Enviar pesquisa
Carregar
みんなでDeep Learningを理解しよう!
•
0 gostou
•
1,002 visualizações
ai-girls
Seguir
AI×Analytics×女子部 セッション#2
Leia menos
Leia mais
Dados e análise
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 29
Baixar agora
Baixar para ler offline
Recomendados
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~ (映像情報メディア学会2021年冬季大会企画セッション 発表資料) 2021年12月16日 NTTデータ 山口 永
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
https://www.youtube.com/watch?v=krnaOxKRhoQ&feature=youtu.be Machine learning system in Python. https://github.com/mercari/ml-system-design-pattern
Ml system in_python
Ml system in_python
yusuke shibui
2021/7/6に実施されたTier4 MoT Meetupの登壇資料です
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~ (NTTデータ テクノロジーカンファレンス 2020 発表資料) 2020年10月14日(水) NTTデータ 技術開発本部 部長 武田 光平 講演動画は、YouTubeチャンネル「NTT DATA Tech」にて公開中! https://www.youtube.com/watch?v=bUk8WaThGMU
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
社内勉強会でAndrew Ng先生が提唱するData-Centric AIについて紹介した際の資料です。
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
第55回 コンピュータビジョン勉強会@関東発表資料
Probabilistic face embeddings
Probabilistic face embeddings
Kazuki Maeno
尾形哲也氏による講演 https://wba-initiative.org/20980/
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
The Whole Brain Architecture Initiative
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
Recomendados
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~ (映像情報メディア学会2021年冬季大会企画セッション 発表資料) 2021年12月16日 NTTデータ 山口 永
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
MLOps に基づく AI/ML 実運用最前線 ~画像、動画データにおける MLOps 事例のご紹介~(映像情報メディア学会2021年冬季大会企画セッショ...
NTT DATA Technology & Innovation
https://www.youtube.com/watch?v=krnaOxKRhoQ&feature=youtu.be Machine learning system in Python. https://github.com/mercari/ml-system-design-pattern
Ml system in_python
Ml system in_python
yusuke shibui
2021/7/6に実施されたTier4 MoT Meetupの登壇資料です
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
Takashi Suzuki
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~ (NTTデータ テクノロジーカンファレンス 2020 発表資料) 2020年10月14日(水) NTTデータ 技術開発本部 部長 武田 光平 講演動画は、YouTubeチャンネル「NTT DATA Tech」にて公開中! https://www.youtube.com/watch?v=bUk8WaThGMU
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
信頼できるAIシステム開発の勘どころ ~AI開発方法論×AI品質保証~(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
社内勉強会でAndrew Ng先生が提唱するData-Centric AIについて紹介した際の資料です。
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
第55回 コンピュータビジョン勉強会@関東発表資料
Probabilistic face embeddings
Probabilistic face embeddings
Kazuki Maeno
尾形哲也氏による講演 https://wba-initiative.org/20980/
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
The Whole Brain Architecture Initiative
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
CVPR2021勉強会での発表資料です。 ミスがあったため、発表時の資料から修正を加えています。
Cvpr 2021 manydepth
Cvpr 2021 manydepth
Kenta Tanaka
Twitter: ottamm_190 追記 2022/4/24 speakerdeck版:https://speakerdeck.com/masatoto/shen-ceng-xue-xi-falsebu-que-shi-xing-uncertainty-in-deep-neural-networks コンパクト版:https://speakerdeck.com/masatoto/shen-ceng-xue-xi-niokerubu-que-shi-xing-ru-men
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
