.app 1 .dev 1 #11WeeksOfAndroid 13 #11WeeksOfAndroid Android TV 1 #Android11 3 #DevFest16 1 #DevFest17 1 #DevFest18 1 #DevFest19 1 #DevFest20 1 #DevFest21 1 #DevFest22 1 #DevFest23 1 #hack4jp 3 11 weeks of Android 2 A MESSAGE FROM OUR CEO 1 A/B Testing 1 A4A 4 Accelerator 6 Accessibility 1 accuracy 1 Actions on Google 16 Activation Atlas 1 address validation API 1 Addy Osmani 1 ADK 2 AdMob 32 Ads

マイクロソフトは、Windows 10に機械学習専用のAPI「Windows ML」を搭載すると、3月7日に米国で開催したイベント「Windows Developer Day 2018 March」において明らかにしました。 Windows MLには大きく分けて2つの側面があります。1つは、あらかじめ学習済みのモデルをONNX形式として読み込んでWindows 10上で実行するという、Windowsマシン上での機械学習実行環境の提供です。クラウドに依存することなく、学習済みモデルをローカルで実行できます。 「ONNX形式」とは、マイクロソフト、Facebook、Amazon Web Servicesが協力して策定している学習済みモデルの共通フォーマット。またWindows MLが提供するツールを用いてCaffeやCNTKの学習済みモデルの読み込みもサポートするとのこと。 そして2つ目は、そ

※2018年6月、ML-Agents v0.4に対応するように修正いたしました。 #Unity ML-Agents Unity ML-Agents というUnityを使って強化学習できるライブラリがあります。 公式のほうにチュートリアルも載っているのですぐ試してみることができます。 チュートリアルをやってみると、ボールを落とさないように板を動かす学習モデルができると思います。 今回は自分でゲームを作ってUnity ML-Agentsで強化学習していきたいと思います。 作るゲームは強化学習では王道ともいえる倒立振子です。 棒を倒さないようにするやつですね。 #ゲームを作る 公式の方から、ML-Agents をダウンロードしてきます。 unity-environmentをUnityで開きます。 CubeとCylinderを作ります。名前はCartとPoleに替えます。 適当に色を付け、Tran

去年の９月頃、Unityで機械学習を行う ML-Agent（ver 0.01)が公開されました。 このライブラリを使用すると、Unity上で作成したゲームで機械学習によるAIを実行したり出来そうです。 最近このML-Agentを使用して色々と試していたのですが、ある程度形になったので色々とこちらの記事にメモを残します。 目次 機械学習？ 強化学習？ 報酬は"結果"ではなく"連続した動作"に与えられる Unityと強化学習 独自のプロジェクトを作ってみる シーンのセットアップ アクションの設定 Stateの設定 Reward（報酬）の設定 終了とリスタート 学習 その他 関連 機械学習？ 機械学習は最近騒がれている技術の一つで、AIの一種です。 その特徴は、「明示的にプログラムされる事なく、経験から学習する」という点にあります。この学習のプロセスは、提供されたデータに基づいてパターンを抽出、

東京大学松尾研究室（松尾豊特任准教授）は1月24日、東京大学の公開講座「Deep Learning基礎講座」で実際に使っている演習コンテンツの無償公開を始めた。GPUを使ってモデルを学習する実践的な内容で、個人・非商用に限って無料で利用できる。 Jupyter Notebook形式で作成された研究者向け演習コンテンツで、Jupyter環境があれば利用可能。GPUを利用し、実際にモデルを学習させながら技術を習得できる。線形代数や機械学習が前提知識として必要。コードはTensorFlowと、Numpy、Scipy、Scikit-learnなど標準的なライブラリで構成した。公開したのは演習パートのみで、講義パートのコンテンツは別。 個人で学習する目的のみで無償で利用でき、講習会や教室などでの利用は不可。クリエイティブ・コモンズの「CC-BY-NC-ND」（表示 -改変禁止- 非営利-一般）が適用

_ 株式会社spicelifeを退職します 株式会社spicelifeを3月末頃退職します。spicelifeには3年半在籍して、当初は開発部部長、その後はCTOを勤めました。 TMIXの中の人としての認知度の方が高いですが、私が入社したのはSPOTLIGHTSという花束を贈るサービスに携わるためでした。入社したばかりの頃、（当たり前ではあるのですが）会議に商品の花束が出てきて、「会議に花束」がそれまで私のいたIT業の職場とのギャップに嬉しい驚きを感じたものでした。 当時は開発部のメンバーが2人（邦明率100％時代）でしたが、採用活動を進め、エンジニア10人、デザイナー2人の優秀で頼もしいメンバーたちと仕事ができたのは本当にありがたいことでした。 在職中の代表作はここ1年ほどずっとプロジェクトマネージャーとして作っていたTMIXのデザインエディタ。凄腕の同僚たちのおかげでReact.jsや

