株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、プリファードネットワークス、以下、PFN）は、PyTorchユーザー向けの深層強化学習ライブラリ「PFRL（ピーエフアールエル）」を、本日オープンソースソフトウェア（OSS）として公開しました。PFRLは、PFNが深層学習フレームワークをChainer™からPyTorchへ移行してPyTorchコミュニティと連携を強化する一環で、ChainerRLの後継ライブラリとして公開するものです。 PFRLの特長は以下の通りです。 最新の研究に基づく深層強化学習アルゴリズム・深層強化学習機能が実装されており、それらを比較したり、組み合わせたりして実験することが可能 特に重要な9つのアルゴリズムについて、高品質かつ十分にベンチマークされた、研究開発のベースとなる再現実装スクリプトを提供 Chaine

連載目次 用語解説 機械学習におけるみにくいアヒルの子の定理（醜いアヒルの子の定理： Ugly Duckling theorem）とは、何らかの「仮定（＝事前知識や偏向、帰納バイアス）」がないと「分類（＝類似性の判断）」は（理論上）不可能である、ということを主張する定理である。つまり分類やパターン認識において、あらゆる特徴量を客観的に同等に扱うことはできず、何らかの仮定に基づいて主観的に特徴量選択を行うことが本質的に必要であることを示す。 概念的にはノーフリーランチ定理に似ており、機械学習で必修の定理として一緒に学ぶことが多い。ノーフリーランチ定理は「あらゆる問題を効率よく解けるような“万能”の機械学習モデルや探索／最適化のアルゴリズムなどは存在しない」ことを主張する用語である。一方、みにくいアヒルの子の定理は「仮定／事前知識がない場合には、分類性能が高くなるような“最良”の特徴表現／特徴

The Python Extension for VS Code Insiders is excited to announce the new preview for Native Notebooks! Native Notebooks are VS Code’s newest implementation of notebooks and the Python Extension is leveraging the Native Notebooks API to revamp the data science experience! Users can now benefit from the new functionalities below: The same extensions that users rely on when editing source code or mar

CB Insightsの分析によると、アップルは2010年から2019年の間に、大手テック企業の中で最も多くのAI企業を買収したという。 これらの買収の多くは、アップルのフラッグシップ製品であるiPhoneに新機能を追加するためのものだ。 しかし、それはまた、アップルのデジタルプロダクトへの移行を後押しするものかもしれない。iPhoneの売り上げが減少していることから、Apple PayやApple Musicなどの製品からの収入が同社の将来を担う可能性がある。 アップルは、サービス分野への取り組みで、いくつかの失敗に直面している。同社は現在、ヨーロッパと北米で独占禁止法違反の調査を受けているが、これはApp Storeでの取引であまりにも大きなマージンを取っているというアプリメーカーからの苦情に端を発したものだ。 PCMag.comのジェイソン・コーエン（Jason Cohen）が最初に

出願数増加の要因は深層学習　特許庁が「AI関連特許出願件数」の調査結果を発表：AI関連でいえば半数以上が深層学習に関する特許 特許庁は、AI関連特許出願件数の調査結果を発表した。2018年のAI関連特許出願件数は4728件。AI関連出願が増加している最大の要因は深層学習で、2018年にはAI関連出願のうち機械学習関連が85％を占めた。 特許庁は2020年7月27日、AI（人工知能）に関連する国内外での特許出願件数の調査結果を更新した。2020年4月までに新たに公開された出願データを反映させた。 2014年以降急増するAI関連特許 国内のAI関連特許出願件数は、2013年までは毎年1000件前後で推移していたが、2014年以降に急増し、2017年は3065件、2018年は4728件に上る。その間、国内全体の特許出願件数は毎年微減で推移しているので、特許出願件数の変化率はAI関連だけが突出して

