ご注意：本記事は、＠IT／Deep Insider編集部（デジタルアドバンテージ社）が「deepinsider.jp」というサイトから、内容を改変することなく、そのまま「＠IT」へと転載したものです。このため用字用語の統一ルールなどは＠ITのそれとは一致しません。あらかじめご了承ください。 0. ディープラーニングのOS環境の選択指針 TensorFlowやChainerなどのライブラリを使ったディープラーニング（Deep Learning）を始めようとしたら、まずはGPU付きのPCを手に入れてから環境構築を始めるだろう。もちろんクラウド環境を利用する方法も使えるが、ディープラーニングの試行錯誤に時間がかかって課金が膨らんでしまう不安もあるので、まずは手元のPCを使いたいという方が多いのではないだろうか。 手元のPCを使うとして、ディープラーニング環境用のOSとしては、ライブラリの対応にも

本協会（JDLA）は、ディープラーニングを中心とする技術による日本の産業競争力の向上を目指します。

日本の電機大手が欧米勢に後れをとっている人工知能（ＡＩ）分野の技術開発や商機獲得に向けて本格的に動き始めた。パナソニックは平成３３年をめどにＡＩ分野の技術者を現在の約１００人から千人程度に増やす方針を表明。東芝、ＮＥＣ、富士通の３社もそれぞれ理化学研究所と研究を進め、大手とベンチャーの連携も進む。ただ、業種や国境を越えた技術者争奪戦が過熱するなど大きな壁も立ちはだかっている。 「５年や１０年はかかるかもしれないが、数百億円規模のビジネス創出を目指したい」 ＡＩ事業の強化を成長戦略の柱の一つに位置づけるパナソニック。宮部義幸専務は４月１９日の会見でこう意気込みを述べた。 同社は完全自動運転車でＡＩが学習を繰り返して理解を深める「ディープラーニング（深層学習）」の仕組みを導入し、使う度に運転レベルが向上するシステムを３２年度中に完成させる方針。また、衣類の種類や色などを見分けるＡＩを搭載し、自

Jeremy Howardによる ディープラーニングの素晴らしいコース を受講している間、自分の前提知識がさびついてきているせいで、誤差逆伝播法のような概念が理解しにくくなっていることを認識しました。そこで、理解度を上げるべく、そうした概念に関するいくつかのWikiページをまとめてみることにしました。本記事では、ディープラーニングでよく使われる線形代数演算のいくつかについて、ごく基本的な事項をざっとご紹介します。 線形代数とは？ ディープラーニングの文脈での線形代数とは、数の集合を同時に操作するための便利な手法を提供してくれる、数学的ツールボックスです。これらの数値を保持するためのベクトルや行列（スプレッドシート）のような構造体と、それらを加算、減算、乗算、および除算するための新しい規則を提供します。 線形代数が便利な理由 線形代数は、複雑な問題を単純で直感的に理解できる、計算効率の良い問

ディープラーニングの大流行の中、様々なフレームワークが登場し、気軽にプログラミングができるようになりました。しかし、そんな中どのフレームワークを選べば良いかわからないという人も多いと思います。そんな人に少しでも参考になればと思い記事を書きます。 はじめに Chainer 特徴 柔軟な計算グラフの構築が可能 Pythonによる実装 直感的な計算グラフの構築が可能 メリット・デメリット メリット デメリット まとめ Keras 特徴 とんでもなく簡単に計算グラフを記述可能 高速計算ライブラリのディープラーニング用ラッパー もはやプログラミングの経験すら不要 メリット・デメリット メリット デメリット まとめ TensorFlow 特徴 圧倒的な利用者数 テンソル計算を行うライブラリ Define and Run 追加のライブラリが豊富 メリット・デメリット メリット デメリット まとめ PyT

次世代システム研究室のJK（男）です。初ブログです。 よろしくお願いします。 今回はディープラーニングの中でも、時系列解析に強いLSTM（Long short-term memory）を紹介します。時系列解析のひとつのターゲットが金融商品の価格予想です。最近、英国のEU離脱で市場が大荒れですが、そういう市場の荒れ具合を予想できたら色々と嬉しいですよね。そんな予想をディープラーニングでやってみた、というのが今回の主旨です。 この記事は、参考文献[1]の論文を参考にしました。今回の記事に興味を持ったら、ぜひ読んでみてください。 1. LSTM LSTMは、RNN (Recurrent Neural Network)の改良版です。 そこで、まずRNNについて解説します。 RNNはディープラーニングの一種ですが、普通のニューラルネットと違い、現在の入力値に加えて自身の前の状態を入力しています。詳し