ゲームの人工知能の中に潜む数学を順番に解説します。 (上)(下)編からなります。 (下) https://www.slideshare.net/youichiromiyake/ai-75435715 1. 迷路とデータ構造と数学 2. ダンジョン自動生成のアルゴリズム 3. ナビゲーションAIとグラフ上の数学 4. 位置解析システムとフィルタリング 5. 力学系と意識の理論 6. シミュレーションベースと動的計画法 7. 強化学習と格闘ゲーム 8. ユーティリティとキャラクターの生理と心理 9. 知能方程式とゲームAIの本質 10. 統計学習とユーザーの癖の抽出 11. ランクシステムと正規分布 12. 遺伝的アルゴリズムとキャラクターたちの進化 13. ニューラルネットワークとキャラクターの学習 14. ディープラーニングと囲碁AI 15. ニューロエボリューションとバトルロワイヤル 16. 影響マップと勢力図 17. プロシージャル技術とレベル自動生成 18. グラフィクス自動生成とフラクタル 19. 街自動生成とL-ツリー 20. Sporeとプロシージャル技術 21. EVE ONLINE と拡散律速凝集シミュレーション
ゲームAIの中の数学(上)
ゲームAIの中の数学(上)
Youichiro Miyake
第70回 Machine Learning 15minutes! Broadcastというイベントでお話する内容です。 ジョブレコメンデーション系の論文とか実務でやっていることを色々共有します。
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
最先端のアルゴリズムがgithubなどから手軽に入手できるようになったことで、ビジネスの現場では、アルゴリズムやモデルの改善より、 アノテーションデータの質や量を改善する方が実用化を目指す上でよりコストメリットのいいアプローチとなりつつあります。 本発表では、従来のモデル改善を中心としたMLOpsの考え方と異なり、データ(アノテーションデータ)改善を中心としたMLOpsの考え方をご紹介します。
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
2022.8.19の #robosemi での発表資料です. お気軽にご連絡ください 松尾研ロボットチームサイト:https://trail.t.u-tokyo.ac.jp/ja/ 松尾研サイト:https://weblab.t.u-tokyo.ac.jp/
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
Tatsuya Matsushima
This is a slide for Spark Meetup Tokyo #1 (Spark+AI Summit 2019)
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
MLOpsという言葉からは運用という印象を受けますが、MLOps製品の機能やMLOpsカンファレンスの発表内容をみると、印象とは異なります。本スライドではなぜMLOpsがバズワードなのか紹介します
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
Feature Pyramid Networks for Object Detection, CVPR'17の内容と見せかけて、Faster R-CNN, YOLO, SSD系の最近のSingle Shot系の物体検出のアーキテクチャのまとめです。
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ
Yusuke Uchida
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
cvpaper. challenge
2018年12月12日(日) 宇宙人クラブ・ミニセミナー @Wonder LAB Osaka
オントロジーとは?
オントロジーとは?
Kouji Kozaki
「ブレインパッドとエウレカが語る、データ分析と機械学習の活用」資料
機械学習システムを受託開発 する時に気をつけておきたい事
機械学習システムを受託開発 する時に気をつけておきたい事
BrainPad Inc.
MLflow概説
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
「MLOpsとはなにか?」という質問に対し、「データサイエンティストが、システム開発において、やらないことすべて」と定義した上で、MLOpsの説明、海外事例、「JapanTaxi」アプリでの事例を説明します
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
データから何を得るのか? その入門を Excel を題材に見ていきます。データの理解、相関関係、そして、シュミレーション。 勿論、ツールとしての良しあしもあるので、全てのシナリオやデータ量をExcelで出来るわけではありませんが。 PCにほぼ入っている Excel をちゃんと活用しませんか?
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
Daiyu Hatakeyama
機械学習の技術的基礎部分を中心にまとめています。実装をする際の各種ハイパーパラメータの概要は理解できる程度に。
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
Daiyu Hatakeyama
XAI技術の効能を ユーザ実験で評価した研究(一部)のまとめ
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
Satoshi Hara
機械学習の社会実装では、予測精度が高くても、機械学習がブラックボックであるために使うことができないということがよく起きます。 このスライドでは機械学習が不得意な予測結果の根拠を示すために考案されたLIMEの論文を解説します。 Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "" Why should i trust you?" Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016.
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
2019年10月25日、CTC Forum 2019@品川。楽天ではどのようにビッグデータの活用を行っているのか、データサイエンスおよびAIの視点でプレゼンテーションが行われた。登壇者:勝山 公雄(Senior Manager, Global Data Supervisory Department, Rakuten, Inc.)
楽天のデータサイエンス/AIによるビッグデータ活用
楽天のデータサイエンス/AIによるビッグデータ活用
Rakuten Group, Inc.
builderscon2017の発表資料です。 https://builderscon.io/tokyo/2017/session/182ba13a-ccd5-4ddd-9565-c4e20df1d871
Oss貢献超入門
Oss貢献超入門
Michihito Shigemura
機械学習が再度注目を集めている中、皆さんの生活や社会の中で活用され始めています。 ところが「AI」という言葉が先行している事もあり機械学習の実体の理解が浅いがために 誤解をした使い方なども見受けられています。 ここでは機械学習に興味のある方や機械学習のモデルの作成はした事があるものの 実業務や社会などに展開した事の無い方向けに機械学習とは何か? プログラミングと何が違うのか?そのモデル作成の手順などをご紹介します。
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
Daiyu Hatakeyama
5/27に行われたCDLE Lt甲子園予選会 2021 #1の発表資料です!
