Machine learning system in patterns | Mercari Engineering
Hi, I’m Yusuke Shibui, a member of the Image Search and Edge AI team in Mercari Japan. I publicized design patterns for implementing a machine learning model into a production environment. The patterns are available in GitHub as OSS, and I welcome you to take a look if you are interested! The repository is open for anybody to raise a PR or issue. If you have your own machine learning system patter
Coursera | Online Courses From Top Universities. Join for Free
7,000+ courses from schools like Stanford and Yale - no application required. Build career skills in data science, computer science, business, and more.
GitHub - accel-brain/accel-brain-code: The purpose of this repository is to make prototypes as case study in the context of proof of concept(PoC) and research and development(R&D) that I have written in my website. The main research topics are Auto-Encode
The purpose of this repository is to make prototypes as case study in the context of proof of concept(PoC) and research and development(R&D) that I have written in my website: Accel Brain (Japanese) and Accel Brain Co., Ltd. (Japanese). The main research topics are Auto-Encoders in relation to the representation learning, the statistical machine learning for energy-based models, adversarial genera
須山敦志 Suyama Atsushi on Twitter: "Andrew Ng先生の有名な機械学習入門コースを受けた人は、上級編として次のステップへ進むのが良いかも。 https://t.co/1W3JiJWoKA"
Andrew Ng先生の有名な機械学習入門コースを受けた人は、上級編として次のステップへ進むのが良いかも。 https://t.co/1W3JiJWoKA
事前に構築されたワークフローにより迅速に市場に投入し、モデルを再トレーニングして時間をかけて継続的に改善します。 Amazon A2I を使用すると、AWS または別のプラットフォームで実行しているかどうかに関係なく、人間の判断と AI を任意の ML アプリケーションに簡単に統合できます。
はじめに DeepLearningを学び出してから2週間ほど経ちました。そろそろ学んだことが頭から零れ落ちる音がしてきたので、整理がてらにアウトプットしたいと思います。今回から複数回に渡ってDNNを構築していきます。今回はフォワードプロパゲーション編です。 作成するDNNについて 画像が猫である(1)かそれ以外である(0)かを判定するネットワークを構築します。 使用するデータ 209枚の画像をトレーニングデータとし、50枚の画像をテストデータとして使用します。それぞれの画像のサイズは64 * 64です。 Number of training examples : 209 Number of testing examples : 50 Each image is of size : 64 * 64
AWS、Azure、GCPのGPUインスタンス一覧。価格と性能を比較 | NHN テコラス Tech Blog | AWS、機械学習、IoTなどの技術ブログ
注意 GPUはすべてNVIDIA Teslaシリーズ VRAMはGPUに搭載されているメモリの量 インスタンスタイプは各社ごとに一番安いものを抜粋（16xlargeなどでなく一番小さいインスタンスを掲載） スポットインスタンスやプリエンプティブルGPUは考慮しない AWSはバージニア北部（us-east-1）リージョンでの価格 Microsoft Azureは米国西部2リージョンでの価格 期間限定で割引価格のPromoシリーズは無視しています GCPはus-central-1リージョンでGPUのみの価格 Kaggle KernelとGoogle ColabはAWS, Azure, GCPとは性格の異なる無料のサービスだが参考のために記載 Kaggle KernelとGoogle ColabのGPUについては、GPUを有効にした上で以下のプログラムで搭載GPUを確認 from tensorf
WhisperにおけるPrompt Engineering