FXシストレプログラムのディープラーニング版を作ろうとして、 偶然で最強のアルゴが誕生した（機械学習でFXシステムトレード） - Ryoの開発日記 に、 [TensorFlowで株価予想] 0 - Google のサンプルコードを動かしてみる - Qiita のTensorFlowコードを移植しようとしたけど、結構面倒で挫折したので、前に書いた 簡単なディープラーニングのサンプルコード (2入力1出力/2クラス分類) with Keras (Chainerは挫折) - Ryoの開発日記 のKerasによるDNNのコードをGoogleのやつに合わせて移植してみた。 3000 epoch回した感じだと、最終的に近い収益が得られたが、安定して上がっている感じにはならなかった（＝頑強性が低い。最後の数か月でどかっと上がっている）。 ので、30000 epoch回した結果を見てみる。 学習時間は10

Udacity で Deep Learning Nanodegree Foundation を受講してます。 -> 追記: 受講が終わりました Deep Learning Nanodegree Foundation | Udacity MOOC を受けるのは、31 回目だけれども、 Udacity Nanodegree は今回が始めて。なにしろ、学費が 599 ドル(= 6.5 万)というお値段。 1/3 が終わったので、少しずつまとめていこうと思う。 未完成だけれども、続きは、毎週更新する予定です。 概要# Youtube Star の Siraj Raval# 日本では知られていない、Deep Learning 界の Youtube Star, Siraj Raval が Deep Learning の手法を教えてくれる。 動画がとにかくおもしろい。まずは動画紹介。 授業の流れ# 授業

[Python] Deep Learning: ディープラーニング (DBN, SDA) をライブラリを使わずに実装してみたPython機械学習MachineLearningDeepLearning深層学習 本エントリの目的 この度，勉強を兼ねて，ライブラリを使わずにDeep Learning (ディープラーニング) を実装したので，ご紹介致します．言語はPythonです． ただし，参考にした書籍があります．本エントリでは，その書籍の紹介と，その書籍に記載されたJavaコードを元に，Pythonで再実装したコードについて説明をします． 背景 最近のAIブームの火付け役として，ディープラーニングが注目を浴びていることは，今更ここで述べるほどのことではないと思います．最近この手の本が大量に出版されていることを鑑みても，その注目度の高さが容易に伺えます． ただ，世の中皆が皆AIを専門に仕事をして

DeepLearning 用 Heroku！FloydHub で Jupyter Notebook を動かした Kaggle に 挑戦しているのだが、 自分の 非力な ノート PC で DeepLearning を勉強するのに限界を感じてきたので、 DeepLearning 用のクラウドサービス FloydHub で GPU を使ってみた！ Floyd Zero Setup Deep Learning FloydHub とは# DeepLearning 専用の Platform-as-a-Service(PAAS). Web サイトいわく、DeepLearning 用の Heroku だそうだ。 なにがうれしいかというと、100 時間分フリートライアルで GPU が無料で使えるのだ。 Google の AWS を使ったことがないので、どっちがお得がわからないのだけれども、 とりあえず無料ト

はじめに kadenzeのCREATIVE APPLICATIONS OF DEEP LEARNING WITH TENSORFLOWを受けています。 session1の課題を行ったので何をしたかメモ。 もととした画像は、いらすとやさんのいろんな顔アイコンから100枚ほどお借りしました。 ありがとうございます。 平均画像の作成 顔のようなものは認識できますね。 もとにした画像がスーツが多めだったので、それが色濃く出てしまっているように思います。 標準偏差を可視化 中心部分は肌色が多い為、差が小さくなっているようです。 標準化した画像 右端の下から3列目の髭のおじさんが際立っているように見えます。 カーネルで畳み込み カーネルは下記。 これをどう解釈すれば良いのかわかりませんでしたが、ソートの結果、上部に若い人のアイコン、下部に年上の人のアイコンが並んでいるように思います。 コード Gith

kadenze という MOOC を知ったので、紹介します。 Online Arts and Technology Courses | Kadenze Kadenze とは# Kadenze とは、芸術、つまりアートや音楽、絵画と、それに関わるテクノロジーに特化した 講座を多数よういされた MOOC だ。 2015/7 に設立されたので、まだ誕生して 2 年も経たない。 しかし、コンテンツは 100 近くある。 コースは聴講のみなら無料、課題の提出や certification の取得は有料となっている。 ここは、他の MOOC とかわらない。 また、Course と Program とで分かれている。 Program は複数の Course をばら売りしたもの。 逆にいえば、複数き Course をシリーズにしてまとめたものが Program. Programs | Kadenze Fo

ディープラーニングがわかる数学入門を４章まで読んだので、感想を書きます。 5 章の CNN はとりあえず時間をおいてから読んで、追記します。 これを読むまで、バックプロパゲーション（誤差逆伝搬法） がわかったようなわからないような、モヤモヤしていた。 coursera Machine Learning ゼロから作る Deep Learning Udacity Deep Learning Nanodegree Foundation この本でようやく、バックプロパゲーションがなにをやっているのかわかった気がする。 数列の漸化式と初めから言ってくれよ。 どんな人にオススメか# 目次はここから。 ディープラーニングがわかる数学入門：書籍案内｜技術評論社 ■ 1 章 ニューラルネットワークの考え方 ■ 2 章 ニューラルネットワークのための数学の基本 ■ 3 章 ニューラルネットワークの最適化 ■

