Submit Search
Upload
IoT/AI時代のテスティング・検証技術の最前線
•
11 likes
•
6,733 views
Fuyuki Ishikawa
Follow
2019/1/11 SQiP研究会特別講義
Read less
Read more
Software
Report
Share
Report
Share
1 of 62
Download now
Download to read offline
Recommended
機械学習工学の進展と課題 2021
機械学習工学の進展と課題 2021
Fuyuki Ishikawa
第3回AI/IoTシステム安全性シンポジウム
強化学習その1
強化学習その1
nishio
社内勉強会での講演資料
paizaのオンラインジャッジを支えるDockerとその周辺
paizaのオンラインジャッジを支えるDockerとその周辺
paiza
50万件/月のDockerコンテナ利用の実態を詳しく説明します。
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Jun Okumura
DQN(Deep Q Network)以前からRainbow、またApe-Xまでのゲームタスクを扱った深層強化学習アルゴリズムの概観。 ※ 分かりにくい箇所や、不正確な記載があればコメントいただけると嬉しいです。
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
Ichigaku Takigawa
2017年3月9日 @ 北大・地球環境科学研究院 「地球流体データ解析・数値計算ワークショップ 」 https://www.gfd-dennou.org/library/davis/workshop/2017-03-08/ 地球流体電脳倶楽部 https://www.gfd-dennou.org/index.html
幾何と機械学習: A Short Intro
幾何と機械学習: A Short Intro
Ichigaku Takigawa
フォレスト会議, JST CREST CREST「学習/数理モデルに基づく時空間展開型アーキテクチャの創出と応用」機械学習グループ, 2022年4月18日.
深層強化学習による自動運転車両の経路探索に関する研究
深層強化学習による自動運転車両の経路探索に関する研究
harmonylab
近年,情報通信技術の発展に伴ってリアルタイムな交通状況を容易に入手できるようになってきている.そして,交通状況に基づいて目的地まで円滑に移動可能な経路を提供するサービスも普及し始めている.しかし,実際の交通状況においては現在の交通状況に関する情報だけで経路を考えるのでは不十分で,今後の交通流を予測する必要がある.本研究では,時間変化する交通状況において目的地まで短い時間で到達できる経路探索を実現することを目的として,深層強化学習を用いた経路探索手法の検証を行った.
強化学習その2
強化学習その2
nishio
社内勉強会での講演資料
Recommended
機械学習工学の進展と課題 2021
機械学習工学の進展と課題 2021
Fuyuki Ishikawa
第3回AI/IoTシステム安全性シンポジウム
強化学習その1
強化学習その1
nishio
社内勉強会での講演資料
paizaのオンラインジャッジを支えるDockerとその周辺
paizaのオンラインジャッジを支えるDockerとその周辺
paiza
50万件/月のDockerコンテナ利用の実態を詳しく説明します。
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Jun Okumura
DQN(Deep Q Network)以前からRainbow、またApe-Xまでのゲームタスクを扱った深層強化学習アルゴリズムの概観。 ※ 分かりにくい箇所や、不正確な記載があればコメントいただけると嬉しいです。
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
Ichigaku Takigawa
2017年3月9日 @ 北大・地球環境科学研究院 「地球流体データ解析・数値計算ワークショップ 」 https://www.gfd-dennou.org/library/davis/workshop/2017-03-08/ 地球流体電脳倶楽部 https://www.gfd-dennou.org/index.html
幾何と機械学習: A Short Intro
幾何と機械学習: A Short Intro
Ichigaku Takigawa
フォレスト会議, JST CREST CREST「学習/数理モデルに基づく時空間展開型アーキテクチャの創出と応用」機械学習グループ, 2022年4月18日.
深層強化学習による自動運転車両の経路探索に関する研究
深層強化学習による自動運転車両の経路探索に関する研究
harmonylab
近年,情報通信技術の発展に伴ってリアルタイムな交通状況を容易に入手できるようになってきている.そして,交通状況に基づいて目的地まで円滑に移動可能な経路を提供するサービスも普及し始めている.しかし,実際の交通状況においては現在の交通状況に関する情報だけで経路を考えるのでは不十分で,今後の交通流を予測する必要がある.本研究では,時間変化する交通状況において目的地まで短い時間で到達できる経路探索を実現することを目的として,深層強化学習を用いた経路探索手法の検証を行った.
