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

音楽は、目には見えない音を使って何かを表現するという主観的な要素を持つと同時に、楽譜という記号を使って構築することが可能な幾何学的・数学的な要素を併せ持つ芸術です。進化が著しい機械学習を使うことでコンピューターが音楽を理解することの難しさについて、作曲家とAI研究者という2つの顔を持つパトリック・ハッチンソン氏が分析しています。 Music and Machine Learning - ai.SensiLab http://ai.sensilab.monash.edu/2018/08/23/Neural-Music/ 昨今の機械学習の発展により、コンピューターは言葉や画像を認識することができるようになってきました。言葉も画像も、情報を伝えるコミュニケーションツールという点では共通の役目を持っており、それは音楽についても同じことがいえます。音楽は、文化的グループもしくは特定グループにおけるコ

機械学習など主に予測を目的とした統計手法に強いイメージのPythonでしたが、統計的因果推論を行うためのライブラリ、“DoWhy”がついにリリースされました。 DoWhy | Making causal inference easy — DoWhy | Making Causal Inference Easy documentation これまで因果推論があまり浸透してこなかった*1データサイエンス界に新しい風が吹くのではと期待が高まります。 一方でこのパッケージが何を可能にし、逆に何ができないのかを理解しなければ、雑なデータ分析が増えて逆に有害なのではと思い、今回ブログを書くことにしました。 先に言っておくと、私自身はPythonをメインに使っているわけではありません（使ったことはあるので一応コードを読んで何が起こっているかくらいはわかります）。したがって本記事の目的は、DoWhyライブ

いつも文賢をご利用いただき、誠にありがとうございます。 このたび、ディープ・ラーニングを使った「誤字脱字を指摘する機能」を搭載しました。 ※以下、「校閲支援」画面にある「誤字脱字チェック」をオンにすることで機能します。 新しく追加された「誤字・脱字チェック」は、2017年12月12日のプレスリリースのとおり、ディープ・ラーニング技術を利用しております。 これまでと比べ、数値上では8.7倍を超える誤字脱字検出数となりました。 しかし、すべての誤字・脱字を完璧に検出するものにはなっておりません。 そのため、今後も誤字脱字チェックを含め、文賢の機能全般を強化するための研究を進めていきたいと考えております。 今回の誤字脱字検出プロジェクトに際して 今回のプロジェクトに際して、人工知能の研究者や実務の専門家など、個人法人問わず素晴らしいメンバーに恵まれました。 ただ、人工知能を使っての誤字脱字検出に

4. ビジネス面の制約条件を考える • 「人工知能で何とかしてください」 • この案件はどのタイプの利益モデルか？ • 人間のリプレイスが目的なので、人間より精度が高ければよい？ • 今の人間の精度は95%位なので、それよりも精度が高くなければ使えない • 今の人間の精度は60%位なので、それよりも精度が高くなければ使えない • 60%であれば、簡単なルールベースや画像処理で到達できる可能性が高い • 機械学習を使わなくても改善が出来る • 要求される精度次第で、使う技術が異なる • 自らの立ち位置によって、精度売上曲線の意味が変わってくる • 内製と下請け 5. YahooとGoogle • Yahooは自社の検索ビジネスをロジスティック型だと思い込んでいた • これ以上投資しても売上が増えないと思っていた • http://blog.livedoor.jp/lionfan/archiv

3年前に因果フェスというイベントでGranger因果について専門家でもないのに講演させられるという稀有な経験をしたわけですが。 その時のイベント報告記事で、会場でのディスカッションの内容を踏まえて僕はこんなことを書いたのでした。 非線形Granger因果性検定の手順（ここでは2変量2次ラグモデルを想定する） なる2変量2次ラグモデルを機械学習的なものを含めた何かしらの方法で推定し、その誤差関数をとする。次に、がない（非線形Granger因果を与え得る時系列を伴わない）単変量2次ラグモデル を同様に推定し、その誤差関数をとする。この2つの誤差関数とを表現する学習パラメータを統合する何かしらの情報量規準 を定義し、これの有意性をブートストラップ法などを用いて検定する。 と書き換えて、モデル推定のための何かしら好都合な非線形データに対応可能な機械学習手法（脚注：ここでRNNしか思い付かない自分は