CDLE Lt甲子園予選会 2021 #1 0527 01(itok)
CDLE Lt甲子園予選会 2021 #1 0527 01(itok)
Naoya Tosaka
Mais conteúdo relacionado
Mais procurados
CVPR2021勉強会での発表資料です。 ミスがあったため、発表時の資料から修正を加えています。
Cvpr 2021 manydepth
Cvpr 2021 manydepth
Kenta Tanaka
Twitter: ottamm_190 追記 2022/4/24 speakerdeck版:https://speakerdeck.com/masatoto/shen-ceng-xue-xi-falsebu-que-shi-xing-uncertainty-in-deep-neural-networks コンパクト版:https://speakerdeck.com/masatoto/shen-ceng-xue-xi-niokerubu-que-shi-xing-ru-men
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
ゲームの人工知能の中に潜む数学を順番に解説します。 (上)(下)編からなります。 (下) https://www.slideshare.net/youichiromiyake/ai-75435715 1. 迷路とデータ構造と数学 2. ダンジョン自動生成のアルゴリズム 3. ナビゲーションAIとグラフ上の数学 4. 位置解析システムとフィルタリング 5. 力学系と意識の理論 6. シミュレーションベースと動的計画法 7. 強化学習と格闘ゲーム 8. ユーティリティとキャラクターの生理と心理 9. 知能方程式とゲームAIの本質 10. 統計学習とユーザーの癖の抽出 11. ランクシステムと正規分布 12. 遺伝的アルゴリズムとキャラクターたちの進化 13. ニューラルネットワークとキャラクターの学習 14. ディープラーニングと囲碁AI 15. ニューロエボリューションとバトルロワイヤル 16. 影響マップと勢力図 17. プロシージャル技術とレベル自動生成 18. グラフィクス自動生成とフラクタル 19. 街自動生成とL-ツリー 20. Sporeとプロシージャル技術 21. EVE ONLINE と拡散律速凝集シミュレーション
ゲームAIの中の数学(上)
ゲームAIの中の数学(上)
Youichiro Miyake
第70回 Machine Learning 15minutes! Broadcastというイベントでお話する内容です。 ジョブレコメンデーション系の論文とか実務でやっていることを色々共有します。
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
最先端のアルゴリズムがgithubなどから手軽に入手できるようになったことで、ビジネスの現場では、アルゴリズムやモデルの改善より、 アノテーションデータの質や量を改善する方が実用化を目指す上でよりコストメリットのいいアプローチとなりつつあります。 本発表では、従来のモデル改善を中心としたMLOpsの考え方と異なり、データ(アノテーションデータ)改善を中心としたMLOpsの考え方をご紹介します。
Data-centricなML開発
Data-centricなML開発
Takeshi Suzuki
2022.8.19の #robosemi での発表資料です. お気軽にご連絡ください 松尾研ロボットチームサイト:https://trail.t.u-tokyo.ac.jp/ja/ 松尾研サイト:https://weblab.t.u-tokyo.ac.jp/
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
Tatsuya Matsushima
This is a slide for Spark Meetup Tokyo #1 (Spark+AI Summit 2019)
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
MLOpsという言葉からは運用という印象を受けますが、MLOps製品の機能やMLOpsカンファレンスの発表内容をみると、印象とは異なります。本スライドではなぜMLOpsがバズワードなのか紹介します
MLOpsはバズワード
MLOpsはバズワード
Tetsutaro Watanabe
Feature Pyramid Networks for Object Detection, CVPR'17の内容と見せかけて、Faster R-CNN, YOLO, SSD系の最近のSingle Shot系の物体検出のアーキテクチャのまとめです。
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ
Yusuke Uchida
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
cvpaper. challenge
2018年12月12日(日) 宇宙人クラブ・ミニセミナー @Wonder LAB Osaka
オントロジーとは?
オントロジーとは?
Kouji Kozaki
「ブレインパッドとエウレカが語る、データ分析と機械学習の活用」資料
機械学習システムを受託開発 する時に気をつけておきたい事
機械学習システムを受託開発 する時に気をつけておきたい事
BrainPad Inc.
