東海林ファジィロボット研究所 所長兼CEO @Toukairinn_FUZZ 前に総研大の先生方と話した時に，昆虫は脳も凄く小さいし，眼も人間と比べたら殆ど見えてないけど，移動物体の回避も平気でこなすし，蝶に至っては大陸横断するのもいると聞いて，汎用AIとか言う前に昆虫がどうやって異常に少ない計算で，実世界で適応的に振る舞えているのか考えた方がいいと思った． 2022-11-20 19:29:50 東海林ファジィロボット研究所 所長兼CEO @Toukairinn_FUZZ 東京都公立大学法人発ベンチャー 東海林ファジィロボット研究所 代表取締役所長兼CEO / ROBOTIS日本支店 元研究開発部長 / 東京都立大学 客員研究員・非常勤講師 / 東京都立産業技術大学院大学M2 / 東大先端研・電通大 元研究補助員 / 神経回路網, ファジィ理論, 共進化計算 #東海林_移動ロボット fu

[DL輪読会]Set Transformer: A Framework for Attention-based Permutation-Invariant...

「Ryzen 3 3300X」対「Core i3-10100」でアンダー2万円CPUの勝者を占う ほんの4年くらい前までは、CPUのコア数はメインストリームのハイエンドで4コア（C）/8スレッド（T）が当たり前だった。しかし今では、4C/8Tはメインストリーム向けCPUのエントリーモデルの仕様だ。Zen 2世代初の物理4コアモデル「Ryzen 3 3100」と「Ryzen 3 3300X」は、5月に発売されて以来CPUの売れ筋上位を占拠し続けている。 その後を追うように、インテルの第10世代Coreプロセッサーのエントリーモデル「Core i3-10100」が、Ryzen 3 3300Xとほぼ同価格帯に投入された。6月末時点における実売価格は、Core i3-10100とRyzen 3 3300Xがともに1万7000円前後、Ryzen 3 3100が1万3000円強で流通している。 そこで

ファミリーマートは6月30日、ロボットベンチャーのTelexistence（以下TX、東京都港区）と協業し、TX製の遠隔操作ロボットを一部店舗に導入すると発表した。商品の検品・陳列作業を遠隔操作とすることで、店舗の立地に制約を受けないスタッフの採用や店舗の省人化を目指す。 今夏をめどに都内の店舗にロボットを配置し、追って多店舗展開を検討。2022年までに最大で計20店舗に導入する計画だ。ロボットの運用管理システム「Augmented Workforce Platform」（AWP）も合わせて採用する。 AWPは、米Microsoftのクラウドサービス「Microsoft Azure」をベースにTXが構築。ロボットとAWPを活用することで、ファミマは検品・陳列作業の自動化や、スタッフによるロボットの遠隔操作が可能になるという。 TXは17年に創業。KDDIなどから出資を受け、離れた場所で利用

pandasのDataFrameの値を更新する方法がいくつかあるので、後で見返す為にも更新方法をまとめておく。 以下のlocやwhereの他に一括更新の方法がある。 DataFrameの値を更新する方法 pandasのDataFrameの値を更新する方法がいくつかあるが、大きく以下の３つの方法に分けられる。 値を一括代入 条件に合致するカラムを更新 別のDataFrameで上書き 各方法についてDataFrameを用いながら説明する。 import pandas as pd data_list1 = [ [1,2,3], [2,3,4], [3,4,5] ] col_list1 = ["c1","c2","c3"] df1 = pd.DataFrame(data=data_list1, columns=col_list1) print(df1) # c1 c2 c3 # 0 1 2 3 #