今日は誤差逆伝搬法（Backpropagation）について書いてみます。 Karpathy先生のCS231nの講義が秀逸すぎるのでそれを見れば十分です! (◍•ᴗ•◍) 講義ビデオ: CS231n Winter 2016: Lecture 4: Backpropagation, Neural Networks 1 - YouTube 講義スライド: http://cs231n.stanford.edu/slides/winter1516_lecture4.pdf 講義ノート: CS231n Convolutional Neural Networks for Visual Recognition これではあんまりなので特に覚えておきたいポイントをまとめてみようと思います。。 global勾配にlocal勾配を掛けて次のノードにエラーの誤差を伝搬させる 微分の連鎖律（チェインルール）です。

1. はじめに 2. どんなやつが受講するのか 3. なぜUdacity 4. なぜDeep Learning Nanodegree Foundation 5. 事前準備 6. おわりに 1. はじめに Deep Learning Nanodegree Foundation@Udacityの受講登録を行いました．600ドルの有料講座1ですが，3., 4.に示した理由から受講して見ようかなと．下記のスケジュールで講座が開講されるみたいなので，毎週記事を追加したいと思います．あと，クラスのslackを覗いた感じほとんど日本人がいないようなので，非常に心細いです．もし受講されている方がおられましたら，お声掛けください． Types of Machine Learning and when to use Machine Learning Neural Network Architecture an

300件以上のPoCや社内実践で成果を上げている富士通のAI「Zinrai」 ニーズの高いAI機能をAPIとして提供しAI活用を加速 富士通グループは1980年代から30年以上にわたりAIの研究開発に継続的に取り組んできた。そうして培ってきたAIの知見や技術を体系化したのが、「FUJITSU Human Centric AI Zinrai（ジンライ）」だ。富士通は、AI活用を加速させるZinrai関連のサービスの提供を開始する。その特長は、社会インフラ、モビリティ、ものづくり、デジタルマーケティング、Fintechなど、当面11の重点領域を定め、AIの活用用途を顧客に分かりやすく提示したことだ。さらに、「知覚・認識」「知識化」「判断・支援」の3つのカテゴリに対応した基本APIに加え、業種・業務に応じた目的別APIを用意することで、AI活用の迅速な立ち上げを後押しする。 AI活用の具体性を提

機械学習で何ができるの？深層学習（ディープラーニング）だと何が違うの？ というのは他の方に任せるとして、やっぱりMNIST以外のデータで色々試してみたいですよね。 というわけで為替(FX)の予測でもやってみます 関連シリーズ - 第１回 TensorFlow (ディープラーニング)で為替(FX)の予測をしてみる - 第２回 ディープじゃない機械学習で為替(FX)の予測をしてみる - 第３回 TensorFlow (ディープラーニング)で為替(FX)の予測をしてみる CNN編 他の方の研究、記事など 調べてみると色んな方がやっています。この辺とか、Qiitaだと以下が有名なようです。 [TensorFlowで株価予想] 0 - Google のサンプルコードを動かしてみる TensorFlowを使った為替(FX)のトレードシステムを作るチュートリアル 学習に用いるデータを大きく分けると以下で

１週目はイントロということで、課題も無難にこなし２週目も受講し終わりました。 ２週目はざっと以下のような内容でした。 ネットワークの種類の説明 feed forward network recurrent network symmetrically connected networks 以上３つの種類のネットワークの解説 パーセプトロンの解説 歴史的経緯からパーセプトロンを解説 パーセプトロンの幾何的な概念 weight spaceの話 急にweight spaceの話が出てきて、初め何を言っているのかわかりづらい 線形分離していることを説明しているようだ パーセプトロンでなぜ学習できるか input vector とweightをかけてうまく領域分けできますというのを原理的に解説した。 feasible　regionをとれば領域分けは収束するよという話のようだ パーセプトロンで何ができな

IT Leaders トップ ＞ テクノロジー一覧 ＞ クラウド ＞ 新製品・サービス ＞ 富士通、IoTを視野にAI技術「Zinrai」のAPIを2017年春から提供 クラウド クラウド記事一覧へ [新製品・サービス] 富士通、IoTを視野にAI技術「Zinrai」のAPIを2017年春から提供 2016年11月29日(火)志度 昌宏（DIGITAL X編集長） リスト 富士通は2016年11月29日、同社のAI（人工知能）技術「「Human Centric AI Zinrai（ジンライ）」を利用するためのプラットフォームサービスを2017年4月に開始すると発表した。それに先行し、Zinraiを導入するためのコンサルティングサービスも開始する。IoTへの適用を視野にデバイスとクラウド間で学習モデルを流通させ、精度を高める仕組みも用意する。 富士通が2017年4月に開始するのは、AIの機能