強化学習その2
強化学習その2
nishio
社内勉強会での講演資料
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Hikaru GOTO
クローズドで行われた統計的因果推論の勉強会資料です。対象者は理系ではない経営学系の統計学エンドユーザーでした。
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
東大数理有志研究会(takamatsu26)、機械学習勉強会(Math-iine Learning)での発表資料.
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
有名な1983年のRubin&Rosenbaumの論文をナナメ読みしていきます
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
2021/0925の機械学習の社会実装勉強会で発表した資料です。
多目的強凸最適化のパレート集合のトポロジー
多目的強凸最適化のパレート集合のトポロジー
KLab Inc. / Tech
2020年9月16日 第13回日本オペレーションズ・リサーチ学会 研究部会 最適化とその応用 (Workshop on Optimization and its Applications, OPTA)での発表のスライドです。
最適化超入門
最適化超入門
Takami Sato
TokyoWebMining #40のトーク3の資料です
固有顔による生体認証
固有顔による生体認証
Hiroyuki Kuromiya
授業で発表した固有顔(Eigenface)の解説です。
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30~10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
強化学習アルゴリズムであるPPOとそこに至るまでのアルゴリズム(Actor-Critic, A3C, TRPO)について解説
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか?〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演ではこれら近年の代表的な説明法について紹介する。
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
転移学習のサーベイ資料(改定版)
[DL輪読会]Graph R-CNN for Scene Graph Generation
[DL輪読会]Graph R-CNN for Scene Graph Generation
Deep Learning JP
2018/11/30 Deep Learning JP: http://deeplearning.jp/seminar-2/
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です. 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています.巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました. 主に以下のような強化学習の概念やアルゴリズムの紹介をしています. ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN(Deep Q-Network) ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Noisy Network ・Rainbow ・A3C ・A2C ・Gorila ・Ape-X ・R2D2 ・内発的報酬 ・カウントベース ・擬似カウントベース ・RND(Random Network Distillation) ・ICM(Intrinsic Curiosity Module) ・Go-Explore ・世界モデル(World Models) ・MuZero ・SimPLe ・NGU(Never Give Up) ・Agent57 ・AlphaGo ・AlphaGo Zero ・AlphaZero ・OpenAI Five ・AlphaStar ・マルチエージェント強化学習
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
2019年6月15日日本人工知能学会登壇資料
Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)
Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)
Preferred Networks
日本化学会第101春季大会(2021) [S04-3pm-01] T1C. インフォマティクスで変わる化学合成でのPFNエンジニア中郷孝祐の講演資料です。 Deep learning分野でのさまざまなNeural Netoworkの発展と、これらのNeural Networkがどのように化学反応の分野へ応用されているかを紹介しています。
Generative Models(メタサーベイ )
Generative Models(メタサーベイ )
cvpaper. challenge
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。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
6/9 (木) 14:45~15:15 メイン会場 講師:石井 雅人 氏(ソニーグループ株式会社) 概要: 機械学習技術の急速な発達により、コンピュータによる知的処理は様々なタスクで人間に匹敵あるいは凌駕する性能を達成してきた。一方、このような高い性能は大量かつ高品質な学習データによって支えられており、多様化する機械学習応用においてデータの収集コストが大きな導入障壁の1つとなっている。本講演では、少ないデータやラベルから効率的に学習するための様々な技術について、「足りない情報をどのように補うか?」という観点から概観するとともに、特に画像認識分野における最新の研究動向についても紹介する。
ランダムフォレスト
ランダムフォレスト
Kinki University
2015年11月12日に第5回バイオメトリクスと認識・認証シンポジウム(SBRA2015)でお話しさせていただいたときのスライドです.