はじめに 昨今、自然言語処理技術の発展はめざましく、様々な分野で応用が進められています。 そんな私も自然言語処理技術やAIを活用した業務をこなすことが多いのですが、その中でとりわけめんどくさい（しかし重要な）作業は、様々な前処理に関するものです。 大抵のタスクで実施することになる主な前処理としては、以下のようなものがあります。 クリーニング HTMLタグや記号等、テキスト中のノイズを除去 正規化(normalization) 全角・半角や大文字・小文字等の統一 文区切り(sentence segmentation) 文と文の区切りを検出し分割 単語分割(tokenization) 文を単語の列に分割 ストップワードの除去 解きたいタスクに不要な単語を除去 私は主にPythonを利用しているのですが、これらの中で日本語の文区切りについては適当なライブラリが無く、毎回似たようなコードを書く羽目

連載目次 本連載では、第1回～第3回で、ニューラルネットワークの仕組みと、TensorFlow 2.x（2.0以降）による基本的な実装コードを説明した。また、第4回～第6回で、TensorFlow 2の書き方をまとめた。 これだけの知識を理解しただけでも、さまざまなニューラルネットワークを書けるようになっているはずなのだ。そこで今後の本連載では、より実践的な内容に入り、問題種別（回帰／分類）やニューラルネットワークモデル種別（CNN／RNN／GAN／BERT）といったさまざまな活用パターン（TensorFlow 2ベース）を紹介していく。 今回は、これまでに学んだ基礎知識を総合的に活用し、最も基本的な「回帰問題」をあらためて解いてみることにしよう。 なお、回帰問題と分類問題は、機械学習／ディープラーニングの基本的な問題種別である。今回第7回では「回帰問題」を、次回第8回では「分類問題」を取

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

強化学習では何をしていくかというと、 「将来の価値を最大化するような行動を学習」 していきます。 強化学習のモデル 強化学習の基本的な仕組みは次のようになっています。 以下の$t$は任意のステップを示します エージェント（意思決定者）: 意思決定と学習を行う主体 環境: エージェントが相互作用を行う対象 状態: 環境がエージェントの行動を反映した上で、エージェントに与える状況, $s_t$ 行動: $a_t$ 報酬: $r_t$ 方策: $π_t(s, a)$:確率分布で表される行動戦略。任意の状態において、ある行動をとる確率を示す まず環境からある「状態」$s_t$が与えられ → 「エージェント」が「方策」 $\pi_t(s,a)$ に従い「行動」$a_t$を選択し → 次のステップに「環境」から「報酬」$r_{t+1}$と「状態」$s_{t+1}$をフィードバックとしてもらう という流

せーのでございます。 機械学習というワードはかなり一般化され、エンジニアじゃない方なら「ああ、自動運転とかのやつでしょ」くらいに浸透しています。 特にエンジニアの方であれば「教師あり学習」「教師なし学習」「強化学習」がどういうものを指すか、というのはぼんやりイメージできるかと思います。 そんな機械学習、せっかくなので始めてみたい、とざっくり中身を見出した、、、くらいの方が今日のエントリーの読者対象となります。 今日のテーマは「転移学習」です。 転移学習のやり方を知りたい。最短で。 転移学習、というのはざっくり言うと「元々学習されているモデルを使って自分たちの使いたい方向に再学習すること」です。 機械学習をやりだすと必ず当たる壁が「データが足りない」というものです。特にディープラーニングを使って例えば画像の分類をしたい、とした場合、精度を出すには最低でも数百枚、一般的には数千枚〜数十万枚とい

CX事業本部@大阪の岩田です。Python向けのORMライブラリsqlalchemyは標準でコネクションプーリングの実装が組み込まれており、create_engine()を呼出す際の名前付き引数poolclassの指定によってコネクションプーリングの実装を切り替えることができます。先日コネクションプーリングの実装について調べる機会があったので、内容をご紹介します。 環境 今回利用した環境です。 OS X 10.14.6 Python 3.8.2 sqlalchemy 1.3.16 pymysql 0.9.3 利用できるコネクションプーリングの実装 sqlalchemyは標準で以下のコネクションプーリングの実装を提供しています。 QueuePool NullPool SingletonThreadPool StaticPool AssertionPool 例としてNullPoolを使う場合は