音声認識を行うAIモデルであるWhisperも言語モデルを使用しているためPrompt Enginneringを適用することが可能です。本記事では、Whisperに対してPrompt Enginneringを適用することで、未知語の認識精度を向上させる方法を解説します。 Whisperの概要WhisperはChatGPTを開発したOpenAIの開発した音声認識モデルです。Whisperは、入力された音声を特徴ベクトルに変換し、特徴ベクトルを元にテキストを言語モデルで1文字ずつ生成します。 近年、ChatGPTの登場によってPrompt Engineeringが注目されていますが、Whisperも言語モデルを使用しているため、Prompt Enginneringを適用可能です。 WhisperにおけるPrompt EnginneringWhisperにはpromptとprefixという概念が
SIGNATE: 日本取引所グループ ファンダメンタルズ分析チャレンジ 暫定1位解法 / the provisional 1st place solution of JPX Fundamentals Analysis Challenge on SIGNATE
SIGNATEで開催された『日本取引所グループ ファンダメンタルズ分析チャレンジ 』で暫定1位となっている株価の値動きの予測手法についての解説
[自然言語処理/NLP] Word2Vec触ったので備忘録としてざっくりまとめておく (理論編) | DevelopersIO
こんにちは、Mr.Moです。 最近Word2Vecに触れる機会があったので備忘録の意味も込めて自分なりにまとめておこうと思います。 Word2Vecとは 簡単にまとめると下記です。 > Word2vecでは、2層のニューラルネットワーク構造を用いて大量のテキストデータのコーパスに対し単語の分散表現を生成して各単語の特徴を数百次元のベクトル空間で表現する。このベクトル空間ではコーパスにおける共通のコンテキストを共有している単語を類似しているとして、ベクトル空間上で近い位置になるよう各単語にベクトルの割り当てを行う。 上記により何が嬉しいかという所ですが、単語の意味を捉えられているかのような結果が得られる点です。例えば有名な話ですが下記のような演算を行うこともできてしまいます。 King - Man + Woman = Queen 上記図が少し分かりやすいのですが、左図のように単語の意味的な情
![[自然言語処理/NLP] Word2Vec触ったので備忘録としてざっくりまとめておく (理論編) | DevelopersIO](https://cdn-ak-scissors.b.st-hatena.com/image/square/ba1b82c806a1df532e001a7cf7c0652f65df224e/height=288;version=1;width=512/https%3A%2F%2Fdevio2023-media.developers.io%2Fwp-content%2Fuploads%2F2019%2F09%2Feye-catch-machine-learning-1200-630.png)
TensorFlow Quantum
# A hybrid quantum-classical model. model = tf.keras.Sequential([ # Quantum circuit data comes in inside of tensors. tf.keras.Input(shape=(), dtype=tf.dtypes.string), # Parametrized Quantum Circuit (PQC) provides output # data from the input circuits run on a quantum computer. tfq.layers.PQC(my_circuit, [cirq.Z(q1), cirq.X(q0)]), # Output data from quantum computer passed through model. tf.keras.l
この記事はなに この記事は、PyTorch で LSTM を使ってみようという入門記事になります。 pytorch で LSTM を使おうと思った時に、英語のドキュメントは無理。 加えて、巷に転がってるチュートリアルや入門記事はいきなり言語処理の実装をしていて、ただpytorchでLSTMを使ってみたい人にとってはハードルが高い。 さらにさらに、落ちているプログラムが動かないこともザラ。 ということで、分かりやすく、サンプルプログラムが動く、かつ例がミニマムであることを心がけて本記事を書きました。 本記事ではガッツリLSTMの解説をすることはしません。期待していた人はごめんなさい。あくまで pytorch で LSTM を扱えるようにすることが主目的です。 2021.2 追記：加筆や内容の修正を行いました。 この記事で分かること、分からないこと 分かること pytorch での LSTM
インストール 複数のラベルが付いた文章を分類する データの取得 分類器の学習 分類器による予測 分類器の評価 その他の機能 複数のラベルが付いた文章を分類する（プレ処理とハイパーパラメータの変更） 複数のラベルが付いた文章を分類する（オートチューニング） インストール 以下の記事にしたがうと Ubuntu on Windows Subsystem for Linux に fastText をインストールできます。 Windows Subsystem for Linuxをインストールしてみよう！ - Qiita 【WSL】ホームディレクトリ変更手順 - Qiita（これは適宜） fastTextをWindows環境（BashOnWindows）で実行するための準備 - Qiita 以下のコマンドで usage が出てくればインストールできていると思います。 ./fasttext 出てくる u
Microsoftの最強麻雀AI Suphx の論文ざっくり日本語訳（導入と概要まで） - Qiita
