YouTubeで学ぶコンピュータ・サイエンス。これを完了したら実質学位を取ったようなもん。という話だが、すごいなこれ・・・。全部無料でここまでの・・・。 https://t.co/xNHNvBM5Aa

サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。

Facebookが開発したfastTextを利用して自然言語(Wikipediaの日本語全記事)の機械学習モデルを生成するまでの手順を解説。また生成した学習モデルを使って類語抽出や単語ベクトルの足し算引き算等の演算テストを行う方法までコード付きで紹介します。 Pythonこの記事は約 分で読めます。（文字） fastTextで日本語を機械学習させる手順Facebook発表の『fastText』利用して日本語の機械学習モデルを生成する手順を解説していきます。 Wikipediaの全記事のダンプデータ取得学習本の文章にはWikipediaを利用します。下記URLから、最新のWikipedia全記事ダンプデータをダウンロードしましょう。取得データはXML形式の圧縮ファイルになっています。 Index of /jawiki/latest/任意のディレクトリに保存してください。 Wikipediaの

筑波大HCOMP研究室の勉強会資料です． 内容はベイズ深層学習(著　須山敦志）の3.3から3.4節です． 日本一（誇張）ベイズ線形回帰の計算を丁寧に書いたつもりです． 本に誤記の"可能性"があります．（自分の計算が間違っている可能性もある.) 違うとかあれば連絡ください．

東大が無償でPDF公開している，統計学会の75周年記念出版『21世紀の統計科学』の3冊 1と2は実際の統計データを用いて，各事例への統計学の応用手法，3は機械学習の人なら馴染み深い統計計算を解説 下手な市販の本を買うよりは，この3… https://t.co/w2cSVIxmUI

はじめに 学習済みBERTを試しに触ってみたいんだけど、日本語使えるBERTの環境整えるの面倒！っていう人向けに、お試しでBERTを使える Docker Image 作ってみました。 BERT はTransformers(旧pytorch-transformers、旧pytorch-pretrained-bert) を使用。 黒橋・河原研究室のWEBサイトに掲載されている、日本語pretrainedモデルのWhole Word Masking版を使ってます。 Transformers — transformers 2.2.0 documentation BERT日本語Pretrainedモデル - KUROHASHI-KAWAHARA LAB Docker Image ここに置いてあります。 https://hub.docker.com/r/ishizakiyuko/japanese_be

自動運転ロボットカー｢DeepRacer｣の実物。2019年に国内で開催されたAWS Summitで撮影。 撮影：伊藤有 アマゾン ウェブ サービス（AWS）が主催する自動運転ロボットカー競技｢DeepRacerリーグ｣の世界大会にあたるファイナルイベントで、日本人が1位・2位をとった。 優勝したSolaさんこと瀧下初香さん、2位のFumiakiさんこと大野史暁さんは、どちらも、大日本印刷の子会社でシステムインテグレーション企業のDNPデジタルソリューションズに所属している。 DeepRacer世界大会で1・2フィニッシュを決めた、DNPデジタルソリューションズ・チーム。中央が、優勝したSolaさんこと瀧下初香さん、左が2位のFumiakiさんこと大野史暁さん。右は、同社の福田祐一郎社長。 撮影：西田宗千佳

ここ1〜2年くらいで、業務やプライベートのデータ分析・データサイエンスで参考にした本（と一部本じゃないもの）をまとめてみました（注：もちろん全部読んでいます）.*1. なお, あくまでワタシ個人（@shinyorke）の見解に基づいた独自解釈であり、所属組織・チームの意向とは関係ありません（とだけ最初に断っておきます）. サクッとまとめると 「レベル感（はじめて・経験者）」だけででなく,「エンジニア面を鍛える or 理論を固める」の軸で考えると良い書籍・学び方に出会える確率上がる エンジニアでも理論でもどっちから初めても良い, がどちらかが得意な方が絶対幸せ（≒片方だけじゃお話にならない可能性） 個人的なオススメは「機械学習図鑑」「前処理大全」「機械学習のための特徴量エンジニアリング」そして「試して学ぶ機械学習」です. おしながき サクッとまとめると おしながき 対象読者&執筆者について

