Submit Search
Upload
PsychoPyを使った初学者向けの心理実験環境の構築
•
19 likes
•
26,190 views
Hirokazu Ogawa
Follow
日本心理学会第78回大会(於 同志社大学)において開催された公募シンポジウム「心理学実験のためのプログラミング環境の現状と今後」で使用したスライド資料です。
Read less
Read more
Presentations & Public Speaking
Report
Share
Report
Share
1 of 60
Download now
Download to read offline
Recommended
視覚実験プログラミングワークショップ2018で使用したスライド(その1)
PsychoPy Builder:Code Componentの使い方
PsychoPy Builder:Code Componentの使い方
HiroyukiSogo
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
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
4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
2017年2月17日に行われた統計数理研究所での研究集会『因果推論の基礎』での講演内容です(配布用の改変あり)。スライドだけだと口頭での説明がないので分かりにくい部分もあるかもしれません。 [http://www.ism.ac.jp/events/2017/meeting0216_17.html:title]
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
お茶の水女子大学伊藤研究室ゼミ資料 関連資料として以下が参考になります https://note.com/sick4989hack/n/n928f78d3d33f
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
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・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ています。 http://xpaperchallenge.org/cv/ 本資料はxpaper.challengeの2020年末ワークショップとしてプレゼンした、研究効率化Tipsです。10研究室、200ページ超にわたるノウハウ詰め合わせです。
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
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・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ています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション:http://view.tc-iaip.org/view/2021/speaker/ts1 ViEW2021参加登録:http://view.tc-iaip.org/view/2021/registration
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
大阪大学夏季集中講義「データ科学特論I」 深層学習の数理を「表現能力」「汎化能力」「最適化能力」について解説
深層学習の数理
深層学習の数理
Taiji Suzuki
Recommended
視覚実験プログラミングワークショップ2018で使用したスライド(その1)
PsychoPy Builder:Code Componentの使い方
PsychoPy Builder:Code Componentの使い方
HiroyukiSogo
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
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
4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
2017年2月17日に行われた統計数理研究所での研究集会『因果推論の基礎』での講演内容です(配布用の改変あり)。スライドだけだと口頭での説明がないので分かりにくい部分もあるかもしれません。 [http://www.ism.ac.jp/events/2017/meeting0216_17.html:title]
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
お茶の水女子大学伊藤研究室ゼミ資料 関連資料として以下が参考になります https://note.com/sick4989hack/n/n928f78d3d33f
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
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・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ています。 http://xpaperchallenge.org/cv/ 本資料はxpaper.challengeの2020年末ワークショップとしてプレゼンした、研究効率化Tipsです。10研究室、200ページ超にわたるノウハウ詰め合わせです。
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
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・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ています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション:http://view.tc-iaip.org/view/2021/speaker/ts1 ViEW2021参加登録:http://view.tc-iaip.org/view/2021/registration
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
大阪大学夏季集中講義「データ科学特論I」 深層学習の数理を「表現能力」「汎化能力」「最適化能力」について解説
深層学習の数理
深層学習の数理
Taiji Suzuki
AlphaGoの論文を読んで、しくみがわかったのでメモを作りました。
AlphaGoのしくみ
AlphaGoのしくみ
Hiroyuki Yoshida
DataRobotを用いて時系列モデルの作成する方法を紹介します。その後、どのような特徴量を使えば精度が良くなるのか、データにどのような前処理を行えば良いのか、トレンドデータや集約データを使った時系列予測など様々なトピックについて触れていきます。
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
DataRobotJP
最適輸送問題(Wasserstein 距離)を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中! https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-nojie-kifang
最適輸送の解き方
最適輸送の解き方
joisino
2021/09/17 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会] マルチエージェント強化学習と心の理論
[DL輪読会] マルチエージェント強化学習と心の理論
Deep Learning JP
PFIセミナー 2016/04/28
Pythonの理解を試みる 〜バイトコードインタプリタを作成する〜
Pythonの理解を試みる 〜バイトコードインタプリタを作成する〜
Preferred Networks
本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。 近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。 "Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise. The slides are made by the lecturer from outside our company, and shared here with his/her permission. Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステムを導入しています。AIをいかに上手に使って仕事を効率化するか、そして人々の役に立つ結果を生み出すのか、それを考えるのが私たちの仕事です。 Arithmer began at the University of Tokyo Graduate School of Mathematical Sciences. Today, our research of modern mathematics and AI systems has the capability of providing solutions when dealing with tough complex issues. At Arithmer we believe it is our job to realize the functions of AI through improving work efficiency and producing more useful results for society.