きっかけ 麻雀というドメインを知っているなら、英語論文でも大まかに読めるだろうというたかをくくった安直な考えでまとめていきます。表現のミスとか、読み間違いとかはぜひコメントください。（麻雀の専門用語つかってまとめてます） 1. 導入 ゲーム用の最強AIを作ることは長年いろんな研究者が目指してきており、完全情報型の2人用ゲーム（将棋・チェス・囲碁など）を始めとして、複雑な不完全情報型ゲームへも研究が進んでいる。 麻雀は不完全型情報ゲームの1つだが、研究にあたっては大きな課題がある。まず1つ目には麻雀の勝敗決定がある。 複雑な点数計算 複数のラウンドからなす最終順位 上記2つにより1ラウンドの結果が負けたからといって、必ずしもそのゲームの「負け」につながるとは限らない。また麻雀にはアガリのパターンが多く、パターンに対する点数計算がとても複雑である。なので単純にアガればいいというわけではなく、複
【実装解説】日本語BERT × 教師なし学習（情報量最大化クラスタリング）でlivedoorニュースを分類：Google Colaboratory（PyTorch） - Qiita
【実装解説】日本語BERT × 教師なし学習（情報量最大化クラスタリング）でlivedoorニュースを分類：Google Colaboratory（PyTorch）Python機械学習DeepLearningAIPyTorch 本記事では、Google Colaboratoryで日本語版BERTを使用し、livedoorニュースに対して、教師なし学習の情報量最大化クラスタリングを実施すると、どのようにクラスタリングされるのかを実装、解説します。 Google Colaboratoryで日本語版のBERTを利用し、文章をベクトル化するまでの内容、 MNISTでの教師なし学習の情報量最大化クラスタリング について、これまでの連載記事で解説したので、まずはこちらをご覧ください。 連載一覧 [1]【実装解説】日本語版BERTをGoogle Colaboratoryで使う方法（PyTorch） [2
GitHub - nousr/koi: A plug-in for Krita that enables the use of AI models for img2img generation.
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
抽出された健康情報間の関係を識別し、ICD-10-CM、RxNorm、SNOMED CT などの医療オントロジーにリンク
【強化学習】方策勾配法の仕組みと学習のワークフロー - ころがる狸
こんばんは。今日のテーマは方策勾配法です。前回の記事では強化学習の基礎から深層強化学習（DQN）までを扱いました。そこでは状態や行動の価値Qの見積もりをいかにして最適化するかという考え方が根底にありましたが、方策勾配法では価値ではなくエージェントの方策（≒エージェントの行動確率）を最適化することが目的です。本記事では学習のワークフローをまじえながら方策勾配法を解説します。 【参考資料】強化学習の入門記事はこちら。 dajiro.hatenablog.com （式の展開をすっ飛ばしたい人は、方策勾配法のワークフローからご覧ください！） 方策勾配法の仕組み 学習のワークフロー おさらい ワークフロー 方策勾配法による学習の実施 1.価値の計算 2.行動確率の計算 3.勾配の計算 方策勾配法の仕組み 方策勾配法は、エージェントの行動確率をニューラルネットワークで表現するためのテクニックです。その
How to Take a Data-driven Approach to ESG investing with Apache Spark, Delta Lake, and MLflow - The Databricks Blogの翻訳です。 経済の未来は、社会的責任、環境への義務、企業の倫理と切っても切り離せない関係にあります。競争力を維持するために、金融サービス機関(FSI)は、積極的に自身の環境、社会、ガバナンス(ESG)に関するパフォーマンスの情報を公開しています。企業におけるあらゆる投資の社会的インパクト、持続性を理解し、定量化することで、FSIは風評リスクを軽減し、顧客、株主との信頼関係を維持することができます。Databricksにおいては、多くのお客様の経営層においてESGが優先事項になっていると聞いています。これは単に利他主義によるものではなく、経済的な動機によっても引き
社会実装を目指し世界中で加速する自動運転開発。課題を抽出しながらAIやセンサーの性能向上を図るべく、各地で公道実証が繰り返されている。 近年、こうした実証で取得したデータを無料開放する動きが顕著に増加している。何万何十万にも及ぶ画像データなどを収集・加工する労力は膨大で、この作業が自動運転開発における1つの壁となっているが、こうしたデータセットを広く公開することで、業界全体の開発スピードを加速する狙いがある。 今回は、データセットの公開に乗り出している主な企業と実際に公開されている各企業のデータセットについて紹介していく。 ■Waymo：Waymo Open Dataset自動運転分野で先頭を走る米グーグル系ウェイモは2019年8月、自動運転技術の進歩を目的に「Waymo Open Dataset」を研究者向けに無料開放した。 ▼Open Dataset – Waymo https://w
はじめに ふと思い立って勉強を始めた「ゼロから作るDeep LearningーーPythonで学ぶディープラーニングの理論と実装」の4章で私がつまずいたことのメモです。 実行環境はmacOS Mojave + Anaconda 2019.10、Pythonのバージョンは3.7.4です。詳細はこのメモの1章をご参照ください。 （このメモの他の章へ：1章 / 2章 / 3章 / 4章 / 5章 / 6章 / 7章 / 8章 / まとめ） 4章 ニューラルネットワークの学習 この章はニューラルネットワークの学習についての説明です。 4.1 データから学習する 通常は人が規則性を導き出してアルゴリズムを考え、それをプログラムに書いてコンピューターに実行させます。このアルゴリズムを考える作業自体もコンピューターにやらせてしまおうというのが、機械学習やニューラルネットワーク、ディープラーニングです。
