HomeGet the latest AI news, courses, events, and insights from Andrew Ng and other AI leaders.
Deep Learningã«ã‚ˆã‚‹æ ªä¾¡å¤‰å‹•ã®äºˆæƒ³ - GMOインターãƒãƒƒãƒˆã‚°ãƒ«ãƒ¼ãƒ— ã‚°ãƒ«ãƒ¼ãƒ—ç ”ç©¶é–‹ç™ºæœ¬éƒ¨
æ¬¡ä¸–ä»£ã‚·ã‚¹ãƒ†ãƒ ç ”ç©¶å®¤ã®JK（男）ã§ã™ã€‚åˆãƒ–ãƒã‚°ã§ã™ã€‚ よã‚ã—ããŠé¡˜ã„ã—ã¾ã™ã€‚ 今回ã¯ãƒ‡ã‚£ãƒ¼ãƒ—ラーニングã®ä¸ã§ã‚‚ã€æ™‚系列解æžã«å¼·ã„LSTM（Long short-term memory）を紹介ã—ã¾ã™ã€‚時系列解æžã®ã²ã¨ã¤ã®ã‚¿ãƒ¼ã‚²ãƒƒãƒˆãŒé‡‘èžå•†å“ã®ä¾¡æ ¼äºˆæƒ³ã§ã™ã€‚最近ã€è‹±å›½ã®EU離脱ã§å¸‚å ´ãŒå¤§è’ã‚Œã§ã™ãŒã€ãã†ã„ã†å¸‚å ´ã®è’れ具åˆã‚’予想ã§ããŸã‚‰è‰²ã€…ã¨å¬‰ã—ã„ã§ã™ã‚ˆã。ãã‚“ãªäºˆæƒ³ã‚’ディープラーニングã§ã‚„ã£ã¦ã¿ãŸã€ã¨ã„ã†ã®ãŒä»Šå›žã®ä¸»æ—¨ã§ã™ã€‚ ã“ã®è¨˜äº‹ã¯ã€å‚考文献[1]ã®è«–文をå‚考ã«ã—ã¾ã—ãŸã€‚今回ã®è¨˜äº‹ã«èˆˆå‘³ã‚’æŒã£ãŸã‚‰ã€ãœã²èªã‚“ã§ã¿ã¦ãã ã•ã„。 1. LSTM LSTMã¯ã€RNN (Recurrent Neural Network)ã®æ”¹è‰¯ç‰ˆã§ã™ã€‚ ãã“ã§ã€ã¾ãšRNNã«ã¤ã„ã¦è§£èª¬ã—ã¾ã™ã€‚ RNNã¯ãƒ‡ã‚£ãƒ¼ãƒ—ラーニングã®ä¸€ç¨®ã§ã™ãŒã€æ™®é€šã®ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆã¨é•ã„ã€ç¾åœ¨ã®å…¥åŠ›å€¤ã«åŠ ãˆã¦è‡ªèº«ã®å‰ã®çŠ¶æ…‹ã‚’入力ã—ã¦ã„ã¾ã™ã€‚詳ã—
ディープラーニングã§FXシステムトレード - Qiita
FXシストレプãƒã‚°ãƒ©ãƒ ã®ãƒ‡ã‚£ãƒ¼ãƒ—ラーニング版を作ã‚ã†ã¨ã—ã¦ã€ å¶ç„¶ã§æœ€å¼·ã®ã‚¢ãƒ«ã‚´ãŒèª•ç”Ÿã—ãŸï¼ˆæ©Ÿæ¢°å¦ç¿’ã§FXシステムトレード） - Ryoã®é–‹ç™ºæ—¥è¨˜ ã«ã€ [TensorFlowã§æ ªä¾¡äºˆæƒ³] 0 - Google ã®ã‚µãƒ³ãƒ—ルコードを動ã‹ã—ã¦ã¿ã‚‹ - Qiita ã®TensorFlowコードを移æ¤ã—よã†ã¨ã—ãŸã‘ã©ã€çµæ§‹é¢å€’ã§æŒ«æŠ˜ã—ãŸã®ã§ã€å‰ã«æ›¸ã„㟠簡å˜ãªãƒ‡ã‚£ãƒ¼ãƒ—ラーニングã®ã‚µãƒ³ãƒ—ルコード (2入力1出力/2クラス分類) with Keras (Chainerã¯æŒ«æŠ˜) - Ryoã®é–‹ç™ºæ—¥è¨˜ ã®Kerasã«ã‚ˆã‚‹DNNã®ã‚³ãƒ¼ãƒ‰ã‚’Googleã®ã‚„ã¤ã«åˆã‚ã›ã¦ç§»æ¤ã—ã¦ã¿ãŸã€‚ 3000 epoch回ã—ãŸæ„Ÿã˜ã ã¨ã€æœ€çµ‚çš„ã«è¿‘ã„åŽç›ŠãŒå¾—られãŸãŒã€å®‰å®šã—ã¦ä¸ŠãŒã£ã¦ã„ã‚‹æ„Ÿã˜ã«ã¯ãªã‚‰ãªã‹ã£ãŸï¼ˆï¼é ‘強性ãŒä½Žã„。