この記事は、このブログ内の機械学習の記事を読んでいたり、機械学習の知識をある程度持っていると読みやすいかもしれません。 また、かなり長くなってしまうので、数式の証明や意味などは特に説明しません。 深層学習とは 深層学習とは、「ニューラルネットワーク」と呼ばれる人間の脳の仕組みをコンピュータで再現するモデルを用いた機械学習のことです。 英語ではディープラーニングと呼ばれていて、人工知能ブームの真っ只中ですし聞いたことがある方が多いのではないでしょうか。 今回は、ニューラルネットワークの仕組みについて説明し、画像識別などによく用いられるニューラルネットワークであるCNNというものを紹介しようと思います。また、それをpythonで実装をしてみたいと思います。 なお、分かりやすく読んでいただけるように詳しい説明を省いたり通常の定義を噛み砕いて説明したりするので、本来の意味とずれてしまう説明がある可

メモリスタ (またはメモリスター。英語: memristor, [ˈmɛmrɪstər]; メモリ抵抗器 のかばん語) は、電荷と磁束鎖交（英語版）に関係する非線形2端子（英語版）電気部品である。通過した電荷を記憶し、それに伴って抵抗が変化する受動素子である。過去に流れた電流を記憶する抵抗器であることからメモリスタ (memristor) と名づけられた。 1971年に蔡少棠（英語版）によって言及と命名がなされ、これにより、抵抗器、コンデンサ、インダクタも含む基本的な電気部品の理論上のカルテットが完成した[1]。抵抗器、キャパシタ、インダクタに次ぐ新たな受動素子であるので、“第4の回路素子” と呼ばれる。 蔡（英語版）と姜（英語版、朝鮮語版）は後にこの概念をメモリスティブ体系に一般化した[2]。理想的なメモリスタ部品の主要な特性を複数の在来型の部品からなる回路で模倣するようなシステムも、一

Introducing Summit The biggest problems in science require supercomputers of unprecedented capability. That’s why the US Department of Energy’s Oak Ridge National Laboratory (ORNL) launched Summit, a system 8 times more powerful than ORNL’s previous top-ranked system Titan. Summit is providing scientists with incredible computing power to solve challenges in energy, artificial intelligence, human

本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 当社の社員が物理を専門としない人向けに量子アニーリングについて解説します！ こんにちは、A.I.開発部の太田です。 今回は量子アニーリングの簡単なシミュレータを作ってみたり、実際のD-Waveを使ってみた経験から、物理を専門としない人向けに量子アニーリングについて解説しようと思います。 （シミュレータのコードはgithubで公開しています。私自身、量子アニーリングについては最近勉強し始めたところなので、色々ご指摘いただけると幸いです。） さて、私の所属する部署の役割として、機械学習・人工知能関連の技術調査や社内への展開を行っており、その一環として昨年12月に早稲田大学の田中先生をお呼びして開催した量子アニーリング勉強会が社内で大変好評でした。 昨年度は量子アニーリングに関する一般書籍が発売

「ヒューマン・ブレイン・プロジェクト」(HBP)とは「人間の脳を解明し、コンピューター上に脳を作り出す」ことを目的に2013年から続く学際的研究プロジェクトです。そのサブプロジェクトである「SpiNNaker」プロジェクトは脳の働きをシミュレートするための大規模な並列コンピューティング環境であり、10億個のニューロンから構成されるネットワークをシミュレートしようとするものです。YouTubeのComputerphileチャンネルで投稿されているムービーを見ると、「SpiNNaker」システムの仕組みがよくわかるようになっています。 Research Groups: APT - Advanced Processor Technologies (School of Computer Science - The University of Manchester) http://apt.cs.ma

NOTICE: Due to a lapse in annual appropriations, most of this website is not being updated. Learn more. Form submissions will still be accepted but will not receive responses at this time. Sections of this site for programs using non-appropriated funds (such as NVLAP) or those that are excepted from the shutdown (such as CHIPS and NVD) will continue to be updated.

fMRI 計測によって得られる画像。移動する視覚刺激を見ている際の脳活動を、安静時の脳活動と複数の実験参加者で比較したもの。fMRI 計測によって得られた活動量 (統計値) は黄色とオレンジで示されており、灰色で示した実験参加者平均の脳画像と重ね合わされている。この画像では一次視覚野や外線条皮質、外側膝状体が活動していることが分かる。 カリフォルニア大学バークレー校ヘレン・ウィルズ神経科学研究所 (Helen Wills Neuroscience Institute) の脳画像センターにある4T fMRIスキャナー(画像作成日:2005年) MRIの画像から作られたアニメーション画像。頭の上からまっすぐ下に移動している、左上の頭部の外に現れる点は、画像の右と左を間違えないよう、ビタミンEの錠剤を頭の横にテープで貼っておいたもの fMRI (functional magnetic reson