〜機械学習による違反商品検知〜 株式会社メルカリ（以下、メルカリ）は、当社のAIエンジニアによる論文「Auto Content Moderation in C2C e-Commerce」（邦題：CtoCマーケットプレイスにおける機械学習による違反商品検知）が、2020年7月から8月にかけて開催される国際会議「2020 USENIX Conference on Operational Machine Learning (OpML’20)」にて採択されたことをお知らせいたします。 OpMLを主催するUSENIX協会は、約45年の歴史と権威がある団体で、いくつかの研究会から構成されています。OpMLは2019年より開催されている研究会で、機械学習を実世界で運用する際の課題と解決策がテーマになっています。近年、機械学習が研究領域分野だけでなく、さまざまな商用サービスで実運用されているなかで注目分野

by David Berg, Ravi Kiran Chirravuri, Romain Cledat, Jason Ge, Savin Goyal, Ferras Hamad, Ville Tuulos tl;dr Today, we are releasing a new job scheduler integration with AWS Step Functions. This integration allows the users of Metaflow to schedule their production workflows using a highly available, scalable, maintenance-free service, without any changes in their existing Metaflow code. The idea o

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

RPA（ロボティック・プロセス・オートメーション）ソフトウェアを手掛けるUiPath（東京都千代田区）は7月29日、既存のRPAソフトにAIモデルを組み合わせられるプラットフォーム「AI Fabric」を発表した。AIの中身を知らなくても、現場の作業者がAIを使って業務を効率化できるようになるという。 同社のRPAエディタ「Studio」にAIモデルを組み込むための運用・管理プラットフォーム。例えば、Pythonで開発したイヌとネコの画像を分類するプログラムをAI Fabricに登録し、指定フォルダ内にあるイヌの画像は「イヌ」フォルダに、ネコの画像は「ネコ」フォルダに分けるようにStudio上で指定し実行すると、自動で分類とフォルダ分けが行われる。 ユーザーが作成したAIモデルの他、UiPathが提供するAIモデルやオープンソースのAIモデル、パートナー企業が開発したカスタムAIモデルなど

この前の日経の記事でプリファードの西川CEOが「AIブームはもう終わる」と発言していたのが、とても象徴的なできごとだと感じた。AIブームが終わるというのは、誰もが分かっていて、話題にも良くなっていたが、AIに直接関わっている当事者としては、言い出しにくい雰囲気があった。

人工知能（AI）開発のプリファード・ネットワークス（東京・千代田）は2020年に入り、ゲームや教育など新事業への参入を決めた。ユニコーン（企業価値10億ドルを超える未上場企業）であり、スパコンの世界ランキングで首位になるなど高い技術力を持ちながら経営の実態が見えにくかった。西川徹代表兼最高経営責任者（CEO）に事業戦略を聞いた。「推定企業価値が高いだけの謎の会社で終わる危機感がある」プリファ

@kazunori_279 上田先生の書籍は既に購入していたのですが、動画解説もあるとは素晴らしい！有益な情報、ありがとうございます！夏休みの宿題にします！！！

詳解確率ロボティクス（ https://www.kspub.co.jp/book/detail/5170069.html ）の内容の解説

Sebastian Thrunらの名著『確率ロボティクス』の翻訳者であり、同分野の第一人者が書き下ろす至極の入門書！　まさにバイブル！　理論→実装という一貫した流れで、丁寧に解説。Jupyter Notebookですぐに実践できる！ 第Ⅰ部　 準備 第1章 はじめに 1.1 「分からない」を扱う 1.2 確率ロボティクスの歴史 1.3 本書について 章末問題 第2章 確率統計の基礎 2.1 センサデータの収集とJupyter Notebook 上での準備 2.2 度数分布と確率分布 2.3 確率モデル 2.4 複雑な分布 2.5 多次元のガウス分布 2.6 まとめ 章末問題 第3章 自律ロボットのモデル化 3.1 想定するロボット 3.2 ロボットの動き 3.3 ロボットの観測 3.4 コードの保存と再利用 3.5 まとめ 章末問題 第4章 不確かさのモデル化 4.1 ノートブックの準備