最近知ったのだが、グーグルが提供しているWebAPIに、自然言語処理に関する機能を持つものがあって、これがなかなか面白そうだなと感じている。 cloud.google.com この中でも特に、「感情分析」というやつが気になっていて、どういうものかというと、なんでもいいので適当なテキストをこのAPIに与えると、その内容を分析して、ネガティブ度・ポジティブ度を判定してくれるというものだ。 実際にこのページからデモが試せるようになっていて、試しに「チョコレートが好きすぎて死にそう」と入れてみると、ポジティブ度９０％となり、「チョコレート嫌いなので食べると死ぬ」だとネガティブ度２０％と出てくる。 まあこれはわかりやすい例なんだけど、とにかくこちらが与えた文章に含まれる感情的な要素を読み取って、それを数値化して返してくれるというものだ。 こういうAPIが昔から欲しかったんだけど、なかなか気軽に利用で

ソフトウェアエンジニアの間でも一般的な言葉になった「機械学習」。本書では、その機械学習やデータ分析の道具をどのようにビジネスに生かしていけば良いのか、また不確実性の高い機械学習プロジェクトの進め方などを「仕事で使う」という観点から整理します。 プロジェクトのはじめ方や、システム構成、学習のためのリソースの収集方法など、読者が「実際どうするの？」と気になるであろう点を中心にまとめています。上司に「人工知能でいい感じの成果を出してくれ」とあいまいな指示をされたとき、本書で学んだことが活きてくるに違いありません。 正誤表 ここで紹介する正誤表には、書籍発行後に気づいた誤植や更新された情報を掲載しています。以下のリストに記載の年月は、正誤表を作成し、増刷書籍を印刷した月です。お手持ちの書籍では、すでに修正が施されている場合がありますので、書籍最終ページの奥付でお手持ちの書籍の刷版、刷り年月日をご確

この記事は、前出の本に入れる予定だったコラムのうちの一つです。 正確にいうと、本に入れる予定だったけど、メイン側で締め切りをぶっちぎっていたら、コラムを追加できるような空気じゃなくなって、書くのをやめたものです。 本の宣伝を兼ねて、没にしたコラムに日の目を見させて、あわよくば第二版で入ればいいなー、という内容です。 データサイエンティストの頭の中「偉い人たちは頭がおかしい」と言っても、それは相対的なものであるため、比較対象であるデータサイエンティストの頭の中を覗いてみましょう。 データサイエンティストは組織におけるデータ活用状況について、レベル分けして考えます。そして、基本的に前のレベルが実現できなくては、次のレベルに進むことはできないと考えています。 以下のレベル分けは私が適当に思い描いているものですが、同業者なら大よそ一緒なんじゃないかと思います。 Lv0: データ収集、ログ設計Lv1

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 動機 いわずもがなですが、機械学習の勉強にはとても時間が掛かります。 でも、同じ勉強時間を費やしたとしても、教材の良し悪しで捗り方が大きく変わってくることは、誰もが実感していることだと思います。 そこで、本記事ではテーマごとに私が考える最強の教科書をリストしていこうと思います。 ディープラーニング（アルゴリズムの理解） 「Deep Learning」An MIT Press book, 2016/12 発行 http://www.deeplearningbook.org/ 印刷本も売られてますが、上のWebページでいつでもタダで読めます

最近ずっと NN/CNN/RNN/LSTM などで遊んでいたのだけど Seq2Seq の encoder/decoder と word embeddings を理解したかったので Seq2Seq の chatbot を動かしてみた。Keras でフルスクラッチで書いていたのだけど上手く動かず。論文読んでもわからないところがあったので https://github.com/1228337123/tensorflow-seq2seq-chatbot を自分なりに読み解いてプロセスが別れてわかりやすいように書き換えた。同時に日本語に対応させて Twitter Bot として動くようにした。 会話例 seq2seq Google 翻訳などでも利用されている seq2seq というタイプの Neural Networks を利用しています。入力も出力も時系列データ。例えば会話とか翻訳とかに使えます。