Googleは2017年内に、超小型コンピュータ「Raspberry Pi」向けに人工知能（AI）と機械学習ツールを提供する計画だ。 Raspberry Pi財団は、「2017年にはGoogleが颯爽と登場する予定だ。同社は開発者コミュニティーに対して素晴らしい計画を用意している」と発表した。 同財団によると、広告からクラウドコンピューティングまで幅広く手掛けるGoogleは、2017年に一連のスマートなツールを提供する予定だという。「Googleの一連のAIおよび機械学習技術によって、開発者はこれまで以上に強力なプロジェクトを構築できるようになるだろう」（同財団）。 Googleは、機械学習、モノのインターネット（IoT）、ウェアラブル、ロボティクス、ホームオートメーションといった多様な分野のツールを開発している。どのようなツールを提供すべきかを把握するため、Raspberry Piの愛

ﾃﾞｰﾌﾟﾗｰﾆﾝｸﾞはコモディティ化していてハンダ付けの方が付加価値高いといわれるﾋﾟ-FNで主に工作担当のtai2anです。 NHKで全国放送されたAmazon Picking Challengeでガムテべったべたのハンドやロボコン感満載の滑り台とかを工作してました。 とはいえ、やっぱりちょっとディープラーニングしてみたいので1,2か月前からchainerを勉強し始めました。 せっかくなので線画の着色をしたいなーと思って色々試してみました。 線画の着色は教師あり学習なので線画と着色済みの画像のデータセットが(できれば大量に)必要です。 今回はOpenCVでカラーの画像から線画を適当に抽出しています。 抽出例 → カラーの画像を集めて線画を作ればデータセットの完成です。（今回は６０万枚くらい使っています） ネットワークの形ですが、U-netという最初の方でコンボリューションする時の層の出

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 指定した属性を持つ彼女を生成する機械学習を行い、それを使用したデモを開発しました。 初めまして、ドワンゴ2016年新卒の@Hiroshiba です。私は普段、今流行りのディープラーニング技術を使った研究をしています。この技術の表現力は過去の色んな機械学習に比べてとても優秀で、去年の今頃なんかにはDCGANという画像生成系の研究に革命を起こした手法を使って、様々な顔イラストを自動生成する記事が人気を集めました。 DCGANとは 今回作成したデモで用いた技術であるDCGANについて軽く触れておきます（図Ａ）。そもそもDCGANはDeep C

NEW GAME! というアニメはご存知でしょうか。女の子たちがワイワイとゲーム会社で働く日常を描いた作品で、非常に良い作品なのですが、一方でこんなキラキラした会社ねーよと言われた挙句、実はあそこにいるのは皆中年男性で、働きすぎて周りが皆美少女に見える幻覚が見えているのではないかという説まであったりします。ドワンゴのslackには、バーチャル彼女生成系チャンネル#kanojo_createや、美少女変身願望チャンネル#become_bishoujoというものが存在するので、現実を捻じ曲げてしまう異もあながちあり得ない話ではないのではないかとも思ってしまいます。 私もそんな一人であり、そんな美しい幻覚なら喜んで受け入れよう、ということで作ったのがこのリアルタイムNEW GAME!フィルタです 似顔絵データが存在しない = 転移学習 さて、ここでやりたいのは、実写画像を入力として、その実写画像

毎日ウェブ上では無数の写真がシェアされていますが、アップロードされる写真の解像度は撮影機材によってさまざまで、低解像度の画像は時に引き延ばされてジャギーまみれになることがあります。据え置き機・モバイル機ともに高解像度ディスプレイの普及が進む中で、「見やすい低解像度画像」が必要とされつつあるのですが、機械学習を用いた新技術「RAISR(Rapid and Accurate Image Super-Resolution)」によって、リアルタイムで「低解像度画像の高品質バージョン」を生成できるようになります。 Research Blog: Enhance! RAISR Sharp Images with Machine Learning https://research.googleblog.com/2016/11/enhance-raisr-sharp-images-with-machine.

