2019.07.01 DeNA AI研究開発エンジニアによる「CVPR 2019 report (30 papers)」を公開しました #登壇・資料公開 #研究開発 #画像認識 AIシステム部のコンピュータビジョン（CV）チームでは常に最新のCVに関する論文調査を行っています。 2019/06/15〜2019/06/20にアメリカロサンゼルスで開催されたコンピュータビジョン分野の世界最大の国際会議「CVPR2019」に、DeNAのAI研究開発エンジニア7名（加藤直樹、葛岡宏祐、鈴木智之、洪嘉源、中村遵介、林俊宏、李天琦）が参加しました。 今回、参加メンバーのスペシャリティを活かした情報収集を現地で実施し、注目度の高い論文や有益性の高いと判断した論文30本を厳選し、解説資料(Slide Share)にまとめて公開しました。 DeNA CVチームでは引き続き調査を継続し、最新のコンピュータビジ

深層学習アルゴリズムは、「スタークラフト（Starcraft）」のようなゲームで人間を負かす方法をすでに習得している。新たな研究で、チームワークの必要なゲームでも人間を打ち負かせることが示された。 ディープマインドは、5月31日にサイエンス誌に掲載された論文で、ファーストパーソン・シューティングゲーム（FPS：本人視点のシューティングゲーム）である「クウェイク III アリーナ（Quake III Arena）」の修正版を人工知能（AI）プログラムにプレイさせた様子について報告した。研究チームは、有効な戦術とそうでない戦術をAIに学ばせる強化学習の手法によって多数のエージェントを同時に訓練する「勝利のために（For the Win）」と名付けられたアルゴリズムを用いた（強化学習は、ディープマインドのAIが囲碁で勝利するのに用いたことで有名だ）。今回は、AIエージェントらを、クウェイク II

2018年にかけて実施されていた、東京大学松尾研究室が監修するエンジニア向け無償教育プログラム「DL4US」の、演習パートのコンテンツが無償公開された。 関連記事：松尾研監修のディープラーニング無償オンラインプログラム「DL4US」が募集を開始 「DL4US」とは？Deep Learningエンジニア育成講座「DL4US」の演習コンテンツを無償公開しました。実装に重きを置いてエンジニア向けに松尾研で作成したもので、画像認識や翻訳モデルから始まり、生成モデルや強化学習まで扱う実践的な内容になっています。ご興味ある方はぜひ。https://t.co/jLWlrk9UdK — 松尾 豊 (@ymatsuo) 2019年5月15日 DL4USは高度なディープラーニング技術者を育成することを目的とした、アプリケーション指向の無償オンライン教育プログラムだ。 東京大学ディープラーニング基礎講座、応用講

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

(Image by Pixabay) この記事は以前の書籍リスト記事のアップデートです。 機械学習エンジニアやデータサイエンティストとして（もしくはそうではない職名であったとしても）機械学習システム開発や統計分析を仕事にしたい人なら、最低限これだけは読んでおいて損はないだろうという書籍を初級向け5冊、中級向け10冊選定しています。ただし、以前とは若干異なり「仕事にする」イコール「プロフェッショナルを目指す」ということで、特に初級向けリストを若干レベルアップさせています。中には初学者でも結構読みこなすのが難しい本だけになっているかもしれませんが、中級向けリストに進む上でどうしてもこれだけは読破して欲しいという願望も込めました、ということで。 完全にお馴染みのネタなので特に説明することはないかと思いますが、言うまでもなく以下のリストは完全なる僕個人の独断と偏見で、最近出版されたり自分で読んだ本

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 2018年もいよいよ本日が最後となりました。皆さんいかがお過ごしでしょうか。この記事では機械学習/ディープラーニング初心者だった自分が2018年にやったことをまとめていきたいと思います。ポエムじみた記事になってしまいましたが、何らかの参考になれば幸いです。 2018年のBefore-After Before 今年（4月）ぐらいまで機械学習の「き」の字も知らなかった。k-Nearest Neighbor？Support Vector Machine？なにそれ美味しいのってレベル 昔統計をやっていたので、ロジスティクス回帰ぐらいは知っていた

(2018.1227)なんか急にバズったのでちょっと追記しました。 ディープラーニング人材はやばい奴だらけ これから「AIを仕事に導入したい！」と思う人は沢山いるでしょう。 ただ「ディープラーニング」や「AI」という言葉に関しては世間で色々な誤解がされており、正しく現状を理解できている人はとても少ないように思います。 ディープラーニングという言葉はAlexNetがでた2012年頃に流行り出しました。 実際に企業が仕事としてディープラーニングに手を出し始めたのはAWSがGPUインスタンスをリリースした頃からだと思うので2014年ぐらいからでしょうか。 まだ流行り出して５年も経っていない技術であるため、最新の研究レベルでもディープラーニングの全容は明らかになっていなかったり(参照： ディープラーニングの解釈に関するサーベイ論文) 、正しくディープラーニングを理解するための教科書や参考書などもま

Kaggle Advent Calendar 13日目の投稿です。 初めまして、Lain（@lain_m21）と申します。Qiita初投稿です！ 今回はKaggle関連のトピックで何か短いのを一本書こうと思い、私が普段行なっているコンペ用の環境構築についていくつか良いなと思ったtipsをシェアしたいです。 先に結論からまとめておくと、 ローカルPCよりクラウドの計算資源をうまく使おう AWSもいいけど、GCPの方が目的に応じてインスタンススペックを細かくチューニングできるので良いぞ 今後のクラウドの環境構築をスムーズにするためにdockerを使おう といった感じです。昨今のコンペの規模を考えるとクラウドで計算することが増えると思うのですが、いちいちコンペごとに環境構築したりめんどくさいと思うので、できるだけdockerで自動化して楽しよう！というのが趣旨になります。 一応順を追って説明しま