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
MLSE
7月2日 於 MLSE夏合宿2020 https://mlxse.connpass.com/event/175970/
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
Trends and Our Activities in Quality Management and Assurance of Machine Learning
Quality Assurance of Machine Learning-based AI Systems
Quality Assurance of Machine Learning-based AI Systems
Fuyuki Ishikawa
At JaSST'21 Tokyo, Mar 16 2021
機械学習システムの品質に関するソフトウェア工学の動向(と安全性)
機械学習システムの品質に関するソフトウェア工学の動向(と安全性)
Fuyuki Ishikawa
2020/11/10 第2回 AI/IoT システム安全性シンポジウム
More Related Content
What's hot
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Hikaru GOTO
クローズドで行われた統計的因果推論の勉強会資料です。対象者は理系ではない経営学系の統計学エンドユーザーでした。
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
東大数理有志研究会(takamatsu26)、機械学習勉強会(Math-iine Learning)での発表資料.
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
有名な1983年のRubin&Rosenbaumの論文をナナメ読みしていきます
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
2021/0925の機械学習の社会実装勉強会で発表した資料です。
多目的強凸最適化のパレート集合のトポロジー
多目的強凸最適化のパレート集合のトポロジー
KLab Inc. / Tech
2020年9月16日 第13回日本オペレーションズ・リサーチ学会 研究部会 最適化とその応用 (Workshop on Optimization and its Applications, OPTA)での発表のスライドです。
最適化超入門
最適化超入門
Takami Sato
TokyoWebMining #40のトーク3の資料です
固有顔による生体認証
固有顔による生体認証
Hiroyuki Kuromiya
授業で発表した固有顔(Eigenface)の解説です。
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30~10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
強化学習アルゴリズムであるPPOとそこに至るまでのアルゴリズム(Actor-Critic, A3C, TRPO)について解説
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか?〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演ではこれら近年の代表的な説明法について紹介する。
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
転移学習のサーベイ資料(改定版)
[DL輪読会]Graph R-CNN for Scene Graph Generation
[DL輪読会]Graph R-CNN for Scene Graph Generation
Deep Learning JP
2018/11/30 Deep Learning JP: http://deeplearning.jp/seminar-2/
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です. 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています.巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました. 主に以下のような強化学習の概念やアルゴリズムの紹介をしています. ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN(Deep Q-Network) ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Noisy Network ・Rainbow ・A3C ・A2C ・Gorila ・Ape-X ・R2D2 ・内発的報酬 ・カウントベース ・擬似カウントベース ・RND(Random Network Distillation) ・ICM(Intrinsic Curiosity Module) ・Go-Explore ・世界モデル(World Models) ・MuZero ・SimPLe ・NGU(Never Give Up) ・Agent57 ・AlphaGo ・AlphaGo Zero ・AlphaZero ・OpenAI Five ・AlphaStar ・マルチエージェント強化学習
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
2019年6月15日日本人工知能学会登壇資料
Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)
Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)
Preferred Networks
日本化学会第101春季大会(2021) [S04-3pm-01] T1C. インフォマティクスで変わる化学合成でのPFNエンジニア中郷孝祐の講演資料です。 Deep learning分野でのさまざまなNeural Netoworkの発展と、これらのNeural Networkがどのように化学反応の分野へ応用されているかを紹介しています。
Generative Models(メタサーベイ )
Generative Models(メタサーベイ )
cvpaper. challenge
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。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
6/9 (木) 14:45~15:15 メイン会場 講師:石井 雅人 氏(ソニーグループ株式会社) 概要: 機械学習技術の急速な発達により、コンピュータによる知的処理は様々なタスクで人間に匹敵あるいは凌駕する性能を達成してきた。一方、このような高い性能は大量かつ高品質な学習データによって支えられており、多様化する機械学習応用においてデータの収集コストが大きな導入障壁の1つとなっている。本講演では、少ないデータやラベルから効率的に学習するための様々な技術について、「足りない情報をどのように補うか?」という観点から概観するとともに、特に画像認識分野における最新の研究動向についても紹介する。
ランダムフォレスト
ランダムフォレスト
Kinki University
2015年11月12日に第5回バイオメトリクスと認識・認証シンポジウム(SBRA2015)でお話しさせていただいたときのスライドです.