ONNXファイルから不要な枝を削ってMNISTの推論を高速化してみる - a_kawashiroのブログ
この記事の中のソースコードは全てhttps://github.com/akawashiro/sonnxにあります。 概要 ニューラルネットワークから要らなそうな枝を80%削除しても精度が変わらなかった ONNXの中身をいじるのが大変だった onnxruntimeには勝てなかった 背景 機械学習の学習済みモデルを小さなデバイスで動かす、というのが最近流行っているそうです。機械学習では、学習には大きな計算コストがかかりますが、推論はそれほど大きな計算コストがかかりません。このため、学習だけを別のコンピュータで行っておいて、実際の推論は小さなデバイスで行うということが可能です。 ただし、推論だけでもそれなりに計算資源が必要です。そこで、学習済みのモデルの高速化が重要になります。Raspberry Piに搭載されているGPUを使うIdeinとか有名です。 僕も学習済みモデルの推論を高速化できそうな
転移学習 - Wikipedia
転移学習（てんいがくしゅう、英: transfer learning）は、ある問題を解決する際に得た知識を蓄積し、関連する別の問題にそれを適用することに焦点を当てた機械学習の研究領域である[1]。たとえば、乗用車を認識するために得た知識は、トラックを認識するためにも応用できるかもしれない。この研究領域は、学習転移（英語版）に関する長い歴史を持つ心理学の文献と何かの関係をもつが、2つの分野の実用的な結びつきは限定的である。実用的な面では、過去に学習した仕事の情報を新たな仕事の学習のために再利用または転送することで、強化学習手段のサンプル効率を大幅に改善することができる可能性がある[2]。 歴史[編集] 1976年、Stevo BozinovskiとAnte Fulgosiは、ニューラルネットワークの学習における転移学習に明示的に取り組んだ論文を発表した[3][4]。この論文では、転移学習の数
はじめに 研究室に所属してからというもの、独学が正義の情報系学問の世界(偏見？)。とりあえず機械学習ライブラリ「PyTorch」の勉強をしなければ…と思い、最近推している日向坂46の顔分類に挑戦しました！下記のように、入力された画像に対して、画像内の人物の名前を特定することを目指します。 入力 出力 基本的には、 mnist examples(GitHub) Pytorch Tutorials(Training a Classifier) 機械学習で乃木坂46を顏分類してみた 乃木坂メンバーの顔をCNNで分類 を参考にしながら作成して行きます。偉大なる先人達との差別化としては、 流行の機械学習ライブラリであるPyTorchの利用 遭遇したエラー達 DeepLearningに対して素人である筆者の奔走 乃木坂じゃなくて日向坂 あたりでしょうか。 「とりあえずゼロから作るDeepLeranin
Toward the minimalism of machine learning experiment workflows
(Update on Dec 30, 2021: I created a python library luigiflow for the workflow management I describe here. Any feedback is appreciated!) I’m a research engineer of machine learning (ML), exploring ML models for various tasks. Like many ML researchers, I spend a lot of time doing experiments. So improving the efficiency of experiment workflows would yield considerable benefits. MLOps is one of the
Deploy ML on mobile, microcontrollers and other edge devices
GitHub - zaki-yama-labs/intro-aws: 東京大学の「AWSによるクラウド入門」のメモ
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
デジタル トランスフォーメーションを加速 お客様がデジタル トランスフォーメーションに乗り出したばかりでも、あるいはすでに進めている場合でも、Google Cloud は困難な課題の解決を支援します。
ソフトマックス関数 - Wikipedia
ソフトマックス関数（ソフトマックスかんすう、英: softmax function）は、ロジスティック関数を多次元に拡張したもの。ネットワークの出力を確率分布に変換することができるので、ニューラルネットワークの最後の活性化関数としてよく用いられる。 定義[編集] ソフトマックス関数は、K 個の実数からなるベクトル z を入力として受け取り、入力の指数に比例する K 個の確率で構成される確率分布に正規化する。つまり、ソフトマックス関数を適用することで、各成分は区間 (0, 1) に収まり、全ての成分の和が 1 になるため、「確率」として解釈できるようになる。入力値が大きいほど「確率」も大きい。 K > 1 に対し、標準（単位）ソフトマックス関数 は次のように定義される。 簡単に言えば、入力ベクトルの の各成分 に標準的な指数関数を適用し、これらすべての指数の合計で割ることによって、値を正規化
Start here! Predict survival on the Titanic and get familiar with ML basics
XGBoost - Wikipedia