こんにちは、AppBrewでアルバイトをしている@Leoです。 自然言語処理の研究室に最近入った大学生で、趣味はKaggleと競技プログラミングです。 AppBrewでは、LIPSの投稿を使ったデータ分析をしています。 今日の記事では、弊社のアプリLIPSにて投稿ジャンルを機械学習を使って自動推定した方法を紹介します。 自然言語処理・確率関係全然わからない！という人でも読みやすい内容になっていると思うので、最後まで読んでいただけると幸いです！ LIPSにおけるジャンル 教師データの作成 ナイーブベイズ 単語分割 モデルの実装 分類結果 おわりに LIPSにおけるジャンル 最近、LIPSにジャンル機能が追加されました。 これは投稿されたクチコミにジャンルを設定できる機能です。 適切にジャンルを設定すると、投稿を検索するときにジャンルを使って絞り込めるなどの利点があります。 ジャンルは7種類（

ドラッグ＆ドロップで超簡単にオリジナルの機械学習モデルがつくれてしまうCreate MLが大幅パワーアップしました。 新機能が増えたのと、使い方が若干変わった（より簡単になった）部分があるので、最新版として本記事をお送りします。 なお、NDAに配慮してスクリーンショットはAppleの公開資料および現行バージョンのもので代用することにします。 developer.apple.com developer.apple.com Create MLの起動方法 これまではCreate MLはまだ独立したアプリとして提供されておらず、Playgroundにコードを書いて実行してアプリケーションのUIにアクセスしていました。 しかしmacOS 10.15 Catalina / Xcode 11で提供される最新バージョンでは、独立したアプリ（Create ML.app）として提供されるようになりました。 X

New ML Kit features easily bring Machine Learning to your apps Share Facebook Twitter LinkedIn Mail Posted by Brahim Elbouchikhi, Director of Product Management and Matej Pfajfar, Engineering Director We launched ML Kit at I/O last year with the mission to simplify Machine Learning for everyone. We couldn’t be happier about the experiences that ML Kit has enabled thousands of developers to create.

By Pythonistas at Netflix, coordinated by Amjith Ramanujam and edited by Ellen Livengood As many of us prepare to go to PyCon, we wanted to share a sampling of how Python is used at Netflix. We use Python through the full content lifecycle, from deciding which content to fund all the way to operating the CDN that serves the final video to 148 million members. We use and contribute to many open-sou

＊「機械学習による不適切コンテンツ検出」の実装と成果 https://medium.com/mixi-developers/mixi-20190110-d1cde81cf37c ＊【開催報告】第4回 Amazon SageMaker 事例祭り https://aws.amazon.com/jp/blogs/news/amazon-sagemaker-fes-4/ SNS mixi というプロダクトで、「不適切コンテンツ検出」タスクを Amazon SageMaker, ECS 等の AWS サービス群によって機械化し、安定運用しています。 機械化にいたった経緯と成果、アーキテクチャと運用上のポイントについてお話しさせていただきます。 １．事業紹介 ２．「健全性維持」という課題と対策 ３．アーキテクチャ解説 ⅰ．カスタムアルゴリズム ⅱ．中間生成物の管理 ⅲ．定期実行タスク ４．まとめ 株式

はじめに 数年ほど前から、「機械学習」や「Deep Learning(深層学習)」という言葉をよく聞きます。 どうやらこれを使えば売上予測ができたり画像の識別ができたり自動運転の車が実現できたりする、 すごい技術といわれています。 たしかにすごそうな技術だということはわかるのですが、「機械学習や深層学習をやってみよう！」 と思い立って、適当にググってTensorFlowとかをはじめようとすると、 いきなり壁にぶち当たるのではないでしょうか。（自分は当たった） 「機械学習でコンピュータが、猫がどういうものであるか人間に教えられること無く理解したんです！」 とかいわれても、いまいちピンときません。 機械学習は最近注目されていますが、1951年に最初のニューラルネットワーク(後述)が作成されたそうで、 それなりに歴史のある技術のようです。 やはりここは機械学習とかその周りの技術や用語についてゼロ

