GitHub - RobeDM/LIBIRWLS: A parallel IRWLS library to solve SVMs and budgeted SVMs
LIBIRWLS is an integrated library that incorporates a parallel implementation of the Iterative Re-Weighted Least Squares (IRWLS) procedure, an alternative to quadratic programming (QP), for training of Support Vector Machines (SVMs). Although there are several methods for SVM training, the number of parallel libraries is very reduced. In particular, this library contains solutions to solve either
やる夫ã§å¦ã¶æ©Ÿæ¢°å¦ç¿’シリーズ · ã‘ã‚“ã”ã®ãŠå±‹æ•·
ã“ã‚Œã¯ã€æ©Ÿæ¢°å¦ç¿’ã«é–¢ã™ã‚‹åŸºç¤ŽçŸ¥è˜ã‚’ã¾ã¨ã‚ãŸã‚·ãƒªãƒ¼ã‚ºè¨˜äº‹ã®ç›®æ¬¡ã¨ãªã‚‹è¨˜äº‹ã§ã™ã€‚ã¾ã¨ã‚ã‚‹ã“ã¨ã§çŸ¥è˜ã‚’体系化ã§ãã¦è‡ªåˆ†è‡ªèº«ã®ç‚ºã«ã‚‚ãªã‚‹ã®ã§ã€ã“ã†ã„ã†ã‚¢ã‚¦ãƒˆãƒ—ットをã™ã‚‹ã“ã¨ã¯å¤§äº‹ã ã¨æ€ã£ã¦ã„ã¾ã™ã€‚ãŸã ã€æ™®é€šã«ãƒ–ãƒã‚°è¨˜äº‹ã‚’書ãã®ã‚‚é¢ç™½ããªã„ã®ã§ã€ã¡ã‚‡ã£ã¨ã„ã¤ã‚‚ã¨ã¯é•ã†æ–¹æ³•ã§ã‚„ã£ã¦ã¿ã‚ˆã†ã¨ã„ã†ã®ãŒä»Šå›žã®ã‚·ãƒªãƒ¼ã‚ºè¨˜äº‹ã€‚ 2 ã¡ã‚ƒã‚“ãã‚‹ã®ã‚ャラクターãŒç™»å ´äººç‰©ã¨ã—ã¦å‡ºã¦ãã¦ã€å½¼ã‚‰ãŒä¼šè©±ã—ã¦è©±ãŒé€²ã‚“ã§ã„ã「やる夫ã§å¦ã¶ã‚·ãƒªãƒ¼ã‚ºã€ã¨ã„ã†è¬›ç¾©èª¿ã®å½¢å¼ã®ã‚‚ã®ãŒã‚ã‚Šã¾ã™ã€‚個人的ã«ã¯ã‚„る夫ã§å¦ã¶ã‚·ãƒªãƒ¼ã‚ºã‚„ æ•°å¦ã‚¬ãƒ¼ãƒ« ã®ã‚ˆã†ãªä¼šè©±å½¢å¼ã§è©±ãŒé€²ã‚“ã§ã„ãèªã¿ç‰©ã¯èªã¿ã‚„ã™ã„ã¨æ€ã£ã¦ã„ã¾ã™ã€‚ã•ã‚‰ã«ã€å…ˆæ—¥ã¿ã¤ã‘㟠やる夫ã§å¦ã¶ãƒ‡ã‚£ã‚¸ã‚¿ãƒ«ä¿¡å·å‡¦ç† ã¨ã„ã†è³‡æ–™ãŒã¨ã¦ã¤ã‚‚ãªãã‚ã‹ã‚Šã‚„ã™ãã€ã“ã‚Œã®çœŸä¼¼ã‚’ã—ã¦æ›¸ã„ã¦ã¿ã‚ˆã†ã¨æ€ã„至りã¾ã—ãŸã€‚記事ä¸ã®ã‚„る夫ã¨ã‚„らãªã„夫ã®ã‚¢ã‚¤ã‚³ãƒ³ã¯ http://matsucon.net/material/m
"Why Should I Trust You?": Explaining the Predictions of Any Classifier