Googleは、Google Appsのカレンダーアプリに新機能「ゴール」を追加した。これは、達成したい目標をあらかじめ設定すると、カレンダーが算出したベストであろう時間に自動で予定を入れる機能だ。 例えばランニングを達成目標に設定すると、カレンダー側で自動的にランニングのスケジュールを設定する。もし、その日にランニングをしなかった場合は、予定のリマインダーにある「延期」ボタンを押すことで、予定を実行できそうな時間帯を探し出して自動的にリスケジューリングする。 また、複数人のカレンダーから共通で空いた時間を見つけ出してくれる「時間を探す」機能も登場した。面倒な会議のスケジューリングなどで効果を発揮してくれそうだ。 これらの新機能はすべて「Make Time」と呼ばれるテーマにもとづいて開発されており、Googleが推し進めている機械学習も取り入れられている。2つの機能は連携しており、時間を

以前は MNISTの例を使って画像識別を試してみた けど、次はカラー画像についての識別を試してみる。 「アイドルなんてみんな同じ顔に見える」って 最近も言われてるのかどうか知らないけど、自分もつい5年前くらいまではそう思っていたわけで。その識別を機械学習でやってみよう という試み。 最近はほとんどライブに行かなくなってしまったけど大好きなももいろクローバーZちゃんを題材にしてみることに。 5人のメンバーの顔は機械学習によってどれくらい分類できるようになるのか？？ CIFAR-10 CIFAR-10 という、32×32サイズのカラー画像を10種類のクラスに分類する識別課題があり、そのデータセットが公開されている。これを実際にTensorFlowで学習するための畳み込みニューラルネットワークのモデルや関数などがtensorflow.models.image.cifar10パッケージに同梱されて

ANYGMA講義第１回 ミニGunosyをつくった。その解説と機械学習プロダクトで詰まる点Read less

概要 近年、自称作曲家・佐村河内守氏と外見の酷似した人物が増加し、彼らと佐村河内氏とを自動的に見分けるシステムの開発が望まれている。一方で、佐村河内氏は作曲時と謝罪会見時で大きく外見的に変化することが知られており、佐村河内氏を見分けるシステムはそのような変化に頑健である必要があるため、実現は容易ではない。本プロジェクトでは、高度なコンピュータ技術を活用し、佐村河内氏を適切に見分けるシステムを開発する。 背景 自称作曲家・佐村河内守氏が世間を賑わせている。佐村河内守氏が引き起こした様々な問題のうちもっとも厄介なものは、「佐村河内守氏にそっくりな人物が多すぎる」ということである。たとえば、ミュージシャンの Revo 氏は知らない人に「あなたのCDはもう二度と買いません」などと言われるなどの風評被害を訴えており、漫画家のみうらじゅん氏についてもタクシー運転手から「佐村河内さんでしょ？」と執拗に問

機械学習の問題 については以前に紹介したので、次はどんなデータを収集し、どんな機械学習アルゴリズムを使うことができるのかを見ていきましょう。本投稿では、現在よく使用されている代表的なアルゴリズムを紹介します。代表的なアルゴリズムを知ることで、どんな技法が使えるかという全体的なイメージもきっとつかめてくるはずですよ。 アルゴリズムには多くの種類があります。難しいのは、技法にも分類があり拡張性があるため、規範的なアルゴリズムを構成するものが何なのか判別するのが難しいということですね。ここでは、実際の現場でも目にする機会の多いアルゴリズムを例にとって、それらを検討して分類する2つの方法をご紹介したいと思います。 まず1つ目は、学習のスタイルによってアルゴリズムを分ける方法。そして2つ目は、形態や機能の類似性によって（例えば似た動物をまとめるように）分ける方法です。どちらのアプローチも非常に実用的

Machine Learning Advent Calendar向けの記事です。 普段はGunosyという会社で社長業をしながら社長をしています。 ざっくりいうと 結論だけ知りたい人はここだけ 広告における機械学習の応用の多くはCTR予測や運用の最適化のため(クエリー予測とか)の予測問題 今後は「CVRの予測」や「アクティブなユーザーの予測」がホットな話題になる(加えてその運用をどう最適化するかといった話題も) 現在は検索エンジンの応用例が多い。今後はディスプレイ広告やタイムライン広告への応用が増えていく 個人のユーザー属性を集めることが今まで以上にメディアのビジネス的に重要になる 広告や推薦エンジンに限らずドメイン知識は非常に重要。ドメイン知識と機械学習の知識を持ったエンジニアが意思決定に携わる会社は今後大きくのびる(と思う) 広告について 最近はもっぱら広告の開発をしており、広告分野で

もう随分経ちますが，先日CompView秋の学校というのに行き，2泊3日みっちり機会学習を勉強してきました．講師陣は豪華でどの話も面白かったのですが特にElad Hazanによる"Prediction in the dark: the multi-armed bandit problem"が非常に面白かったです． その話を説明するために，まず簡単ながら驚くべき性能を達成するアルゴリズムを紹介しましょう． 解きたい問題は，毎日，次の日の天気が晴れか雨かを予想する問題です．t日目が晴れの場合 y(t)=1, 雨の場合 y(t)=0と表すことにしましょう．t日目にy(t+1)を予想するわけです． さて、自分は天気の専門家ではないので，自分で予報せずに，専門家に頼ることにしてみます．M人の天気予報士がいて，それぞれが独自に次の日の天気を予想しています．i人目の天気予報士のt日目の予報をp(i,t)