最後ã®æ•°ã‹æœˆã§ã©ã‹ã£ã¨ä¸ŠãŒã£ã¦ã„る）。 ã®ã§ã€30000 epoch回ã—ãŸçµæžœã‚’見ã¦ã¿ã‚‹ã€‚ å¦ç¿’時間ã¯10
VGG16ã®Fine-tuningã«ã‚ˆã‚‹çŠ¬çŒ«èªè˜ (1) - 人工知能ã«é–¢ã™ã‚‹æ–創録
VGG16ã¯ILSVRCã®ã‚³ãƒ³ãƒšç”¨ã«å¦ç¿’ã•ã‚ŒãŸãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆãªã®ã§ImageNetã®1000クラスをèªè˜ã§ãる。ã—ã‹ã—ã€å‰ã®è¨˜äº‹ï¼ˆ2017/1/4）ã§å®Ÿé¨“ã—ãŸã‚ˆã†ã«ã€Œã²ã¾ã‚ã‚Šã€ã®ã‚ˆã†ãªImageNetã«å˜åœ¨ã—ãªã„クラスã¯ãã®ã¾ã¾ã§ã¯èªè˜ã§ããªã„。 ã“ã®å•é¡Œã‚’解決ã™ã‚‹ãŸã‚VGG16ã®é«˜ã„èªè˜èƒ½åŠ›ã‚’継承ã—ã¤ã¤ã€æ–°ã—ã„独自ã®ã‚¯ãƒ©ã‚¹ï¼ˆä»Šå›žã¯çŠ¬ã‹çŒ«ã‹ã®2クラス）をèªè˜ã§ãるよã†ã«å°‘é‡ã®ãƒ‡ãƒ¼ã‚¿ã§ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆã®é‡ã¿ã‚’å†èª¿æ•´ã™ã‚‹ã“ã¨ã‚’Fine-tuningã¨ã„ã†*1。「少é‡ã®ãƒ‡ãƒ¼ã‚¿ã§ã€ã¨ã„ã†ã¨ã“ã‚ãŒã™ã”ãé‡è¦ã€‚ã‚‚ã—大é‡ãƒ‡ãƒ¼ã‚¿ã§ãªã„ã¨ãƒ€ãƒ¡ã ã£ãŸã‚‰AWSã®åˆ©ç”¨æ–™ã§ç ´ç”£ã™ã‚‹ã®ã§ã“ã®è¨˜äº‹ã¯æ›¸ã‘ãªã„(^^;; 今回ã¯ã€Keras Blogã® - Building powerful image classification models using very little dat ã‚’å‚考ã«çŠ¬ã¨çŒ«ã®2クラスèªè˜ã‚’
ã€ã‹ã‚“ãŸã‚“解説付ã】深層ボルツマンマシンをPythonã§ã‚¹ã‚¯ãƒ©ãƒƒãƒå®Ÿè£…ã™ã‚‹â‘ - Qiita
ã“ã®è¨˜äº‹ã¯ Wacul Advent Calendar 18日目ã®è¨˜äº‹ã§ã™ã€‚ 自己紹介 æ ªå¼ä¼šç¤¾WACULã®è§£æžãƒãƒ¼ãƒ ã§ï¼‘å¹´å‰ã‹ã‚‰åƒã„ã¦ã„ã¾ã™ã€‚ pythonæ´ï¼š3週間ãらㄠやるã“㨠pythonã®ç·´ç¿’　&　