の一般公開も同時に開始されており、Microsoft Defender ATPのクロスプラットフォーム対応が進んでいます。 Announcing Microsoft Defender ATP for Android - Microsoft Tech Community - 1480787 https://techcommunity.microsoft.com/t5/microsoft-defender-atp/announcing-microsoft-defender-atp-for-android/ba-p/1480787 Microsoft continues to extend security for all wit
東大松尾研が無料で公開しているディープラーニングの実践的教育プログラム「DL4US」の学習環境をDockerを使ってコマンド一発で構築する方法 - Qiita
東大松尾研が無料で公開しているディープラーニングの実践的教育プログラム「DL4US」の学習環境をDockerを使ってコマンド一発で構築する方法PythonDeepLearningDockerJupyterNotebook 東京大学 松尾研究室公開の無料ディープラーニング教材「DL4US」 東大の松尾研が「DL4US」という素晴らしい教材を公開されていますね。松尾研究室は、以前にも「Deep Learning基礎講座演習コンテンツ」を無料で公開していましたが、今回はそのバージョンアップ版という印象です。 実態は、Jupyter Notebook形式の実践的なチュートリアルとなっており、Deep Learning基礎講座演習コースのときは、ブログにPyenv・Anacondaを使って学習環境を構築する記事を書きましたが、私の方もバージョンアップ版ということで、今度はDockerを使ってコマンド
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
枝豆の選別とキュウリの等級判別でディープラーニング開発を体験——CQ出版が「IT農家のラズパイ製ディープ・ラーニング・カメラ」を刊行｜fabcross
本書では、枝豆の選別とキュウリの等級判別を例に、ディープラーニング開発を体験する。農作物の画像を撮り溜めて学習用のデータを作り、それをもとに畳み込みニューラルネットワークで学習モデルを生成。最後に学習済みモデルをRaspberry Piに組み込み、ディープラーニングカメラを製作する。 全2部構成。前半の第1部「体験学習［基礎編］枝豆の選別」では、学習済みモデルの開発環境準備、学習用データとなる枝豆の画像集め、学習＆評価用データセットの作成、枝豆の画像から学習済みモデルを作成することなどを解説する。 後半の第2部「体験学習[応用編]キュウリの等級判別」では、Raspberry Piのセットアップ、学習済みモデルのチューニングによる正答率の向上、学習済みモデルのRaspberry Piへの組み込みによるキュウリの等級判別マシンの製作に挑戦する。 著者は小池誠氏。新書判176ページ、定価は132
今更ですが、RNNについてです。 RNNもCNNと同様に約２年前に実装していましたが、なかなか書けませんでした。少し時間ができたので、書きます。 RNNですが、例によってMNISTを使って確かめます。 時系列データ RNNは、例えば、株価の推移、商品の売り上げなど時刻ごとに変化するデータの予測に用いられます。 次元としては、以下のような２次元データです。 (t, d) t:時系列長、d:説明変数 tは、月次データの12か月分であれば12、日々データで1週間分であれば7になります。 ここでは、MNISTの画像を時系列データとみなします。 MNISTの画像の例です。 以下のように、上部のピクセルから順に1時刻、2時刻となり最後が28時刻です。 (28,28)のデータになります。 スキャナで上から順番に読み込んでいくイメージです。 RNN（リカレントニューラルネットワーク） 時系列データは、前時
HOME/ AINOW編集部 /ブラックホールの可視化にも使われた「スパースモデリング」とは / ディープラーニングは唯一の選択肢なのか！？ ディープラーニングの技術は2010年代の初頭にAIブームの火付け役となりました。 今まで、人類が成し遂げきれなかった画像を認識する技術が、ディープラーニングにより急発展し、多くの投資が行われています。 一方で、高性能なディープラーニングの技術を維持するためには、膨大な計算コストがかかり、学習用の大量のデータを準備する必要があり、適用領域は製造業をはじめとしたいくつかの分野に限定的になっているとも言えます。 今後は、コストがかからず、少ないデータから、高精度な認識ができる技術改善が求められています。 今回は、「ディープラーニングは唯一の選択肢なのか！？」という疑問をもとに、「スパースモデリング」という技術に注目して、わかりやすくお伝えしたいと思います。
最近では16bitの浮動小数点数(FP16、あるいは半精度)で演算して、マシンラーニングの計算性能を改善するという話が一般化してきている。ということで、計算をより簡単に実行して性能を改善しようという動きがある。 今年のISC 2019では、混合精度計算のセッションが設けられ、その中でシンガポール国立大のJohn Gustafson教授が「混合精度の管理からプログラマを自由にするPosit」と題するプレゼンテーションを行った。Gustafson氏はHPCの世界では有名なコンピュータ科学者で、Gordon Bell賞も受賞している。アクセラレータの草分けのClear Speed社のCTOやAMDのチーフグラフィックスプロダクトアーキテクトを務めたこともある。そして、ISC 2019での発表時の肩書は、A*STARと国立シンガポール大学の教授となっている。 ISC 2019で発表を行うJohn