MLflow概説
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
「MLOpsとはなにか?」という質問に対し、「データサイエンティストが、システム開発において、やらないことすべて」と定義した上で、MLOpsの説明、海外事例、「JapanTaxi」アプリでの事例を説明します
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
データから何を得るのか? その入門を Excel を題材に見ていきます。データの理解、相関関係、そして、シュミレーション。 勿論、ツールとしての良しあしもあるので、全てのシナリオやデータ量をExcelで出来るわけではありませんが。 PCにほぼ入っている Excel をちゃんと活用しませんか?
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
Daiyu Hatakeyama
機械学習の技術的基礎部分を中心にまとめています。実装をする際の各種ハイパーパラメータの概要は理解できる程度に。
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
Daiyu Hatakeyama
XAI技術の効能を ユーザ実験で評価した研究(一部)のまとめ
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
Satoshi Hara
機械学習の社会実装では、予測精度が高くても、機械学習がブラックボックであるために使うことができないということがよく起きます。 このスライドでは機械学習が不得意な予測結果の根拠を示すために考案されたLIMEの論文を解説します。 Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "" Why should i trust you?" Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016.
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
2019年10月25日、CTC Forum 2019@品川。楽天ではどのようにビッグデータの活用を行っているのか、データサイエンスおよびAIの視点でプレゼンテーションが行われた。登壇者:勝山 公雄(Senior Manager, Global Data Supervisory Department, Rakuten, Inc.)
楽天のデータサイエンス/AIによるビッグデータ活用
楽天のデータサイエンス/AIによるビッグデータ活用
Rakuten Group, Inc.
builderscon2017の発表資料です。 https://builderscon.io/tokyo/2017/session/182ba13a-ccd5-4ddd-9565-c4e20df1d871
Oss貢献超入門
Oss貢献超入門
Michihito Shigemura
Mais procurados
(20)
Cvpr 2021 manydepth
Cvpr 2021 manydepth
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
ゲームAIの中の数学(上)
ゲームAIの中の数学(上)
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Data-centricなML開発
Data-centricなML開発
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
MLOpsはバズワード
MLOpsはバズワード
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
【メタサーベイ】Transformerから基盤モデルまでの流れ / From Transformer to Foundation Models
オントロジーとは?
オントロジーとは?
機械学習システムを受託開発 する時に気をつけておきたい事
機械学習システムを受託開発 する時に気をつけておきたい事
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
【論文調査】XAI技術の効能を ユーザ実験で評価する研究
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
楽天のデータサイエンス/AIによるビッグデータ活用
楽天のデータサイエンス/AIによるビッグデータ活用
Oss貢献超入門
Oss貢献超入門
Semelhante a みんなでDeep Learningを理解しよう!
機械学習が再度注目を集めている中、皆さんの生活や社会の中で活用され始めています。 ところが「AI」という言葉が先行している事もあり機械学習の実体の理解が浅いがために 誤解をした使い方なども見受けられています。 ここでは機械学習に興味のある方や機械学習のモデルの作成はした事があるものの 実業務や社会などに展開した事の無い方向けに機械学習とは何か? プログラミングと何が違うのか?そのモデル作成の手順などをご紹介します。
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
Daiyu Hatakeyama
5/27に行われたCDLE Lt甲子園予選会 2021 #1の発表資料です!