YAGO (Yet Another Great Ontology) is an open source[3] knowledge base developed at the Max Planck Institute for Informatics in Saarbrücken. It is automatically extracted from Wikidata and Schema.org. YAGO4, which was released in 2020, combines data that was extracted from Wikidata with relationship designators from Schema.org.[4] The previous version of YAGO, YAGO3, had knowledge of more than 10 m

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

これもある意味Deep Learning，Recurrent Neural Network Language Modelの話 [MLAC2013_9日目] この投稿は Machine Learning Advent Calendar 2013 の9日目の記事です． 本日は，Neural Network(NN)を利用したLanguage Model(LM)，つまりNeural Network Language Model(NNLM)の一種であり， Recurrent Neural Network(RNN)を使ったRecurrent Neural Network Language Model(RNNLM)について説明します． RNNLMに行く前置きとしてざっくりいくつか用意したので，知ってそうな人は先へ進んでください． 前置きを入れているうちに長くなりすぎた...． しかも，そもそもNNの説明

The term COPA is an acronym for "Choice of Plausible Alternatives," referring to a style of question for use in evaluating commonsense reasoning systems. Each question consists of a given premise and question, and two plausible alternatives - one of which is consistently selected by people. TriangleCOPA consists of 100 COPA questions in the domain of the Heider-Simmel film. Each question was valid

NAACL HLT 2010 の accepted papers のリストが今日出た。 知っている名前があるかなと思ったが、日本人ひとりもいないようだ。 (訂正) 松本研先輩の tetsu-na さんが通っているようだ。@cacahoさん情報どうもありがとうございます! MSR 時代のインターン同期とかたくさんいる。やはりカリフォルニア開催だと気合い入れて出してくるからだろうか……。他にも出していると聞いた人が通っていないのを見ると、かなり厳しかった模様。以前 masayu-a さんが日記で(現在はてなダイアリーに引っ越したようだが) NAACL > ACL >> (越えられない壁) >> CoNLL > EMNLP >> (越えられない壁) >> COLING-ACL = ACL-IJCNLP > COLING(ICCL) = >> (越えられない壁) >> EACL > IJCNLP

人工知能の分野におけるニューラルネットワーク（英: neural network; NN、神経網）は、生物の学習メカニズムを模倣した機械学習手法として広く知られているものであり[1]、「人工ニューロン」と呼ばれる計算ユニットをもち、生物の神経系のメカニズムを模倣しているものである[1]。人間の脳の神経網を模した数理モデル[2]。模倣対象となった生物のニューラルネットワーク（神経網）とはっきり区別する場合は、人工ニューラルネットワーク (英: artificial neural network) と呼ばれる。 以下では説明の都合上[注釈 1]、人工的なニューラルネットワークのほうは「人工ニューラルネットワーク」あるいは単に「ニューラルネットワーク」と呼び、生物のそれは「生物のニューラルネットワーク」あるいは「生物の神経網」、ヒトの頭脳のそれは「ヒトのニューラルネットワーク」あるいは「ヒトの神

Send feedback Data Dumps Stay organized with collections Save and categorize content based on your preferences. outlined_flag The Freebase API has been shut down, but the last available data dump is accessible. Historical data dumps are outdated and not maintained or supported, but are hosted for their citation in studies and potential contribution to open data efforts. Freebase Data Dumps are pro

>>> import MeCab >>> tagger = MeCab.Tagger('-Owakati') >>> print tagger.parse('にわにはにわにわとりがいる') にわ に はにわ にわとり が いる # ちょっと間違ってる JUMAN 本システムは，計算機による日本語の解析の研究を目指す多くの研究者に共通に使える形態素解析ツールを提供するために開発されました．その際, 学校文法が計算機向きではないという問題を考慮し，使用者によって文法の定義，単語間の接続関係の定義などを容易に変更できるように配慮しました JUMAN - KUROHASHI-KAWAHARA LAB 単なる形態素解析だけでなく、Wikipediaから抽出した辞書やウェブから獲得した自動辞書による結果が付与されるため、MeCabの辞書では未知語になってしまうような固有名詞などに強い。また、動詞に対し

コーパス（英: corpus、複数形: corpora）は、言語分析のための言語資料を集成したもののことである[1]。言語学（コーパス言語学）および自然言語処理における資料として利用される。 ラテン語で「身体」を意味する「corpus」を語源としており、英語においては20世紀前半より文学の全集を用いる言葉として用いられてきた[1]。『日本語語彙大系』は、言語学でも日本語を扱う場合には、「言語全集」「名詞全集」「動詞全集」などと呼ぶとよいとしている[2]。『オックスフォード英語辞典』によれば、「言語分析のための言語資料体」を意味する言葉として「corpus」が用いられた初出は1956年である[1]。 コーパスにおいては、収集したテキストが対象をある程度代表していることが求められる。母集団がある言語全体といった大規模なものである場合には、テキストのジャンルや年代、流通量などを利用した層化抽出が