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
MLSE
7月2日 於 MLSE夏合宿2020 https://mlxse.connpass.com/event/175970/
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
Trends and Our Activities in Quality Management and Assurance of Machine Learning
What's hot
(20)
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
多目的強凸最適化のパレート集合のトポロジー
多目的強凸最適化のパレート集合のトポロジー
最適化超入門
最適化超入門
固有顔による生体認証
固有顔による生体認証
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
[DL輪読会]Graph R-CNN for Scene Graph Generation
[DL輪読会]Graph R-CNN for Scene Graph Generation
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)
Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)
Generative Models(メタサーベイ )
Generative Models(メタサーベイ )
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
ランダムフォレスト
ランダムフォレスト
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
More from Fuyuki Ishikawa
Quality Assurance of Machine Learning-based AI Systems
Quality Assurance of Machine Learning-based AI Systems
Fuyuki Ishikawa
At JaSST'21 Tokyo, Mar 16 2021
機械学習システムの品質に関するソフトウェア工学の動向(と安全性)
機械学習システムの品質に関するソフトウェア工学の動向(と安全性)
Fuyuki Ishikawa
2020/11/10 第2回 AI/IoT システム安全性シンポジウム
ロバスト機械学習へのソフトウェア工学からのアプローチ
ロバスト機械学習へのソフトウェア工学からのアプローチ
Fuyuki Ishikawa
2020/10/20 第41回IBISML研究会オーガナイズドセッション「ロバスト機械学習」にて
機械学習工学への誘い:SES'20チュートリアル
機械学習工学への誘い:SES'20チュートリアル
Fuyuki Ishikawa
2020/09/11:SES 2020 チュートリアル「機械学習工学への誘い」
Introduction at MLSE Int'l Symposiuim 2019
Introduction at MLSE Int'l Symposiuim 2019
Fuyuki Ishikawa
Introduction at MLSE Int'l Symposiuim 2019
高信頼自動運転システム実現にむけて: ソフトウェア工学・機械学習の視点からの技術俯瞰
高信頼自動運転システム実現にむけて: ソフトウェア工学・機械学習の視点からの技術俯瞰
Fuyuki Ishikawa
2019/5/21 ERATO-MMSDシンポジウム
(今ちゃんと振り返る) ゴール指向要求分析 入門
(今ちゃんと振り返る) ゴール指向要求分析 入門
Fuyuki Ishikawa
2018/06/28 内部用にざっとまとめていたもの
品質保証における発見的・経験的アプローチの活用:ソフトウェアテスティング分野からの知見
品質保証における発見的・経験的アプローチの活用:ソフトウェアテスティング分野からの知見
Fuyuki Ishikawa
2018/11/17 第61回自動制御連合講演会 特別企画2 「制御と形式手法:物理情報システムの品質保証に向けた包括的取り組み」セッションにて
スマートなシステム、スマートなディペンダビリティ保証-次世代システムを頼れるものへ