(Image by Pixabay) この記事は以前の書籍リスト記事のアップデートです。 機械学習エンジニアやデータサイエンティストとして（もしくはそうではない職名であったとしても）機械学習システム開発や統計分析を仕事にしたい人なら、最低限これだけは読んでおいて損はないだろうという書籍を初級向け5冊、中級向け10冊選定しています。ただし、以前とは若干異なり「仕事にする」イコール「プロフェッショナルを目指す」ということで、特に初級向けリストを若干レベルアップさせています。中には初学者でも結構読みこなすのが難しい本だけになっているかもしれませんが、中級向けリストに進む上でどうしてもこれだけは読破して欲しいという願望も込めました、ということで。 完全にお馴染みのネタなので特に説明することはないかと思いますが、言うまでもなく以下のリストは完全なる僕個人の独断と偏見で、最近出版されたり自分で読んだ本

機械学習チームの林田(@chie8842)です。好きなスポーツはテニスとスノボです。 システムは、その当時の最新の技術で作ったとしても必ずレガシー化します。 機械学習システムも他システムと同様、一度デプロイしたら終わりではなく、継続的なメンテナンスが必要です。昨今機械学習は、特に技術の進歩が目覚ましいため、レガシー化するのも早い分野といえます。本稿ではレガシー化した機械学習アプリケーションのメンテナンスと、それに伴うGPU環境からCPU環境への移行によって、大幅にシステムの運用コストを削減した例をご紹介します。 機械学習アプリケーションにおけるコスト課題 クックパッドにおける最初の大きな機械学習プロジェクトである料理きろくがリリースされたのは、2年前のことです。それ以来、様々な機械学習アプリケーションがデプロイされ、現在では大小含めて30を超える機械学習アプリケーションが運用されています。

機械学習のエッセンス -実装しながら学ぶPython,数学,アルゴリズム- (Machine Learning) 作者: 加藤公一出版社/メーカー: SBクリエイティブ発売日: 2018/09/21メディア: 単行本この商品を含むブログを見る発売されてからだいぶ経ちますが、構想段階の頃より著者の「はむかず」さんこと加藤公一さんからお話を伺っていて注目していたこちらの一冊をようやく一通り読みましたので、サクッと書評めいた何かを書いてみようかと思います。 各章の概要 言うまでもなく実際の内容は皆様ご自身でお読みいただきたいのですが、これまでの書評記事同様に概要を簡単にまとめておきます。 第01章　学習を始める前に Python環境やAnacondaのインストールについての説明もなされているんですが、重要なのは後述する「本書は何を含まないか」という節。ここに本書の狙いの全てが書かれていると言って

ディープラーニングの欠点をカバー、多変量データを短時間観測して将来動向を高精度予測――東京大学の研究グループが新理論を構築：短時間多変数の結果を長時間小変数に変換 ディープラーニングでは大量の教師データを集めることが前提となる。だが長期間にわたって時系列データを集めることは難しい。東京大学生産技術研究所の合原一幸教授らの研究グループは、多変数からなる過去の動向を短時間観測したデータを使って、この前提を崩す研究成果を発表した。遺伝子発現量や風速、心臓疾患患者数などの実際の時間データに対して予測を行い、有効性を確認したという。 東京大学生産技術研究所の教授である合原一幸氏らの研究グループは、多変数からなる過去の動向を短時間だけ観測したデータから、ターゲット変数の将来の動向を高精度に予測する新しい数学的基礎理論を構築した。 一般に、生体や経済、電力網のような複雑系では、多数の変数が複雑なネットワ

こんにちは。夏休みの最終日に宿題をやる派のひろゆきです。 ネットで暇つぶしにニュースサイトを見てる人も多いと思うんですが、「新しい知識を得る」ってエンタメなんですよね。 ってことで、ネットには無料でいろいろ覚えられるサイトがあったりするんですが、マサチューセッツ工科大学とか、ハーバード大学とかがやってるedXの機械学習のコースとか試してみたんですが、20分ぐらいで飽きちゃったりして、宝箱を開けたりとか別の事はじめちゃうんですよね。 Machine Learning https://www.edx.org/course/machine-learning-columbiax-csmm-102x-4 んで、スタンフォード大学やコロンビア大学が授業を公開してたりするCourseraに、Googleが提供してる機械学習のコースがあるのですね。 ちなみに、二日前から東京大学もコースを提供しはじめてます