CDLE Lt甲子園予選会 2021 #1 0527 01(itok)
CDLE Lt甲子園予選会 2021 #1 0527 01(itok)
Naoya Tosaka
#Decode2018 での資料です。#ai07
CNTK deep dive
CNTK deep dive
Kyoichi Iwasaki
自動運転車、高度な予防医療から、ファッションに関する適確なアドバイスまで、これらすべてを実現するのがディープラーニングです。ディープラーニングについてさらに理解を深めていただけるよう、A から Z までの用語集を作成しました。関連資料を併せてご紹介しているので、より詳しい解説が必要な際にも非常に役立ちます。ぜひご活用ください。
NVIDIA ディープラーニング用語集
NVIDIA ディープラーニング用語集
NVIDIA Japan
2020年9月15日 おかやまデータ活用人材育成講座 の発表資料 https://d-cradle.or.jp/event/20200915.html
プロ直伝 伝わるデータビジュアル術
プロ直伝 伝わるデータビジュアル術
E2D3.org
Deep Learningの概要、最近の成果と、フレームワーク実装者の視点で見たドメインモデルの変遷について。
Deep learningの概要とドメインモデルの変遷
Deep learningの概要とドメインモデルの変遷
Taiga Nomi
sprint16 論文紹介 課題提出
Introduction of the_paper
Introduction of the_paper
NaokiIto8
・配属先のラボどこにしよう?と迷っている全国の大学3年生(工学系)へ ・特にAI (≒Deep Learning)やってみたいけど、良く知らないからなぁ…という方へ ・機械系ラボでAIを研究する意義なんてあるの?という方へ(6枚目見て下さい)
機械系のラボがAI(DL)を研究する意義【東京工業大学・鈴木良郎】
機械系のラボがAI(DL)を研究する意義【東京工業大学・鈴木良郎】
ssuser1bf283
不確かさをユーザーがどう感じるのかのユーザー調査についてもまとめています。 第66回 Machine Learning 15minutes! Broadcastで登壇した資料にもなります。
予測の不確かさのユーザー調査
予測の不確かさのユーザー調査
tmtm otm
(北海道)ezostyle×学生ネットワークWAN(福岡) ~就職、キャリアをwebサービスを用いて考える~ <内容>福岡の企業経営者を講師として、招き、講師の基調講演と、グループワークの2つを軸に行い、就職活動や社会人のあり方、次世代リーダーとしてのキャリア構築を学ぶセミナーです。 そして今回、当セミナーの目玉として、今世界中で注目されているwebサービスのtwitter, Ustream を用いて九州の学生、あるいは日本各地の人との交流を試みます! 九州の学生も札幌へ2名招くと同時に、北海道でのディスカッションの様子をネット上にアップし、ネットでその様子を閲覧している人とも交流します。まず、セミナーの始めに今後の情報化社会において重要、必要となる情報収集の 手段としてtwitter、Ustreamについても紹介するので、ITに関して知識のない方でも、是非ご参加ください! <講師> 森戸裕一(ナレッジネットワーク株式会社 代表取締役) 「ビジネス」と「人材育成」に「IT」を組み合わせた、価値創造のエキスパート。企業経営、コンサルティングの傍ら、学生向けから企業経営者向けのセミナー講師として活躍。 <日時> 2月21日(日) 16:00~18:00 (15:30開場) <会場> 札幌ビズカフェ(北7条西4丁目 伊藤110ビル2F) <参加費> 無料 <服装> 自由 <主催> 『ezostyle』 ( http://www.ezostyle.net/ ) 『学生ネットワークWAN』 ( http://www.kg-wan.net/index.html )
Ezostyle WAN2010_02_21
Ezostyle WAN2010_02_21
networkwan
Semelhante a みんなでDeep Learningを理解しよう!
(10)
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
CDLE Lt甲子園予選会 2021 #1 0527 01(itok)
CDLE Lt甲子園予選会 2021 #1 0527 01(itok)
CNTK deep dive
CNTK deep dive
NVIDIA ディープラーニング用語集
NVIDIA ディープラーニング用語集
プロ直伝 伝わるデータビジュアル術
プロ直伝 伝わるデータビジュアル術
Deep learningの概要とドメインモデルの変遷
Deep learningの概要とドメインモデルの変遷
Introduction of the_paper
Introduction of the_paper
機械系のラボがAI(DL)を研究する意義【東京工業大学・鈴木良郎】
機械系のラボがAI(DL)を研究する意義【東京工業大学・鈴木良郎】
予測の不確かさのユーザー調査
予測の不確かさのユーザー調査
Ezostyle WAN2010_02_21
Ezostyle WAN2010_02_21
みんなでDeep Learningを理解しよう!
1.
0 みんなでDeep Learningを理解しよう! 2018/2/21 アサヒビジネスソリューションズ株式会社 イノベーション統括部 百足山 実花
2.
11 自己紹介 百足山 実花 アサヒビジネスソリューションズ株式会社 2017年入社 データサイエンティスト見習い ム
カ デ ヤ マ ミ カ
3.
22 Deep Learningと人工知能、機械学習の違い 人工知能、機械学習、DeepLearning(深層学習)はどれも違う技術という わけではなく、下記の図のような構造で表すことができます。 人工知能 (AI) 機械学習 (ML) DeepLearning (DL) ニューラルネットワーク (NN)
4.