スマートなシステム、スマートなディペンダビリティ保証-次世代システムを頼れるものへ
Fuyuki Ishikawa
2018/06/23 国立情報学研究所 オープンハウス2018 「NII研究100連発」内の10連発
機械学習応用システムの品質保証に向けて
機械学習応用システムの品質保証に向けて
Fuyuki Ishikawa
2018/10/17 CEATEC 2018 「JEITA 国際戦略・標準化セミナー ~ 超スマート社会の実現と標準化 ~」セッション
自動(運転)車システムのためのAI的自動テスト生成
自動(運転)車システムのためのAI的自動テスト生成
Fuyuki Ishikawa
2018/12/14 第1回AI4SEセミナー
AIによるテスト・デバッグ技術 イントロ&チュートリアル
AIによるテスト・デバッグ技術 イントロ&チュートリアル
Fuyuki Ishikawa
2018/12/14 第1回AI4SEセミナー
More from Fuyuki Ishikawa
(12)
Quality Assurance of Machine Learning-based AI Systems
Quality Assurance of Machine Learning-based AI Systems
機械学習システムの品質に関するソフトウェア工学の動向(と安全性)
機械学習システムの品質に関するソフトウェア工学の動向(と安全性)
ロバスト機械学習へのソフトウェア工学からのアプローチ
ロバスト機械学習へのソフトウェア工学からのアプローチ
機械学習工学への誘い:SES'20チュートリアル
機械学習工学への誘い:SES'20チュートリアル
Introduction at MLSE Int'l Symposiuim 2019
Introduction at MLSE Int'l Symposiuim 2019
高信頼自動運転システム実現にむけて: ソフトウェア工学・機械学習の視点からの技術俯瞰
高信頼自動運転システム実現にむけて: ソフトウェア工学・機械学習の視点からの技術俯瞰
(今ちゃんと振り返る) ゴール指向要求分析 入門
(今ちゃんと振り返る) ゴール指向要求分析 入門
品質保証における発見的・経験的アプローチの活用:ソフトウェアテスティング分野からの知見
品質保証における発見的・経験的アプローチの活用:ソフトウェアテスティング分野からの知見
スマートなシステム、スマートなディペンダビリティ保証-次世代システムを頼れるものへ
スマートなシステム、スマートなディペンダビリティ保証-次世代システムを頼れるものへ
機械学習応用システムの品質保証に向けて
機械学習応用システムの品質保証に向けて
自動(運転)車システムのためのAI的自動テスト生成
自動(運転)車システムのためのAI的自動テスト生成
AIによるテスト・デバッグ技術 イントロ&チュートリアル
AIによるテスト・デバッグ技術 イントロ&チュートリアル
IoT/AI時代のテスティング・検証技術の最前線
1.
2.
◼ ◼
3.
◼ ◼ ◼ ◼ ◼ ◼ ◼ ◼
4.
5.
◼ ◼ ◼ ◼ ◼ ◼ ◼ ◼ ◼
6.
◼ ◼ ◼ ◼ ◼
7.
◼ ◼ ◼ ◼ ◼ ◼
8.
9.
◼ ◼ ◼
10.
◼ ◼ ◼
11.
◼ ◼ ◼ ◼ ◼ ◼
12.
◼ ◼ ◼ ◼
13.
◼
14.
◼ ◼
15.
◼ ◼ ◼ ◼
16.
◼ ◼ ◼ ◼
17.
◼ ◼ ◼ ◼ ◼ ◼ ◼ ◼
18.
19.
◼ ◼ ◼ ◼
20.
◼ ◼ ◼ ◼ ◼
21.
◼ ◼ ◼ ◼
22.
23.
◼ ◼ ◼ ◼ ◼ ◼ ◼
24.
◼ ◼ ◼ ◼ ◼ ◼ ◼
25.
26.
◼ 0 20 40
60 80 100
27.
◼ ◼
28.
29.
◼ ◼ ◼ ◼
30.
◼ ◼ • • •
31.
◼ ◼ • • • • •
32.
• • • • • • • • • •
33.
34.
◼ ◼ ◼ ◼ ◼
35.
◼ ◼ ◼ ◼
36.
◼ ◼ ◼ ◼
37.
38.
39.
◼ ◼ ◼
40.
◼ ◼
41.
◼ ◼ ◼ ◼
42.
◼ ◼ ◼ ◼ ◼
43.
◼ ◼ ◼ ◼
44.
45.
◼ ◼
46.
47.
◼ ◼ ◼ ◼ ◼ ◼
48.
◼ ◼ ◼ ◼ ◼ ◼ ◼
49.
◼ ◼
50.
◼ ◼ ◼ ◼ ◼ ◼
51.
◼
52.
◼ ◼ ◼ ◼ ◼
53.
◼ ◼ ◼ ◼ ◼
54.
◼ ◼ ◼
55.
◼ ◼ ◼
56.
57.
◼ ◼ ◼ ◼ ◼ ◼
58.
◼ ◼ ◼
59.
◼ ◼ ◼ ◼
60.
61.
◼ ◼ ◼ ◼
62.
◼
Download now