XGBoost[2] (eXtreme Gradient Boosting) is an open-source software library which provides a regularizing gradient boosting framework for C++, Java, Python,[3] R,[4] Julia,[5] Perl,[6] and Scala. It works on Linux, Microsoft Windows,[7] and macOS.[8] From the project description, it aims to provide a "Scalable, Portable and Distributed Gradient Boosting (GBM, GBRT, GBDT) Library". It runs on a singl
Nx-powered Neural Networks for Elixir. Axon consists of the following components: Functional API – A low-level API of numerical definitions (defn) of which all other APIs build on. Model Creation API – A high-level model creation API which manages model initialization and application. Training API – An API for quickly training models, inspired by PyTorch Ignite. Axon provides abstractions that ena
機械学習サービスである Amazon Textract は、ドキュメント、テーブル、およびフォームからテキストやその他のデータを抽出します。本日は、2 つの新機能を発表します。 Amazon Textract は、ヘルスケア関連書類、処方箋、異議申立書、税務書類、収入書類、小切手、訴状、学術論文などの書類からの手書き文字の認識をサポートするようになりました。Detect Document Text または Analyze Document API を使用して、スキャンしたドキュメントの画像または PDF を処理し、印刷されたテキストと手書きの文字の両方を抽出して、スキャンしたドキュメントのほとんどすべての処理を簡単に自動化できます。また、別の AWS のサービスである Amazon Augmented AI (Amazon A2I) を使用することもできます。これにより、機械学習の予測につ
pytorchを使ってword2vecを実装してみたので、実装しながら陥ったバグや大変だったとこをまとめます。 一覧 modelの保存方法 最大化を最小化を間違えた negative sampling用のtable作成 初期値 modelの保存方法 そのままモデルを保存するとGPU情報が含まれてしまい、ロードするときに自動的にGPUに乗ってしまう問題。 https://qiita.com/jyori112/items/aad5703c1537c0139edb ↑でまとめました。 最大化と最小化を間違えた word2vec (CBoW)の最適化関数は
【病理AIの開発に成功】前立腺癌を病理組織デジタル標本から検出可能に～「Diagnostics / 特集号」に論文が掲載 ～ デジタル病理支援ソリューション「PidPort」を提供するメドメイン株式会社 ( 本社：福岡県福岡市、代表取締役CEO： 飯塚 統、以下「メドメイン」)は、Deep Learning（深層学習）の転移学習を用いることで、前立腺の針生検病理組織デジタル標本において、前立腺癌を極めて高精度に検出する人工知能の開発に成功しました。 また、この開発に関する論文をMDPI（https://www.mdpi.com）が発行するDiagnosticsに投稿し、2022年3月21日にArtificial Intelligence in Pathological Image Analysisの特集号にて掲載されたことをお知らせします。（掲載箇所：https://www.mdpi.co
AI Lab、Web・データマイニング分野の国際会議「The Web Conference 2020」にて論文採択 ~機械学習における正解データの観測が遅延する問題を改善する手法を提案~
株式会社サイバーエージェント（本社：東京都渋谷区、代表取締役社長：藤田晋、東証一部上場：証券コード4751）は、当社社員による共著論文がWeb・データマイニング分野の国際会議「The Web Conference 2020」に採択されたことをお知らせいたします。この論文は人工知能技術の研究開発組織「AI Lab」に所属する安井翔太・森下豪太・芝田将および「Dynalyst」に所属する藤田光明によって執筆されたものです。 「The Web Conference（通称WWW）」は、コンピュータサイエンス・経済学・機械学習から社会問題まで多くの研究分野の視点から研究発表が行われているWeb・データマイニングにおける権威ある国際学会の一つです。この度当社から採択された論文は、2020年4月に台湾・台北で開催される「The Web Conference 2020」において発表が予定されています。※1
語られている事柄は全て、観察者によって語られている。Alles was gesagt wird, wird von einem Beobachter gesagt. Maturana, H. R. (2013). Erkennen: die Organisation und Verkörperung von Wirklichkeit: ausgewählte Arbeiten zur biologischen Epistemologie. Springer-Verlag., S.34.
