The document describes a tutorial on using neural networks for information retrieval. It discusses an agenda for the tutorial that includes fundamentals of IR, word embeddings, using word embeddings for IR, deep neural networks, and applications of neural networks to IR problems. It provides context on the increasing use of neural methods in IR applications and research.Read less

ILSVRC2015にてMSRA (Microsoft Research Asia)が発表した、Deep Redisual Learning (ResNet)の紹介資料です。 論文情報 http://arxiv.org/abs/1512.03385 著者(Dr. Kaiming He)によるスライド http://research.microsoft.com/en-us/um/people/kahe/ilsvrc15/ilsvrc2015_deep_residual_learning_kaiminghe.pdf ImageNet and MS COCO Visual Recognition Challenges Joint Workshop http://image-net.org/challenges/ilsvrc+mscoco2015Read less

1. 宇土 敬祐 February 23, 2016 Denso IT Laboratory NIPS2015 参加報告 2/23/2016 @utotch 1 http://papers.nips.cc/book/advances-in-neural- information-processing-systems-28-2015 [出典] 当文書内の図・グラフ等は以下の 各論文から引用したものです 2. NIPS2015 基本情報 NIPS(Neural Information Processin System) 機械学習分野のトップカンファレンス(毎年開催) 開催日時 2015/12/6-12/14 場所 Montreal Convention and Exhibition Center (モントリ オール@カナダ。昨年と同じ) 2/23/2016 @utotch 2 3.

Deep Learning Summer School, Montreal 201530 Lectures · Aug 2, 2015 AboutDeep neural networks that learn to represent data in multiple layers of increasing abstraction have dramatically improved the state-of-the-art for speech recognition, object recognition, object detection, predicting the activity of drug molecules, and many other tasks. Deep learning discovers intricate structure in large data

Deep Learningを勉強するにあたって内容がまとまっている教材についてリスト化しました。 無論ここに挙げたもの以外にも充実した教材は多数存在します。また、全てを読んだり観たりしたわけではありませんので、コメントは参考程度に考えてください。 (追記) ときどき追記/編集していきます。 (以下、一部敬称略) Bengio オンライン本 Yoshua Bengio, Ian Goodfellow and Aaron Courville http://www.iro.umontreal.ca/~bengioy/dlbook/version-07-08-2015/dlbook.html 現在Web上で閲覧可能。 いつか出版される。終盤はまだ執筆中。 これ一冊で根っこの理論はバッチリそう。天下のBengioさんなので情報の信頼性、網羅性、深みは高い。全部やると分量すごい。 Nielsen オン

2015年10月14日に、Chainer Meetup #0を開催しました。 こんにちは、PFI エンジニアの舛岡です(前回の松元さんに習い自己紹介を後ろに書きました)。製品事業部で、何でも屋として仕事をしています。research ブログに投稿する日が来るとは思ってませんでした。 Meet Upの概要 今回のMeet Upは、「開発陣がコントリビュータの方に会ってみよう」をコンセプトに開催をしました。（開発陣の2名が出張でいないという・・・・）。そのため、コントリビュータの方を招待し、13名の方に参加して頂きました。 まず始めに得居さんから、Chainer 1.5の開発方針について話をし、その後、参加者の皆様に以下の内容でLTをして頂きました。 Chainerをどのような場面で使用されているのか？ Chainerの良いところ Chainerの改善点・もっとこうしてほしい LTの総括 Ch

Memory Networks Jason Weston, Sumit Chopra, Antoine Bordes, 2015, ICLR Facebook - The bAbI project 記憶装置を持ったようなQA向けのフレームワーク。 名前から誤解しがちだが、Neural NetworkはあくまでMemory Network内の1つのモジュールであるだけで、話の焦点自体はNNではない。また、NNを使わずともMemory Networksは実現できる（たぶん精度負けるからやられないだろうけど）。 本論文ではNNを利用したモデルを例に説明。 追記(15/6/1): Stanfordの講義スライド -Memory Networks編-。 追記(16/6/1): Stanfordの講義スライド更新。shibataさんコメントありがとうございます。 Memory Networksの要素は

FaceBook のAIチームが研究の発表論文である "Memory networks"とその拡張である"Towards AI-complete question answering: A set of prerequisite toy tasks."を簡単に紹介します。 [1] Weston, J., Chopra, S., and Bordes, A. Memory networks. In International Conference on Learning Representations (ICLR), 2015a. [2] Weston, J., Bordes, A., Chopra, S., and Mikolov, T. Towards AI-complete question answering: A set of prerequisite toy tasks. arX

データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ

Deep Neural Networkを使って画像を好きな画風に変換できるプログラムをChainerで実装し、公開しました。 https://github.com/mattya/chainer-gogh こんにちは、PFNリサーチャーの松元です。ブログの1行目はbotに持って行かれやすいので、3行目で挨拶してみました。 今回実装したのは”A Neural Algorithm of Artistic Style”(元論文)というアルゴリズムです。生成される画像の美しさと、画像認識のタスクで予め訓練したニューラルネットをそのまま流用できるというお手軽さから、世界中で話題になっています。このアルゴリズムの仕組みなどを説明したいと思います。 概要 2枚の画像を入力します。片方を「コンテンツ画像」、もう片方を「スタイル画像」としましょう。 このプログラムは、コンテンツ画像に書かれた物体の配置をそのま

概要 機械学習の国際会議ICML 2015 (2015年7/6-11、フランス・リール) の論文を読んで紹介する会です（写真は会議HPから） ニコ生配信URL http://live.nicovideo.jp/watch/lv232277370 会場案内 開催会場は株式会社ドワンゴ セミナールーム（歌舞伎座タワー 14F）です。 アクセスマップ 歌舞伎座タワーへは、地下鉄各線の東銀座駅から地下で直結しております。 歌舞伎座タワーのエレベータで 7Fスカイロビーで乗り換え て、14Fまでお越しください。 14Fについたら廊下を右奥まで進むとドワンゴのセミナールームがあります。 株式会社ドワンゴ様にこの場を借りてお礼申し上げます 会場注意 ニコ生による配信を行います。参加者が映り込む可能性がありますので、あらかじめご了承ください。 無線LANと電源はありますが、電源は床埋込み式で Macのアダ

7. # Prepare multi-layer perceptron model # 多層パーセプトロンモデルの設定 # 入力 784次元、出力 10次元 model = FunctionSet( l1=F.Linear(784, n_units), l2=F.Linear(n_units, n_units), l3=F.Linear(n_units, 10)) コード：モデル定義 8. # Prepare multi-layer perceptron model # 多層パーセプトロンモデルの設定 # 入力 784次元、出力 10次元 model = FunctionSet( l1=F.Linear(784, n_units), l2=F.Linear(n_units, n_units), l3=F.Linear(n_units, 10)) コード：モデル定義（POINT:入出力定義）