33 機械学習とは 予測問題 電流[A] 電圧[V] 電力[W] 分類問題 腹囲 胸囲 女 男 1ヶ月後の使用電力を予測したり、画像に写っているのが男か女か分類す ることができます。
5.
44 ニューラルネットワークとは ニューラルネットワークとは、脳神経細胞(ニューロン)を数学的に抽象化 したパーセプトロンを用いて3層のネットワークを構成したものをさしま す。 入力層 中間層 ニューラル ネットワーク ニューロン (脳神経細胞) 数学的に 抽象化 ディープラーニング 出力層 4層以上
6.
55 機械学習とディープラーニングの利用判断 従来の手法でも分類可能 深層学習であれば分類可能 左記の図のような状態であれば機械学習で分類表現が可能ですが、右記の図のよう な複雑な状態では深層学習を利用しないと分類表現を行うことができない。
7.
66 耳がある 毛が茶色 ツノがある 答え 鹿 機械学習 ディープラーニング 特徴 特徴量抽出は、 自動で 計算される ! 鹿分類器 ディープラーニングによる特徴量抽出
8.
77 深層学習の基本動作 順伝搬による計算と解の導出 誤差逆伝搬:誤差の計算 誤差逆伝搬:誤差を基にしたバイアスと重みの再計算 重みの初期値の設定 学 習 を 繰 り 返 す
9.
88 深層学習のポイント • 順伝搬法 • 誤差逆伝搬法 •
重み • 勾配降下法 これさえ分かれば大丈夫!
10.
99 ディープラーニングの学習の進み方 ディープラーニングの学習は左(入力層)から右(出力層)に向かって進みま す。これを順伝播と言います。 順伝播
11.
1010 データの投入方法 画像データを取り扱う際は、画像データをピクセル単位のRGBの色情報に 分解し、それを入力層にインプットします。RGBで特徴が捉えずらい場合 は、CMYKや白黒データを入力データとする場合もあります。 画像幅=10ピクセル 画 像 高 = 10 ピ ク セ ル 色情報=3層 10ピクセル × 10ピクセル
× 3層 300 入力層の数 =
12.
1111 パーセプトロンについて パーセプトロンごとに個性があり、得意分野が違います。 親しみがわくように今回はパーセプトロンを人間に置き換えて説明します。
13.
1212 ディープラーニングの学習 ①/⑫ 角がある 目、耳、鼻 がある 牙がある 動物だ はじめに画像を見たチーム(入力層)は、特徴的な部分を勝手に抽出して次 のチームに情報を渡します。最後の層まで伝言ゲームのように情報を伝え ていきます。
14.
1313 ディープラーニングの学習 ③/⑫ 最後のチーム(出力層)が今まで伝播された情報を糧に、読み込まれた画像 は74%鹿であると判断を下します。 鹿 74% とりあえず熊は ないけど馬の可 能性もある おそらく 鹿だろう
15.
1414 ディープラーニングの学習 ④/⑫ 本来の期待値は100%なので、この誤差26%という情報を基に学習をし直 します。この時、誤差は右(出力層)から左(入力層)へ逆伝播されます。こ れを誤差逆伝搬法と言います。 鹿 74% 誤差逆伝搬
16.
1515 ディープラーニングの学習 ⑤/⑫ 誤差が逆伝搬されると、再度順伝播方向に学習が進みます。2回目以降の 学習では、真ん中のチーム(中間層)は自分の得意分野と相手(入力層)が 持っている特徴の情報が一致しているものを強く受け止めます。 角がある 牙がある 動物だ 目、耳、 鼻がある 角がある動物な ら任せて 茶色い動物な ら任せて 模様がある動物な ら任せて 順伝播
17.
1616 ディープラーニングの学習 ⑥/⑫ 誤差逆伝搬法を繰り返し学習を進めていくと、どのパーセプトロンの言う 事を信頼すればいいのかわかりやすくなります。 鹿 79%
18.
1717 ディープラーニングの学習 ⑦/⑫ 前の層から伝わってくる情報の信頼度の大きさを重みといい、学習の過程 でこの重みを変更することで正しい情報を認識できるようになります。 鹿 86%
19.
1818 ディープラーニングの学習 ⑧/⑫ 伝播された誤差を最小にするために、重みの最適値を探し出すことが ディープラーニングの学習における重要課題です。 鹿 99%
20.