米Amazon.comは11月26日（現地時間）、社内エンジニア向けに提供している機械学習講座を、AWSトレーニング経由で無償で一般公開すると発表した。 コースには開発者向け、データサイエンティスト向け、データプラットフォームエンジニア向け、ビジネスプロフェッショナル向けがあり、各コースに入門編と上級編がある。全部で30件以上、合計で45時間以上のコースで、「Amazon Polly」や「Amazon Recognition」などを含む、機械学習全般を学べる。 関連記事 Apple、女性起業家養成キャンプへの参加者募集開始 Appleが、アプリ開発で起業を目指す女性のための養成キャンプ「Apple Entrepreneur Camp」を立ち上げた。本社キャンパスのテクノロジーラボで2週間、エンジニアや幹部の指導を受けられる。 Alexaスキルで使える音声増やす「Amazon Polly」　

スクレポこんにちは、スクウェア・エニックス　人事部　採用担当　平山です。 今年もあっという間に残り1カ月半。紅葉も散り始め、いよいよ冬が近づいてきたと感じます。 さて、今回は弊社で開発ツールプログラマーとして働く社員の声をお届けします。 Wantedlyのスカウトがきっかけとなり、AIという未経験領域に飛び込んだ社員です。ぜひお読みください！ 品質管理部　太田健一郎 太田さんの入社のきっかけを教えてください。前職ではゲーム業界のお客様を中心に、ソフトウェアテスト専門の第三者検証会社で、テスト自動化アーキテクト兼コンサルタントをしていました。会社の業績拡大に伴い、BtoBに携わることが多くなりました。それをきっかけに、本来長期戦であるテスト自動化において、検証プロセスを含め継続的に自動化を改善していくことが難しいこと、元々前々職で長くテストツールを含めた開発支援のツールのプログラマーをしてい

「Splatoon 2」をディープラーニングで攻略してみなイカ？　2018（前編）（1/3 ページ） 2017年夏に発売された「Splatoon 2」（Nintendo Switch向け）は、いわずと知れた人気シューティング対戦ゲームです。ゲームに勝つためには、インクを用いて敵チームのプレイヤーを倒したりステージの床を塗ったり、さまざまな要素を考慮する必要があります。発売後も、定期的にステージやブキの追加、新ルールの登場、ゲームバランスの微調整などがあり、とるべき戦略は日々変化し、今なおユーザーの熱狂が続いています。一方、熱中しすぎたユーザーの間では、負けが続くと「コントローラー投げた」「編成事故」「デボン改修はよ」（※）などと嘆く声も出ています。 （※）「編成事故」は、味方チーム4人のブキの組み合わせが悪いこと。「デボン改修はよ」は、「デボン海洋博物館」というステージの構成変更を望む声の

The first run of our Retro Contest—exploring the development of algorithms that can generalize from previous experience—is now complete. Though many approaches were tried, top results all came from tuning or extending existing algorithms such as PPO and Rainbow. There’s a long way to go: top performance was 4,692 after training while the theoretical max is 10,000. These results provide validation

NVIDIA、物体検出を効率的に学習するために、シーンの構造とコンテキストを考慮した訓練用合成データを生成する手法を発表。実データに匹敵する結果 2018-11-06 NVIDIA Researchの研究者らは、オブジェクト検出によるDeep learningの効率的な訓練のために、シーンの構造とコンテキストを考慮した合成データを生成するシステムを発表しました。 論文：Structured Domain Randomization: Bridging the Reality Gap by Context-Aware Synthetic Data 著者：Aayush Prakash, Eric Cameracci, Shaad Boochoon, Gavriel State, Mark Brophy, Omer Shapira, David Acuna, Stan Birchfield オブ

はじめに 深層強化学習の分野では日進月歩で新たなアルゴリズムが提案されています. それらを学ぶ上で基礎となるアルゴリズム(というより概念に近い？)はQ学習, SARSA, 方策勾配法, Actor-Criticの4つだと思われるので, これらを軸としてまとめてみたいと思います. 以下の4点はあらかじめご了承ください. コードは書いていません. 概念のみの説明です 他のアルゴリズムの基礎となりうる重要な概念については詳しく書きました. その他については簡潔に書きました 深層学習についてはある程度理解している読者を想定しています 書いているうちに規模がどんどん大きくなってしまったので, どこかに必ず間違いや不足があります. 「この式がおかしい！」「このアルゴリズムも追加するべき！」などコメントがあればぜひお願いします 全体像 扱うアルゴリズムを相関図にしてみました(私のイメージです). まず,

(Fig. 1 from Rumelhart, Hinton & Williams, Nature, 1986) これはちょっとした小ネタです。僕自身はニューラルネットワーク (Neural Network, NN)の学術的専門家でもなければ況してやNNの研究史家でもないので、たかだか僕自身がかつて脳の研究者だった頃に把握していた事由に基づいて、極めていい加減な私見を書いているに過ぎないことを予めお断りしておきます。よって、この辺の事情に詳しい方いらっしゃいましたら、後学のためにも是非ご遠慮なくツッコミを入れて下さると有難いですm(_ _)m 先日のことですが、@tmaeharaさんがこんなことを呟いておられました。 オリジナル論文 https://t.co/kXfu8jIat3 これです．本当にただチェインルールで微分して勾配法しているだけにしか見えない……．— ™ (@tmaehara

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

Clustering is a Machine Learning technique that involves the grouping of data points. Given a set of data points, we can use a clustering algorithm to classify each data point into a specific group. In theory, data points that are in the same group should have similar properties and/or features, while data points in different groups should have highly dissimilar properties and/or features. In Data