確率的ãªãƒ‡ã‚£ãƒ¼ãƒ—ラーニングã®å‹‰å¼·ç›®çš„メインã§ã€æ·±å±¤ãƒœãƒ«ãƒ„マンマシンをスクラッãƒå®Ÿè£…ã—ã¦ã¿ã¾ã™ã€‚ç†è«–é¢ã¯å…¨ã¦ä»¥ä¸‹ã®æœ¬ã®ä¸ã«ã‚る内容ã§ã™ã€‚ 『深層å¦ç¿’ (機械å¦ç¿’プãƒãƒ•ã‚§ãƒƒã‚·ãƒ§ãƒŠãƒ«ã‚·ãƒªãƒ¼ã‚º)〠岡谷 貴之 (è‘—) 『深層å¦ç¿’ Deep Learningã€(監修:人工知能å¦ä¼š) 本記事ã§ã¯ã¾ãšæº–å‚™ã¨ã—ã¦åˆ¶é™ãƒœãƒ«ãƒ„マンマシンを実装ã—ã¾ã™ã€‚次回ã€åˆ¶é™ãƒœãƒ«ãƒ„マンマシンをç©ã¿ä¸Šã’ã¦æ·±å±¤ãƒœãƒ«ãƒ„マンマシンを構築ã—ã¾ã™ã€‚ ボルツマンマシンã®ç°¡å˜ãªèª¬æ˜Ž 確率分布ã¯ã€ç«¯çš„ã«ã¯ã€Œå€¤ã®é›†åˆã«å¯¾ã—ã¦ã€ãã‚ŒãŒå¾—られる確率密度(確率質é‡)を対応ã•ã›ã‚‹é–¢æ•°ã€ãªã®ã§ã€å…¨ä½“ã¨ã—ã¦ã¯ã€Œå€¤ã®é›†åˆã‚’生æˆã™ã‚‹èƒŒå¾Œã®ãƒ¡ã‚«ãƒ‹ã‚ºãƒ ã€ã¨ã—
制é™ä»˜ãボルツマンマシンã®åˆå¿ƒè€…å‘ã‘ガイド | POSTD
目次 定義ã¨æ§‹é€ 復元 確率分布 コードサンプル：Deeplearning4jを使ã£ãŸIrisã§åˆ¶é™ä»˜ãボルツマンマシンを起動ã™ã‚‹ パラメータåŠã³kã«ã¤ã„㦠連続的ãªRBM çµè«–åŠã³æ¬¡ã®ã‚¹ãƒ†ãƒƒãƒ— 定義ã¨æ§‹é€ Geoff Hintonã«ã‚ˆã£ã¦é–‹ç™ºã•ã‚ŒãŸåˆ¶é™ä»˜ãボルツマンマシン（RBM）ã¯ã€æ¬¡å…ƒå‰Šæ¸›ã€åˆ†é¡žã€ 回帰 ã€å”調フィルタリングã€ç‰¹å¾´å¦ç¿’ã€ãƒˆãƒ”ックモデルãªã©ã«å½¹ç«‹ã¡ã¾ã™ã€‚（RBMãªã©ã® ニューラルãƒãƒƒãƒˆãƒ¯ãƒ¼ã‚¯ ãŒã©ã®ã‚ˆã†ã«ä½¿ã‚れるã‹ã€ã•ã‚‰ã«å…·ä½“çš„ãªä¾‹ã‚’知りãŸã„方㯠ユースケース ã®ãƒšãƒ¼ã‚¸ã‚’ã”覧ãã ã•ã„。） 制é™ä»˜ãボルツマンマシンã¯æ¯”較的シンプルãªã®ã§ã€ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆãƒ¯ãƒ¼ã‚¯ã‚’å¦ã¶ãªã‚‰ã¾ãšã“ã“ã‹ã‚‰å–り組むã®ãŒã‚ˆã„ã§ã—ょã†ã€‚以下ã®æ®µè½ã§ã¯ã€å›³ã¨ç°¡å˜ãªæ–‡ç« ã§ã€åˆ¶é™ä»˜ãボルツマンマシンãŒã©ã®ã‚ˆã†ã«æ©Ÿèƒ½ã™ã‚‹ã®ã‹ã‚’解説ã—ã¦ã„ãã¾ã™ã€‚ RBMã¨ã¯æµ…ã„2層ã®ãƒ‹ãƒ¥ãƒ¼ãƒ©ãƒ«ãƒãƒƒãƒˆã§ã‚ã‚Šã€ãƒ‡ã‚£ãƒ¼ãƒ—ビリーフãƒãƒƒ
Modeling and generating sequences of polyphonic music with the RNN-RBM — DeepLearning 0.1 documentation