1919 ディープラーニングの学習 ⑨/⑫ どのように最小値を求めるかというと、誤差が最小になったと思われるま で微分を繰り返し、重みを変化させていきます。 この方式を勾配降下法といいます。 誤 差 少 多 軽 重 重み 初期値 誤 差 少 多 最適解 軽
重 重み
21.
2020 微分で傾きを求めた結果、傾きが負であれば重みを増やし、傾きが正であれ ば重みを減らします。 ディープラーニングの学習 ⑩/⑫ 傾き 負
±0 正 重み 増加 最適 減少 誤 差 少 多 傾きが負 (=右肩下がり) 傾きが正 (=左肩下がり) 傾きが±0 (=フラット) 軽 重 重み
22.
2121 ディープラーニングの学習 ⑪/⑫ 学習率を大きくすればするほど学習スピードが速く、最適値を飛び越えて しまう可能性があります。逆に小さければ小さいほど学習は遅く進み、よ り多くの学習回数が必要となってしまいます。 誤 差 少 多 傾きが負 (=右肩下がり) 𝑊𝑛 𝑊𝑛+1
𝑊𝑛+2 ウエイトを増加させる 軽 重 重み
23.
2222 ディープラーニングの学習 ⑫/⑫
24.
2323 ディープラーニングの学習のおさらい ディープラーニングの学習は順伝搬され、誤差逆伝搬法により逆伝播さ れた誤差をベースとして、勾配降下法により重みの最適値を算出し誤 差が少なくなるまで学習を繰り返します。 鹿 99%
25.
2424 まとめ 皆さんDeep Learningについて理解できたでしょうか?
26.
2525 Appendix:ディープラーニングとは何か?① 機械学習のアルゴリズムの1つである、ニューラルネットワークを用いた深層学習 (≒ディープラーニング)が、深層学習では最も代表的な例として紹介されています。 データマイニング 機械学習 大量のデータ から探す 仮説・検証 により探す 教師あり 学習 人工知能 機械学習 深層学習 エキスパートシステム(Watson) 対話システム(Siri) 決定木学習 相関ルール学習 ニューラルネットワーク SVM …etc. ? 教師なし 学習 統計・解析 未知だった データの特徴を発見する 訓練データから学んだ 「既知」の特徴に基づく予測
27.
2626 Appendix:活性化関数の選択① 状態 𝑋 樹状突起(入力) 細胞体 核 軸索末端(出力) ミエリン鞘 シュワン細胞 ランヴィエ絞輪 𝑥1 𝑥2 𝑥3 𝑦 𝑋 =
𝑥1+𝑥2+𝑥3 生物のニューロン(神経細胞)を人工的に模したものが人工ニューロンです。樹状突起を入力𝑥とみなし、軸 索末端を出力𝑦としてデータを出力します。生物のニューロンの場合、”ある一定量”の電気刺激を受け取るま で、出力をしないため、それを同じ振る舞いをさせるには少し工夫が必要なことがわかります。
28.
2727 Appendix:誤差の逆伝搬の数式表現① 誤差をユニット数に応じて均等に分割及び伝搬するのは適切ではありません。各 ウェイトに基づいて分割及び伝搬する誤差を計算する必要がります。誤差を逆伝搬 する際の数式は以下のとおりです。 𝑥1における誤差 𝑒 =
𝑒1 × 𝑤11 𝑤11+𝑤21 𝑥1 𝑥2 𝑎1 𝑦1 𝑒1 = 0.8(誤差) 𝑤11 = 2.0 𝑤21 = 3.0 2.0 2.0+3.0 = 2 5 の誤差を逆伝搬 3.0 2.0+3.0 = 3 5 の誤差を逆伝搬 𝑥1における誤差 𝑒 = 0.32 𝑥1における誤差 𝑒 = 0.48
29.
2828 Appendix:誤差の逆伝搬の数式表現② 複数のユニットから誤差を受け取る場合は、受け取った値を単純に足し算します。 𝑥1における誤差= 𝑒11 +
𝑒12 = 0.32 + 0.22 = 0.54 𝑥1 𝑥2 𝑎1 𝑎2 𝑦1 𝑦2 𝑒1 = 0.8(誤差) 𝑤11 = 2.0 𝑤22 = 5.0 𝑒2 = 0.5(誤差) 誤差:0.32 𝑒11 𝑒12 𝑥1における誤差 = 0.54
Baixar agora