Despite widespread adoption, machine learning models remain mostly black boxes. Understanding the reasons behind predictions is, however, quite important in assessing trust, which is fundamental if one plans to take action based on a prediction, or when choosing whether to deploy a new model. Such understanding also provides insights into the model, which can be used to transform an untrustworthy
Dictionary Learning for Massive Matrix Factorization
Sparse matrix factorization is a popular tool to obtain interpretable data decompositions, which are also effective to perform data completion or denoising. Its applicability to large datasets has been addressed with online and randomized methods, that reduce the complexity in one of the matrix dimension, but not in both of them. In this paper, we tackle very large matrices in both dimensions. We
Object Skeleton Extraction in Natural Images by Fusing Scale-associated Deep Side Outputs
Object skeleton is a useful cue for object detection, complementary to the object contour, as it provides a structural representation to describe the relationship among object parts. While object skeleton extraction in natural images is a very challenging problem, as it requires the extractor to be able to capture both local and global image context to determine the intrinsic scale of each skeleto
TensorFlow on Dockerã§GPUを使ãˆã‚‹ã‚ˆã†ã«ã™ã‚‹æ–¹æ³• - æ ªå¼ä¼šç¤¾ã‚«ãƒ–ク
ã©ã†ã‚‚ã€ãŠã¯ã“ã‚“ã°ã‚“ã¡ã‚ã€ã‚«ãƒ–クã®è¶³ç«‹ã§ã™ã€‚ 「カブクã®ã‚¨ãƒ³ã‚¸ãƒ‹ã‚¢ãŒæ™®æ®µä½•ã‚’ã—ã¦ã„ã‚‹ã®ã‹ã€ã‚’明らã‹ã«ã™ã‚‹ç›®çš„ã§å§‹ã¾ã£ãŸã‚ªãƒ•ã‚£ã‚·ãƒ£ãƒ«ã‚†ã‚‹ãƒ–ãƒã‚°ã€‚ 今回ã¯ã€ã€ŒTensorFlowã§GPUãŒä½¿ãˆãªã„ã€ã¨ã„ã†ã‚¨ãƒ³ãƒˆãƒªãƒ¼ã«æ„Ÿå‹•ã—ãŸã®ã§ï¼ˆå¤±æ•—ã“ã大切ãªæƒ…å ±ï¼ï¼‰ã€ç§ã®TensorFlowã®å®Ÿè¡Œç’°å¢ƒã‚’構築ã™ã‚‹æ–¹æ³•ã¨ãã®å¤±æ•—・解決方法をã”紹介ã—ã¾ã™ã€‚ TensorFlowã‚’GPUã§å‹•ã‹ã™ç’°å¢ƒã‚’作る 環境 以下ã®ç’°å¢ƒã‚’構築ã—ã¾ã™ã€‚ OS: Ubuntu 14.04.2 ビデオカード: NVIDIA GeForce GTX980Ti Driver: nvidia-352 Library: CUDA Toolkit(v7.5.18), cuDNN(v7.0) Framework: TensorFlow 0.8.0(Linux GPU版) etc: Python2.7.6, Docker 1.10.2 ビデオカード
IBM ãƒ¯ãƒˆã‚½ãƒ³ç ”ç©¶æ‰€ã§ã®äººå·¥çŸ¥èƒ½ç ”究
1 世界㮠AI，日本㮠AI IBM ãƒ¯ãƒˆã‚½ãƒ³ç ”ç©¶æ‰€ã§ã®äººå·¥çŸ¥èƒ½ç ”究 井手 剛 IBM T. J.Watson Research Center Tsuyoshi Idé ide@ide-research.net 著者紹介: 国立苫å°ç‰§å·¥æ¥é«˜ç‰å°‚é–€å¦æ ¡æ©Ÿæ¢°å·¥å¦ç§‘ã€æ±åŒ—大å¦å·¥å¦éƒ¨æ©Ÿæ¢°å·¥å¦ç§‘を経ã¦ã€2000 å¹´ã«æ±äº¬å¤§å¦å¤§å¦é™¢ç†å¦ç³»ç ”究科・物ç†å¦å°‚æ”»ã«ã¦ç‰© 性ç†è«–ã®ç ”究ã§åšå£«å·å–得。åŒå¹´ IBM æ±äº¬åŸºç¤Žç ”究所ã«æ¶²æ™¶å·¥å¦ã®ç ”究員ã¨ã—ã¦å…¥æ‰€ã€‚ãã®å¾Œã€ç ”究分野をデータマイニングã«å¤‰ãˆã€2010 å¹´ã‚ˆã‚ŠåŒ æ•°ç†ç§‘å¦éƒ¨é–€ãƒžãƒã‚¸ãƒ£ãƒ¼ã€‚2013 年より IBM ãƒ¯ãƒˆã‚½ãƒ³ç ”ç©¶æ‰€ã«ã¦å‹¤å‹™ã€‚IBM シニア・テクニカル・スタッフ・メンãƒãƒ¼ã€‚IBM アカデミー会員。 1. 㯠㘠゠㫠ç¾åœ¨ç§ã¯ç±³å›½ãƒ‹ãƒ¥ãƒ¼ãƒ¨ãƒ¼ã‚¯ã® IBM T.J. Watson Research Center（以下 IBM ãƒ¯ãƒˆã‚½ãƒ³ç ”ç©¶æ‰€ï¼‰ã«ãŠã„
ã—ã¾ã—ã¾/IBIS2015 - 機械å¦ç¿’ã®ã€Œæœ±é·ºã®æœWikiã€
オープニング†ä½ä¹…é–“ æ·³ （ç‘波大） IBISã®å½¹å‰²ï¼šç†è«–的基盤ã¨ç¤¾ä¼šå¿œç”¨ã®ä¸¡é¢ã‹ã‚‰å…ˆå°Ž → 「ã“ã®ãƒ“ックウェーブを導ã“ã†ã€ ãƒã‚¹ã‚¿ãƒ¼ç™ºè¡¨ä»¶æ•° 135 （ã†ã¡å¦ç”Ÿç™ºè¡¨ 70） å‚åŠ ç™»éŒ²è€…æ•° ç´„350 + 当日å‚åŠ â†‘ 大è¦æ¨¡æ©Ÿæ¢°å¦ç¿’ã®ãŸã‚ã®äº‹ä¾‹ã¨ç‰¹å¾´ã®ã‚»ãƒ¼ãƒ•ã‚¹ã‚¯ãƒªãƒ¼ãƒ‹ãƒ³ã‚°â€ 竹内 一郎（å工大） スパースモデリング：線形モデルã®é‡ã¿ãƒ‘ラメータやカーãƒãƒ«ãƒ¢ãƒ‡ãƒ«ã®äº‹ä¾‹ãƒ‘ラメータ㌠0 ã«ãªã‚‹ lasso：L1æ£å‰‡åŒ–é …ã‚’ç”¨ã„ã‚‹ SVM：æ失関数ã«ãƒ’ンジæ失関数を利用ã—ãŸå ´åˆ スパースå¦ç¿’ã®è¨ˆç®—コスト å¦ç¿’後ã®æœ€é©è§£ã«ãŠã„ã¦ï¼Œã©ã®ãƒ‘ラメータ㌠0 ã«ãªã‚‹ã‹åˆ†ã‹ã‚‰ãªã„ → スパースã§ãªã„モデルã¨è¨ˆç®—é‡ã¯å¤‰ã‚らãªã„ → スクリーニングã«ã‚ˆã‚‹é«˜é€ŸåŒ– スクリーニング：å¦ç¿’å‰ã«ã©ã†ã«ã‹ 0 ã«ãªã‚Šãã†ãªãƒ‘ラメータを探㙠ヒューリスティクス：0 ã«ãªã‚Šãã†ãªã‚‚ã®æŽ¨æ¸¬ã—ã¦å–り除ãã‚ã¨ã§æœ€é©æ€§ã‚’ç¢ºèª å®‰å…¨ã‚¹ã‚¯ãƒª
第49回 データマイニング+WEB ï¼ æ±äº¬( #TokyoWebmining 49th ) ー機械å¦ç¿’ 方法論 ç¥ã‚Šãƒ¼ã‚’開催ã—ã¾ã—㟠- hamadakoichi blog
2015/10/24 "第49回 データマイニング+WEB ï¼ æ±äº¬( #TokyoWebmining 49th ) ー機械å¦ç¿’ 方法論 ç¥ã‚Šãƒ¼" を開催ã—ã¾ã—ãŸã€‚ 第49回 データマイニング+WEB ï¼ æ±äº¬( #TokyoWebmining 49th ) ー機械å¦ç¿’ 方法論 ç¥ã‚Šãƒ¼Eventbrite Google グループ ä¼šå ´æä¾›ã—é‹å–¶ã‚’手ä¼ã£ã¦ä¸‹ã•ã£ãŸ FreakOut ã®ã¿ãªã•ã‚“ã€ã©ã†ã‚‚ã‚ã‚ŠãŒã¨ã†ã”ã–ã„ã¾ã—ãŸã€‚ç´ æ•µãªãƒˆãƒ¼ã‚¯ã‚’æä¾›ã—ã¦ãã‚ŒãŸè¬›å¸«ãƒ¡ãƒ³ãƒãƒ¼ã«æ„Ÿè¬ã—ã¾ã™ã€‚多ãã®æ–¹ã€…ã®å‚åŠ ã‚’å¬‰ã—ãæ€ã£ã¦ã„ã¾ã™ã€‚ å‚åŠ è€…ID・ãƒãƒƒã‚¯ã‚°ãƒ©ã‚¦ãƒ³ãƒ‰ä¸€è¦§ å‚åŠ è€…Twitter List : tokyowebmining-48 å‚åŠ è€…ã‚»ã‚ココ：第49回 データマイニング+WEB ï¼ æ±äº¬ ã‚»ã‚ココ (作æˆã—ã¦ãれ㟠[Twitter:@komiya_atsushi] ã•ã‚“ã«æ„Ÿè¬ï¼‰ 以下ã€å…¨è¬›å¸«è³‡æ–™ã€é–¢é€£è³‡
スパースモデリングã®æ·±åŒ–ã¨é«˜æ¬¡å…ƒãƒ‡ãƒ¼ã‚¿é§†å‹•ç§‘å¦ã®å‰µæˆ
News & Topics 2023.3.16 2023å¹´3月28æ—¥(ç«)-30(木)ã«ï¼Œã€å…¬é–‹ã‚·ãƒ³ãƒã‚¸ã‚¦ãƒ 】データ駆動科å¦ã¨æƒ…å ±è¨ˆæ¸¬ã®æ–°å±•é–‹ãŒé–‹å‚¬ã•ã‚Œã¾ã™ï¼Ž 2021.2.09 天文ç(A02-3)ã®æœ¬é–“先生ãŒï¼Œå¤©æ–‡å¦ä¼šã‚ˆã‚Šæž—å¿ å››éƒŽè³žã‚’å—賞ã•ã‚Œã¾ã—ãŸï¼Ž 2019.4.10 天文ç(A02-3)・計測モデリングç(B01-1)ãŒå…±ã«å‚åŠ ã—ãŸå›½éš›ãƒ—ãƒã‚¸ã‚§ã‚¯ãƒˆãŒï¼Œãƒ–ラックホールシャドウã®æ’®åƒã«é–¢ã™ã‚‹ãƒ—レスリリースを世界６ã‹æ‰€ã§åŒæ™‚ã«è¡Œã„ã¾ã—ãŸï¼Žå›½å†…ã§ã¯å›½ç«‹å¤©æ–‡å°ã‚„統計数ç†ç ”究所ãªã©ãŒå…±åŒã§ç™ºè¡¨ã‚’è¡Œã„ã¾ã—ãŸï¼Ž 2018.1.4 2018å¹´3月31æ—¥(土)ã«æ±äº¬å¤§å¦å°æŸ´ãƒ›ãƒ¼ãƒ«ã«ã¦é–‹å‚¬ã•ã‚Œã‚‹å…¬é–‹ã‚·ãƒ³ãƒã‚¸ã‚¦ãƒ 「データ駆動科å¦ã®æ·±åŒ–ã¨å±•é–‹ã€ã®ã‚¦ã‚§ãƒ–ページを開è¨ã—ã¾ã—ãŸï¼Ž 2017.12.22 ã€é€Ÿå ±ã€‘2018å¹´3月31æ—¥(土)ã«ï¼Œæ±äº¬å¤§å¦å°æŸ´ãƒ›ãƒ¼ãƒ«ã«ã¦å…¬é–‹ã‚·ãƒ³ãƒã‚¸ã‚¦ãƒ 「データ駆動科å¦ã®æ·±åŒ–ã¨å±•é–‹ã€ãŒé–‹å‚¬
機械å¦ç¿’界隈ã®æƒ…å ±åŽé›†æ–¹æ³• - kisa12012ã®æ—¥è¨˜
ã“ã‚“ã«ã¡ã¯ï¼ŽMachine Learning Advent Calendar (MLAC) 2013ã®14日目を担当ã—ã¾ã™ï¼Œ[twitter:@kisa12012]ã§ã™ï¼Žæ™®æ®µã¯åšå£«å¦ç”Ÿã¨ã—ã¦ï¼Œå„地を放浪ã—ãªãŒã‚‰æ©Ÿæ¢°å¦ç¿’ã®ç ”究をã—ã¦ã¾ã™ï¼Žä»Šå›žã®è¨˜äº‹ã¯ãƒœã‚¹ãƒˆãƒ³ã§åŸ·ç†ã—ã¦ã„ã¾ã™ï¼Žç¾åœ°æ™‚é–“(EST)ã§ã®ç· 切ã¯å®ˆã£ãŸã®ã§ã‚»ãƒ¼ãƒ•â€¦ã§ã™ã‚ˆã？ 本日ã¯æ©Ÿæ¢°å¦ç¿’ã®æŠ€è¡“çš„ãªå†…容ã®è©±ã§ã¯ãªã，ç†è€…ãŒå®Ÿè·µã—ã¦ã„る機械å¦ç¿’関連ã®æƒ…å ±åŽé›†æ–¹æ³•ã«ã¤ã„ã¦çºã‚ã¾ã™*1．大ãã分ã‘ã¦ï¼Œå¦ä¼šæƒ…å ±ã®ç®¡ç†ãƒ»è«–æ–‡æƒ…å ±ã®åŽé›†ãƒ»ãã®ä»–ã®ä¸‰ç¨®ã«ã¤ã„ã¦è¿°ã¹ãŸã„ã¨æ€ã„ã¾ã™ï¼Žä»Šå›žã®ãƒˆãƒ”ックã®å¤šãã¯ä»–ã®åˆ†é‡Žã«ã‚‚通用ã™ã‚‹è©±ã«ãªã£ã¦ã„ã‚‹ã‹ã¨æ€ã„ã¾ã™ï¼Žä»–ã®åˆ†é‡Žã®æ–¹ãŒã©ã®ã‚ˆã†ã«æƒ…å ±åŽé›†ã•ã‚Œã¦ã„ã‚‹ã®ã‹ã‚‚æ°—ã«ãªã‚‹ã¨ã“ã‚ã§ã™ï¼Ž å¦ä¼šæƒ…å ±ã®ç®¡ç† ã¾ãšã¯å¦ä¼šæƒ…å ±ã®ç®¡ç†ã«ã¤ã„ã¦ã§ã™ï¼Žæ©Ÿæ¢°å¦ç¿’ã«é–¢é€£ã™ã‚‹ã‚«ãƒ³ãƒ•ã‚¡ãƒ¬ãƒ³ã‚¹ã¯ï¼ˆç‰¹ã«è¿‘年乱立気味ã§ï¼‰éžå¸¸ã«æ²¢å±±ã‚ã‚Šã¾ã™ï¼Žå…¨ã¦ã‚’ãƒ
1
ランã‚ング
ランã‚ング
ランã‚ング
リリースã€éšœå®³æƒ…å ±ãªã©ã®ã‚µãƒ¼ãƒ“スã®ãŠçŸ¥ã‚‰ã›
最新ã®äººæ°—エントリーã®é…ä¿¡
j次ã®ãƒ–ックマーク
kå‰ã®ãƒ–ックマーク
lã‚ã¨ã§èªã‚€
eコメント一覧を開ã
oページを開ã
æ ªå¼ä¼šç¤¾MICIN
GitHub - vdumoulin/conv_arithmetic: A technical report on convolution arithmetic in the context of deep learning
機械å¦ç¿’ã®åˆ†é¡žã®è©± · chezou/notebooks · GitHub
{{#tags}}- {{label}}
{{/tags}}