言語モデル - Wikipedia
言語モデル（げんごモデル、英: language model）は、単語列に対する確率分布を表わすものである[1]。 解説[編集] 言語モデルは、長さがm個の単語列が与えられたとき、その単語列全体に対しての確率 を与える。この確率分布は、1つまたは複数の言語のテキストコーパスを使用して、言語モデルを訓練することによって得られる。しかし、言語は無限に有効な文を表現することができるため[注釈 1]、言語モデリングは、訓練データでは遭遇しないような言語的に有効な単語列にゼロでない確率を割り当てることが課題となる。この問題を克服するために、マルコフ仮定や、回帰型ニューラルネットワークあるいはトランスフォーマー（transformer）などのニューラルアーキテクチャなど、さまざまなモデリング方法が考案されている。 言語モデルは、計算言語学におけるさまざまな問題に役立っている。当初は、低確率で無意味な単
翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 SageMaker JumpStart SageMaker JumpStart は、機械学習の開始に役立つ、さまざまな問題タイプ向けに事前トレーニングされたオープンソースモデルを提供します。デプロイ前にこれらのモデルを段階的にトレーニングおよび調整できます。 には、一般的なユースケース用のインフラストラクチャを設定するソリューションテンプレートと、 を使用した機械学習用の実行可能なサンプルノートブック JumpStart も用意されています SageMaker。 更新された Studio エクスペリエンスのラン JumpStart ディングページを通じて、一般的なモデルハブから事前トレーニング済みモデルをデプロイ、微調整、評価できます。 Amazon SageMak
直感的にニューラルネットワークの仕組みを理解してみましょう。 深層学習とかニューラルネットワークとか、人工知能という言葉が世間で飛び交っています。いったい、これらがどのようなものなのかを理解したいと思っている人は多いのではないでしょうか？でもプログラミングの知識もなければ、ITの知識もないという人には高いハードルのように感じられます。そのような人のために、テンソルフロープレイグラウンドというツール、アプリが用意されているのをご存知ですか。 ブラウザーを開いてつぎのURLを開いてみてください。 つぎのような画面が現れます。 これはニューラルネットワークを学ぶための学習ツールです。ニューラルネットワーク・シミュレーターとでも呼んだらいいのでしょうか？ この場合には、入力データは$X_1$と$X_2$が選ばれています。また出力はサークルが描かれています。青い点が円形に、赤い点がそれを取り巻く輪と
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
Amazon A2I (人による機械学習予測のレビューを簡単に導入) | AWS
ゼロからのディープラーニング(フォワードプロパゲーション編) - Qiita
pytorch で LSTM に入門したい...したくない？ - どやの情弱克服ブログ
雑記： fastText のチュートリアルをやるだけ - クッキーの日記
Amazon Comprehend Medical | AWS
ESGに対するデータドリブンアプローチ - Qiita
自動運転業界、「データセット公開」に乗り出す企業たち（深掘り！自動運転×データ 第27回）
ゼロから作るDeep Learningで素人がつまずいたことメモ:4章 - Qiita
PyTorchを使って日向坂46の顔分類をしよう！ - Qiita
Introduction to TensorFlow
クイックスタート: BigQuery ML で ML モデルを作成する | Google Cloud
Titanic - Machine Learning from Disaster | Kaggle
GitHub - elixir-nx/axon: Nx-powered Neural Networks
Amazon Textract が手書きの文字と 5 つの新しい言語をサポート
word2vecを実装してみて間違えたことリスト - Qiita
【病理AIの開発に成功】前立腺癌を病理組織デジタル標本から検出可能に～「Diagnostics / 特集号」に論文が掲載 ～
株式会社 Accel Brain – 活用なき「AI論」は、無学に等しい。
SageMaker JumpStart - Amazon SageMaker
アプリでまなぶNN：動かす人工知能ーテンソルフロープレイグラウンド - Qiita