Modeling and generating sequences of polyphonic music with the RNN-RBM¶ Note This tutorial demonstrates a basic implementation of the RNN-RBM as described in [BoulangerLewandowski12] (pdf). We assume the reader is familiar with recurrent neural networks using the scan op and restricted Boltzmann machines (RBM). Note The code for this section is available for download here: rnnrbm.py. You will need
TensorFlow (ディープラーニング)ã§ç‚ºæ›¿(FX)ã®äºˆæ¸¬ã‚’ã—ã¦ã¿ã‚‹ - Qiita
今回ã¯ä»¥ä¸‹ã®è«–文をå‚考ã«ã€éŽåŽ»ã®å€¤å‹•ãã®å¤‰å‹•é‡ã‚’å¦ç¿’ã•ã›ã¦ã¿ã¾ã™ã€‚ 終値ã®å¤‰å‹•å€¤ã‚’特徴é‡ã¨ã—ã¦ã€æ¬¡ã«ä¸ŠãŒã‚‹ã‹ or 下ãŒã‚‹ã‹ã‚’予測ã™ã‚‹2クラスå•é¡Œã§ã™ã€‚ Artificial neural networks approach to the forecast of stock market price movements (精度ãŒå¹³å‡8割もã‚ã‚‹ã‘ã©â€¦ãƒ›ãƒ³ãƒˆã‹ãªã） ヒストリカルデータã®å–å¾— フリーã§ãƒ‡ãƒ¼ã‚¿ã‚’ダウンãƒãƒ¼ãƒ‰ã§ãã‚‹ã¨ã“ã‚ã¯ãŸãã•ã‚“ã‚ã‚Šã¾ã™ãŒã€ç´°ã‹ã„時間å˜ä½ï¼ˆï¼•åˆ†è¶³ã¨ã‹ï¼‘分足）ã«ãªã‚‹ã¨æ•°ãŒé™ã‚‰ã‚Œã¾ã™ã€‚有åã©ã“ã‚ã 㨠FXDD OANDA (API) Dukascopy ã“ã®è¾ºã‚Šã§ã—ょã†ã‹ã€‚ãŸã 注æ„ã—ãªã‘ã‚Œã°ãªã‚‰ãªã„ã®ã¯ã€ã©ã“ã§ãƒ€ã‚¦ãƒ³ãƒãƒ¼ãƒ‰ã—ã¦ã‚‚åŒã˜ãƒ‡ãƒ¼ã‚¿ã§ã‚ã‚‹ã¨ã¯é™ã‚‰ãªã„点ã§ã™ã€‚ ãªâ€¦ 何を言ã£ã¦ã„ã‚‹ã®ã‹ ã‚ã‹ã‚‰ãーã¨æ€ã†ãŒã€ä¿ºã‚‚何をã•ã‚ŒãŸã®ã‹ã‚ã‹ã‚‰ãªã‹ã£ãŸâ€¦â€¦â€¦ æã‚ã—ã„ã‚‚ã®ã®ç‰‡é±—
1
ランã‚ング
ランã‚ング
ランã‚ング
リリースã€éšœå®³æƒ…å ±ãªã©ã®ã‚µãƒ¼ãƒ“スã®ãŠçŸ¥ã‚‰ã›
最新ã®äººæ°—エントリーã®é…ä¿¡
j次ã®ãƒ–ックマーク
kå‰ã®ãƒ–ックマーク
lã‚ã¨ã§èªã‚€
eコメント一覧を開ã
oページを開ã
ゼãƒã‹ã‚‰ä½œã‚‹ãƒ†ã‚™ã‚£ãƒ¼ãƒ•ã‚šãƒ©ãƒ¼ãƒ‹ãƒ³ã‚¯ã‚™ MNIST(手書ãæ•°å—)ã®èªè˜ã‚’試ã—ã¦ã¿ã‚‹
{{#tags}}- {{label}}
{{/tags}}