What’s NEW - アイロボットからのお知らせ 2025.11.04アイロボットジャパン 代表交代のお知らせ（PDF） 2025.09.10保証規定改定のご案内（2025年9月16日より実施）（PDF） 2025.09.05アイロボットジャパン「毎日キレイで #床サイコー」キャンペーンを開始（PDF） 2025.08.27「Roomba® Max 705 Combo ロボット + AutoWash™ 充電ステーション」を発売（PDF） 2025.08.27アイロボットジャパン、「毎日キレイで #床サイコー」キャンペーンを実施(PDF) 2025.07.23プログラミングロボット Root のサポートについて（PDF） 2025.07.22Roomba Max 705 Vac ロボット + AutoEmpty 充電ステーションの仕様変更に関するお知らせ（PDF） 2025.06.026

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

Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換に関し、Seminar での進展紹介に用いた資料です。

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

Explore some of the biggest innovations in AI, many of which underpin the modern AI industry.

Kerasの公式ブログにAutoencoder（自己符号化器）に関する記事があります。今回はこの記事の流れに沿って実装しつつ、Autoencoderの解説をしていきたいと思います。間違いがあれば指摘して下さい。また、Kerasの公式ブログはKerasでの実装に関してだけでなく、機械学習自体についても勉強になることが多く、非常におすすめです。 今回の記事では様々なタイプのAutoencoderを紹介しますが、日本語ではあまり聞き慣れないものもあるかと思いますので、今回は名称を英語で統一したいと思います。 目次 イントロダクション Undercomplete Autoencoder Sparse Autoencoder Deep Autoencoder Convolutional Autoencoder Denoising Autoencoder まとめ イントロダクション Autoencod

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

Wantedlyは、運命のチームや仕事に出会えたり、人脈を広げ、ビジネスの情報収集に使えるビジネスSNSです。

はじめに 今までいろんな画像処理のプログラムを書いてきましたが、その多くで物体検出のアルゴリズムを使っています。 ご注文は機械学習ですか？・結城友奈はサンタであるなどの記事ではOpenCVでアニメ顔検出をやってみたで紹介したlbpcascade_animefaceを使いました。これは2001年のViolaとJonesの論文で提案された方法に1994年（くらい）に提案されたLBP特徴量を組み合わせた、2008年の論文の方法を応用したもの（多分）です。 友利奈緒判定botではdlibによるHOG特徴を用いた物体検出がすごいで紹介したHOG特徴量とSVMを組み合わせた方法を使っています。これは2005年の人検出に関する論文の方法を使ったものです。 どのプログラムでも物体検出した後の判定精度はそれなりに高いのに、物体検出の精度の低さが全体の完成度を下げている感じになってしまっていました。2005年

ずいぶん遅くなりましたが、ひとまず完成です。疑問点・翻訳ミスを始めとした指摘がありましたら、どしどしお願いします(14/12/18)。 1週間あるから大丈夫だろうとたかを括っていたら、あっという間に投稿日になってしまいました。本当はPylearn2を使ってRBMを学習させようと考えていたのですが、役に立つ内容を書くには時間が足りなさすぎるので、お茶を濁します。 今回の目標 Restricted Boltzmann Machine及びDeep Belief Networkの基本的な動作原理を知る "A Practical Guide to Training Redstricted Boltzmann Machine"(GE Hinton, 2012)で黒魔術(RBMの性能を引き出すコツ)を学ぶ 先日、以下のような発表をしました。今回の内容は以下のスライドの焼き直し・改良を含みます。参考にどう

Machine Learning Advent Calendar 2014の12日目。 最近半教師あり学習に興味があってちょっと勉強してみたのでそれについて書いてみる。自分が勉強した時に読んだ文献も下の方に書いたのでもし興味があれば。 半教師あり学習はラベル付きデータに加えてラベル無しデータも使って学習できるということですごく魅力的なんだけど、何も考えずに使うと教師あり学習より精度が落ちることがよくある。 ラベル無しデータはその名の通りどのクラスに属すかが分かっていないデータなので、何かしらの モデル に基いてそのデータがどのクラスに属するかを仮定してやらないといけない。つまりデータの分布（モデル）に仮定を置かないといけない。半教師あり学習をする上ではこれが 一番重要。 Introduction to Semi-Supervised Learningのp.15にもこう書いてある。 the

下記コマンドでディープMNISTを実行します。初回は、MNISTデータをダウンロードする必要があります。 python 1_mnist_exp.py 基本チュートリアルをそのままコピーして作ったコードなので、実行環境に問題がなければ、チュートリアル同じ99.2%~99.3%の結果が得られます。下記は出力の例ですが、初期値がランダムなので毎回違う結果になります。 step 18000, training accuracy 1, test accuracy 0.9924 step 18100, training accuracy 1, test accuracy 0.9931 step 18200, training accuracy 1, test accuracy 0.992 step 18300, training accuracy 1, test accuracy 0.9925 ste