Python Software Foundationは5月5日(米国時間)、「Python Software Foundation News: Python Developers Survey 2019 Results」において、2万4000名以上のPython開発者が参加した調査の結果を伝えた。 同調査は、Pythonがどのような用途で使われており、昨年と比較してどのように推移したのかなどがまとめられている。加えて、Python開発者が分野ごとによく使っているフレームワーク、ライブラリ、ツールなどについてもまとまっており、参考になる。 掲載されている主なフレームワークやライブラリ、ツールは次のとおり。

エルミタ的速攻撮って出しレビュー Vol.862 ワットパフォーマンスから紐解く、AMDの第3世代Ryzenシリーズ 2020.05.04 更新 文：エルミタージュ秋葉原編集部 池西 樹 CPUの“TDP”イコール“消費電力”だったのは今や昔。最近のCPUには、パフォーマンスを高めるため、余力に応じてクロックを引き上げる、自動オーバークロック機能を搭載。これにより、TDPで謳われている以上の電力を消費するようになっている。そこで、今回は第3世代Ryzenシリーズの人気モデル3種にスポットをあて、実際の性能と消費電力を細かく計測。ワットパフォーマンスに優れるオススメのCPUを探っていこう。 AMD「Ryzen 9 3900X」　実勢価格税込60,000円前後（日本AMD株式会社） AMD「Ryzen 7 3700X」　実勢価格税込41,000円前後（日本AMD株式会社） AMD「Ryzen

はじめに Python言語サミット2020が4月の15日、16日の2日間で開かれました。これはPython実装の開発者（本家のCPythonに加えてPyPyなども）が集まる会議で、単にプレゼンし合う場というよりは言語本体や標準ライブラリの現状や今後に関する議論をして合意を目指すという会議とのこと。 今年はコロナウイルス蔓延の影響で、ご多分に漏れずオンライン開催となったそうですが、2日間の議題を見るとなかなか興味深いものが並んでいます。 全ての文字列をf文字列にする CPythonのパーサーをPEGベースの物にする (C)Pythonの仮想マシンの形式仕様記述 実装非依存のC言語拡張API CPythonのドキュメンテーション保守の変革 ライトニングトーク pip, PyPI そしてパッケージングに今後何を求める？ 「マルチコアPython」プロジェクトの失敗を振り返る Pythonの型導入

機械学習とタスクについて 回帰や分類などのタスクに機械学習モデルを活用することがあります。 例えば、以下の記事ではフクロウの種類を分類するために深層学習モデルを活用しています。 PyTorch Lightning入門から実践まで -自前データセットで学習し画像分類モデルを生成-ディープラーニングフレームワークPytorchの軽量ラッパー”pytorch-lightning”の入門から実践までのチュートリアル記事を書きました。自前データセットを学習して画像分類モデルを生成し、そのモデルを使って推論するところまでソースコード付で解説しています。...

こんにちは。倉内です。 プログラミング学習をしていると「アルゴリズム」という単語を聞くことがあると思いますが、いつかしっかり勉強しようと思いつつ手を出せていない方も多いのではないでしょうか。 アルゴリズムは独学では少々とっつきにくい分野ですが、アルゴリズムの知識があれば、よりパフォーマンスが高い処理を実現することができます。 特に大量のデータを扱う場合は、ループを何重にも回すなどの単純処理では途方もない処理時間がかかるため、効率のよい方法を採用する必要があります。 そこで今回は「アルゴリズムとはなにか？」から始まり、データ探索を例にアルゴリズムの基本を説明していきます。Pythonで実際のコードも書いてみますので、ぜひご自分でも実行して試してみてください。 なぜアルゴリズムを学ぶのか アルゴリズムの基本 データ構造を知ろう 配列 スタックとキュー 木構造（ツリー構造） 探索アルゴリズム 線