本記事で使用している画像は論文中のもの、紹介スライドのもの、またはそれを参考に作成したものを使用しております。 はじめ 機械学習は国際的な分野になっています。MLはますます強力になっており、これらのシステムの学習や開発の難易度も急速に高まっています。このため、研究者の間では、量子コンピューティングを利用した機械学習（QML）への関心が高まっています。大小のハイテク企業が、量子コンピュータでMLを実行するための開発に投資を始めています。 しかし、量子コンピューティング自体はかなり難しい。何百万個もの量子ビットを統合する必要があるフォールト・トレラントな量子コンピュータの開発は困難を極めます。現在利用可能なNoisy Intermediate Scale Quantum（NISQ）デバイス上で強力なQMLアルゴリズムを実現できる可能性はいくつかあります。実際、すでにいくつかのブレークスルーがな
BigQuery MLによる予測の全体像 機械学習を学ぶにあたり、その全体像が提示されていないことが妨げになっている気がしています。筆者も勉強中の身ではありますが、自分自身の学びの整理のためにも本記事を執筆しています。 本ブログ記事は、過度に詳細に踏み込まない代わりに、その全体像を提示することで、私と同様の学習者である多くのユーザーがBigQueryのMLエンジンを利用できるようになる（少なくともやってみようと思える）ことを目的としています。 全体像は以下の7ステップで説明できます。そのうち、純粋に機械学習周りの技術を使っているのは、3、4、5、6のステップであり、1、2は準備、7は検算です。 データの取得と整形 整形の完了したデータのアップロード モデルの作成 モデルの評価 特徴量の調整やモデルのオプションの調整 予測値の取り出し 検算 ① データの取得と整形 機械学習にはある程度まとま
IT Leaders トップ ＞ テクノロジー一覧 ＞ AI ＞ 市場動向 ＞ リコー、機械学習をFPGAで実装、GPU比で26～259倍高速化、勾配ブースティング手法用 AI AI記事一覧へ [市場動向] リコー、機械学習をFPGAで実装、GPU比で26～259倍高速化、勾配ブースティング手法用 2018年12月26日(水)日川 佳三（IT Leaders編集部） リスト リコーは2018年12月26日、マシンラーニング（機械学習）の学習速度を26～259倍に高速化したと発表した。機械学習の手法の1つであるGBDT（Gradient Boosting Decision Tree：勾配ブースティング決定木）モデルの学習を高速化・低消費電力化する回路アーキテクチャを開発した。この回路をFPGAで実装したところ、CPU/GPUと比べて学習が26～259倍高速化できたという。 リコーは今回、GB
Deep Learningを用いた画像から説明文の自動生成の最新研究を調査したものを公開いたします。 数式の説明などかなり簡略したものですが、全体が俯瞰できるように工夫しましたので、何かのご参考になればと幸いです。 また、何か間違いがございましたら、ご指摘のほどよろしくお願いします。Read less
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 株式会社NTTデータ数理システムのitok_msiです。 みなさんご存知のように、GANを用いた画像変換が結果のセンセーショナルさもあいまって、注目を浴びています。 写真を絵画調にする、馬をシマウマに変換する、航空写真から地図を作成する、など様々な応用例が開発されています。 そこで、今回はその中でも比較的新しい手法であるcycleGAN [1]を使って「画像内の犬をポーズと毛並が似た猫に変換するモデル」を作成してみようと思います。 実は、犬を猫に変換するというタスクは、上に上げたような「馬をシマウマに変換する」「航空写真から地
ソフトウェアエンジニアの間でも一般的な言葉になった「機械学習」。本書では、その機械学習やデータ分析の道具をどのようにビジネスに生かしていけば良いのか、また不確実性の高い機械学習プロジェクトの進め方などを「仕事で使う」という観点から整理します。 プロジェクトのはじめ方や、システム構成、学習のためのリソースの収集方法など、読者が「実際どうするの？」と気になるであろう点を中心にまとめています。上司に「人工知能でいい感じの成果を出してくれ」とあいまいな指示をされたとき、本書で学んだことが活きてくるに違いありません。 正誤表 ここで紹介する正誤表には、書籍発行後に気づいた誤植や更新された情報を掲載しています。以下のリストに記載の年月は、正誤表を作成し、増刷書籍を印刷した月です。お手持ちの書籍では、すでに修正が施されている場合がありますので、書籍最終ページの奥付でお手持ちの書籍の刷版、刷り年月日をご確
エディンバラ大学とAdobe、ニューラルネットワークを用いて、より現実的に滑かな動きを実現する四足歩行キャラクタのリアルタイム制御技術を発表 2018-05-28 スコットランドのエディンバラ大学、Adobe Researchの研究者らは、ニューラルネットワークを用いて動作データから四足歩行キャラクタにおける自然なアニメーションを生成する新たな手法を発表しました。 論文：Mode-Adaptive Neural Networks for Quadruped Motion Control 著者：HE ZHANG, SEBASTIAN STARKE, TAKU KOMURA, JUN SAITO GitHub：sebastianstarke/AI4Animation: Character Animation in Unity3D using Deep Learning and Biologic