NSSOLは2016年7月に、国内システムインテグレータとして初めて、機械学習プラットフォーム「DataRobot」の提供を開始したことを発表しました。データサイエンティストが絶賛するDataRobotですが、どこが優れていて、どんなことができるのか。NSSOLがDataRobotで狙うものはなにか。ソリューション企画・コンサルティングセンター　三橋利也さんに伺いました。 ―― 「DataRobot」は機械学習を自動化してくれるということですが、どういうことでしょうか。詳しく教えてください。 機械学習とはコンピュータが過去のデータの特徴を自分で抽出して、そのパターンを学習して未来を予測する技術です。 例えば、ある化粧品会社で新商品のダイレクトメールを送ったら、買ってくれそうなお客様を探したいというニーズがあったとします。そうした場合に、機械学習を使って、過去にダイレクトメールを送った時の開

たいざん @tai2an けっこう反響を頂いた線画の自動着色のデモ版を公開しましたー paintschainer.preferred.tech ブログ記事はこちら↓ chainerで線画着色をwebサービスにして公開してみた qiita.com/taizan/items/7… ソースコード、学習済みモデルも公開してます pic.twitter.com/TCfOp3uZo5 2017-01-27 18:47:16

この記事はトレタ Advent Calendar 2016の22日目です。 21日目はswdhの ActiveRecordオブジェクトを関連ごとシリアライズしてデシリアライズするでした。 スナップショット的にその時点のモデルを関連モデル含めて保存したい、っていう要望はBtoBやってると結構遭遇しますね。テーブルをちゃんと正規化すればするほど難しくなるやつなのでgem化されてるとありがたいです。 さて、この記事ではゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装を読んでpythonに入門するところから初めてニューラルネットワークを実際に実装して見た所感を記述します。平たく言えば読書感想文です。 ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装 作者: 斎藤康毅出版社/メーカー: オライリージャパン発売日: 2

複雑なラフスケッチを、まるで手でペン入れしたかのような線画に自動で変換してくれる新技術が早稲田大学の研究室によって発表されました。 シモセラ・エドガー　ラフスケッチの自動線画化 http://hi.cs.waseda.ac.jp/~esimo/ja/research/sketch/ 早稲田大学のシモセラ・エドガー研究院助教らが開発したのは、鉛筆で描いたラフ画を一発で自動的に線画にしてくれる技術。例えば以下の画像でいうと、左側がラフ画スケッチ、右側がニューラルネットワークモデルで線画化したものです。 着物の女の子や…… お祭りっぽい雰囲気の女の子。 かなり線が重なっているように見えるお面のスケッチもこの通り。 複雑なスケッチでもかなりの精度で線画化しているのがわかります。 これまで、スキャンした鉛筆画など複雑なラフスケッチの線画化は非常に困難でした。しかし、新しい手法では3種類の畳込み層から

The best of CES 2025Presenting our 12 finalists, plus the winner of our best in show award.

8月の頭からディープラーニングを実装していたのを、先日、プレゼンしてきました。 プログラマのための数学勉強会@福岡 - connpass ぼくの実装した最弱のディープラーニング from なおき きしだ ※追記 2023/4/12 SpeakerDeckにも置いてます https://speakerdeck.com/kishida/weakest-deep-learning-i-implemented GPU対応したり、ドロップアウトとかミニバッチとかいろいろ実装して、結構つよくなってます。 ちゃんと学習してくれないこと以外は。 ソースはこんな感じになってきています。 https://github.com/kishida/neuralnet/tree/CorrectOperationAsCCN GPU対応にはaparapiを使っています。JavaでGPUコードが書けるスグレモノです。 ap

こんにちは。検索編成部＆研究開発チームの原島です。 クックパッドのレシピには、内部で、様々な情報が付与されています。例えば、こちらの「母直伝♪うちの茹でない塩豚」というレシピには「肉料理」という情報が付与されています。これらの情報は、クックパッドの様々なプロダクトで利用されています。 レシピに情報を付与する方法は沢山ありますが、その一つに機械学習があります。クックパッドでは、レシピが肉料理か否か、魚料理か否か、...という分類を行うことで、「肉料理」や「魚料理」などの情報をレシピに付与しています。 今日は、分類をどのように実現しているか、その裏側を紹介します。 ■ 実装フェーズ まず、分類器を実装する際に気をつけたことを紹介します。 モデルを決定する 分類を行うには、そのための機械学習のモデルを決定する必要があります。クックパッドでは、十分な精度が出るだけでなく、リファレンスが多いという点