目次。 目次。 はじめに。 Effective Approaches to Attention-based Neural Machine Translation 著者・雑誌名。 内容。 Sequence-to-Sequence Model with Attention for Time Series Classification 著者・雑誌名。 内容。 Temporal pattern attention for multivariate time series forecasting 著者・雑誌名。 内容。 Stock Price Prediction Using Attention-based Multi-Input LSTM 著者・雑誌名。 内容。 DSTP-RNN: A dual-stage two-phase attention-based recurrent neural ne
小猫遊りょう（たかにゃし・りょう） on Twitter: "ソニーの研究者の方が作っている、ディープラーニングの解説動画。1本の動画の長さはおよそ10分程度で、全部で45本も用意されている。youtubeにアップされていて、かつ、日本語で見れる解説動画の中では桁違いにクオリティが高め。… https://t.co/jwR0QgTpRn"
ソニーの研究者の方が作っている、ディープラーニングの解説動画。1本の動画の長さはおよそ10分程度で、全部で45本も用意されている。youtubeにアップされていて、かつ、日本語で見れる解説動画の中では桁違いにクオリティが高め。… https://t.co/jwR0QgTpRn
目次。 目次。 はじめに。 プログラミング技術は、コロナ禍から生活を守る技術？ 短くまとめると…。 じゃあ、どうすれば？ 宣伝：新型コロナウイルス関連の論文を一般向けに解説した文章。 ディープラーニング（ニューラルネットワーク）とは？ 「ディープラーニング（ニューラルネットワーク）と僕」の話。 ディープラーニング（ニューラルネットワーク）を使って、株式の自動売買をしようと思い立った理由。 ディープラーニング（ニューラルネットワーク）を使うことを躊躇っていた理由は2つ。 量子ディープラーニング（量子ニューラルネットワーク）の影響。 ディープラーニング（ニューラルネットワーク）の研究は、急速に発展している。 ディープラーニング（ニューラルネットワーク）は、汎用性がある。 ディープラーニング（ニューラルネットワーク）に必要なライブラリって？ TensorFlow vs PyTorch。 人気。
最終更新日： 2022年5月12日 ディープラーニング という言葉をよく目にするようになりました。 社会的にAIの発展が注目されるようになり、現在3度目のブームを迎えているAIですが特に注目されている技術がディープラーニング です。 しかし、ディープラーニングは従来の技術とは何が違い、どのように活用できるのでしょうか。今回は、従来技術と比較した際のディープラーニング の特徴について説明していきます。 機械学習とディープラーニングの違い 機械学習とは 機械学習とは、機械が膨大なデータを学習することで、自らそのルールを学習し、高度な予測や判断を可能にする技術です。 学習方法としては大量のデータを学習して自動的にその特徴を取得する教師あり学習、データをさまざまな次元で分類などをする教師なし学習、自ら試行錯誤を繰り返して正解を得る強化学習があります。 AIにおける機械学習の位置付け 機械学習はAI
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
機械学習やディープラーニングってどんなもの？
指数関数、対数関数…、ディープラーニングに必要な数学はこれだ
ディープラーニングは今までの将棋AIとどう違う？ HEROZエンジニアが開発した将棋AIが電竜戦で初優勝した理由
ディープラーニングを分かりやすく解説「未来IT図解」 - mojiru【もじをもじる】
NEC、従来の半分のデータ量で精度良く学習するディープラーニング技術を開発
ディープラーニングで生成された「ディープフェイク画像」を周波数領域で見破る ルール大学
AI・人工知能とは｜意味、機械学習、ディープラーニング、実用例、未来 | Ledge.ai
ディープラーニングを使った株式自動売買プログラム稼働に向けた準備の話。 - sun_ek2の雑記。
ディープラーニングで“Gmail”の悪意のあるドキュメント検出を改善 ～Googleが発表／既存のスキャナーと組み合わせつつ、今後も人工知能の活用を拡大
ディープラーニング開発支援・受託開発 NVIDIA | NCXX
《日経Robo》GPUでのディープラーニングをさらに速く、東工大がNVIDIAチップ向けに高速化ライブラリ
PFN、ディープラーニングの研究開発基盤をPyTorchに移行。Chainerはメンテナンスフェーズへ | Ledge.ai
Unityでディープラーニング推論をする方法（マルチプラットフォーム対応） - Qiita
ニューラルネットワークの基礎 — ディープラーニング入門：Chainer チュートリアル
人工知能を次のステージに導く5つのディープラーニングのトレンド | AI専門ニュースメディア AINOW
ディープラーニングの推論時間を大幅に短縮できる「NVIDIA TensorRT」利用方法は？ | Ledge.ai
ディープラーニングを実装から学ぶ（10-1）RNNの実装(RNN,LSTM,GRU) - Qiita
ブラックホールの可視化にも使われた「スパースモデリング」とは / ディープラーニングは唯一の選択肢なのか！？ | AI専門ニュースメディア AINOW
ISC 2019 - ディープラーニングに最適な数値表現のPosit
論文版はてなブックマーク（その11：ディープラーニング×未来予測）の話。 - sun_ek2の雑記。
株式自動売買とディープラーニング（ニューラルネットワーク）の話。 - sun_ek2の雑記。
ディープラーニングと機械学習の違いは？ – AIにおける位置付けも解説！ | AI専門ニュースメディア AINOW