The document discusses machine learning projects and production. It begins with an introduction of Aki Ariga and their background. It then discusses 4 patterns for machine learning projects: 1) train batch/predict online via REST API, 2) train/predict batch via shared DB, 3) train/predict/serve continuously via streaming, and 4) train batch/predict on mobile apps. The document also covers machine
Full-body High-resolution Anime Generation with Progressive Structure-conditional Generative Adversarial Networks Koichi Hamada, Kentaro Tachibana, Tianqi Li, Hiroto Honda, and Yusuke Uchida DeNA Co., Ltd., Tokyo, Japan [Paper][ArXiv][Generated Anime 1][Generated Anime 2] Artwork and paper have been accepted to the ECCV Workshop on Computer Vision for Fashion, Art and Design, 2018. May 11, 2018: P
DeNAでは、AIでイラスト制作・アニメ制作支援を目的とした、鮮明な全身のアニメキャラクターの生成と合成・その動きの動画生成技術を開発しました。 新しいアニメキャラの生成 これまで、鮮明な画像生成が可能なのは顔等一部のパーツに限られていましたが、全身のアニメキャラを生成する技術開発をすることができた点が大きな進歩になります。 新しいアニメキャラでの動きの生成 動かしたい動作の姿勢パターンを指定して、動画を生成します。 深層学習を用いた画像生成は、近年急速に進展している技術領域であり、鮮明な画像生成においても、本物と見間違うほどの質での生成が可能となってきておりますが、現在は、顔の写真等に限られておりました。 (参考文献: [Karras+2018], [Zhang+2018], [Ma+2017a], [Ma+2017b], [Qiao+2018]) DeNAとしてその課題を解決することで
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 深層学習を使った音声データによる楽曲分類を実施しました！楽曲の特徴を表すメル周波数スペクトログラムを用いて、その楽曲のアーティストを推定します。 こんにちは、アナリティクスサービス本部の井出です。 今回のブログは、音声データをテーマとして取り上げ、 音声データの特徴量 深層学習による楽曲のアーティスト分類 についてご紹介します。 ブレインパッドでは、深層学習の技術を駆使した活用事例が増えてきています。特に、画像認識の分野における活用事例は多く、当社の公開されている事例だけでも以下のようなものがあります。 ブレインパッド、キユーピーの食品工場における不良品の検知をディープラーニングによる画像解析で支援 八千代エンジニヤリングとブレインパッド、洪水を安全に流す役割を担う河川のコンクリート護岸の
オライリーから「仕事ではじめる機械学習」という本を出しました
オライリーから「仕事ではじめる機械学習」という本を出しました。技術書典2で頒布した同人誌がベースで引き続き @chezou, @tokoroten 両氏と共著です。実務者向けの内容で対象読者は情報システム開発現場のエンジニアです。 O'Reilly Japan - 仕事ではじめる機械学習 https://www.oreilly.co.jp/books/9784873118215/ 私は同人誌版で「ゲームの試合結果データのマイニング」の章を書きましたが、今回はより実務的な内容として効果検証について書いています。主に仮説検定と因果効果推定です。内容はChezouさんの告知を参照していただくとして、補足とバックグラウンドを紹介します。 お前だれよ インターネット広告配信システムの配信ロジックの開発をしています。2015年まではデータを集める所から分析基盤の構築を経てBIツールの導入、バッチ処理環
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