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
【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。
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
2023/7/21 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
Deep Learning JP
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】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
2021/12/03 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
Katsuya Ito
強化学習と方策勾配法をざっくり 注: 全体を通して割引報酬による定式化のみを考慮. p. 4:状態価値関数の図は割引をちゃんと考慮してないイメージ図 ミスたち: p. 33:行動が確率変数ではないため -> 大嘘,行動は決定論的に決められるから
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
Anacondaのアップデート方法
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
ayohe
機械学習におけるコード設計のベストプラクティスについて
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
第16回汎用人工知能研究会
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
『トピックモデルによる統計的潜在意味解析』読書会ファイナル ~佐藤一誠先生スペシャル~ LT 資料 http://topicmodel.connpass.com/event/27999/
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
Introduction of Deep Reinforcement Learning, which was presented at domestic NLP conference. 言語処理学会第24回年次大会(NLP2018) での講演資料です。 http://www.anlp.jp/nlp2018/#tutorial
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
牧野浩二 山梨大学工学部付属モノづくり教育実践センター准教授 西崎博光 山梨大学大学院総合研究部准教授 DLLAB 強化学習 Day 2021
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている.本講演では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い,それぞれ解説を行う. Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 https://stair.connpass.com/event/126556/
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
https://docs.python.org/3/library/typing.html
20170131 python3 6 PEP526
20170131 python3 6 PEP526
masahitojp
Introduction of Microsoft COCO Dataset for image captioning
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
More Related Content
What's hot
AlphaGoの論文を読んで、しくみがわかったのでメモを作りました。
AlphaGoのしくみ
AlphaGoのしくみ
Hiroyuki Yoshida
DataRobotを用いて時系列モデルの作成する方法を紹介します。その後、どのような特徴量を使えば精度が良くなるのか、データにどのような前処理を行えば良いのか、トレンドデータや集約データを使った時系列予測など様々なトピックについて触れていきます。
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
DataRobotJP
最適輸送問題(Wasserstein 距離)を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中! https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-nojie-kifang
最適輸送の解き方
最適輸送の解き方
joisino
2021/09/17 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会] マルチエージェント強化学習と心の理論
[DL輪読会] マルチエージェント強化学習と心の理論
Deep Learning JP
PFIセミナー 2016/04/28
Pythonの理解を試みる 〜バイトコードインタプリタを作成する〜
Pythonの理解を試みる 〜バイトコードインタプリタを作成する〜
Preferred Networks
本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。 近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。 "Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise. The slides are made by the lecturer from outside our company, and shared here with his/her permission. Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステムを導入しています。AIをいかに上手に使って仕事を効率化するか、そして人々の役に立つ結果を生み出すのか、それを考えるのが私たちの仕事です。 Arithmer began at the University of Tokyo Graduate School of Mathematical Sciences. Today, our research of modern mathematics and AI systems has the capability of providing solutions when dealing with tough complex issues. At Arithmer we believe it is our job to realize the functions of AI through improving work efficiency and producing more useful results for society.
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
【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。
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
2023/7/21 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
Deep Learning JP
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】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
2021/12/03 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
Katsuya Ito
強化学習と方策勾配法をざっくり 注: 全体を通して割引報酬による定式化のみを考慮. p. 4:状態価値関数の図は割引をちゃんと考慮してないイメージ図 ミスたち: p. 33:行動が確率変数ではないため -> 大嘘,行動は決定論的に決められるから
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
Anacondaのアップデート方法
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
ayohe
機械学習におけるコード設計のベストプラクティスについて
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
第16回汎用人工知能研究会
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
『トピックモデルによる統計的潜在意味解析』読書会ファイナル ~佐藤一誠先生スペシャル~ LT 資料 http://topicmodel.connpass.com/event/27999/
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
Introduction of Deep Reinforcement Learning, which was presented at domestic NLP conference. 言語処理学会第24回年次大会(NLP2018) での講演資料です。 http://www.anlp.jp/nlp2018/#tutorial
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
牧野浩二 山梨大学工学部付属モノづくり教育実践センター准教授 西崎博光 山梨大学大学院総合研究部准教授 DLLAB 強化学習 Day 2021
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNは画像分類だけではなく,セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている.本講演では,AlexNet以降の代表的なCNNの変遷を振り返るとともに,近年提案されている様々なCNNの改良手法についてサーベイを行い,それらを幾つかのアプローチに分類し,解説する.更に,実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い,それぞれ解説を行う. Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 https://stair.connpass.com/event/126556/
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
What's hot
(20)
AlphaGoのしくみ
AlphaGoのしくみ
機械学習を使った時系列売上予測
機械学習を使った時系列売上予測
最適輸送の解き方
最適輸送の解き方
[DL輪読会] マルチエージェント強化学習と心の理論
[DL輪読会] マルチエージェント強化学習と心の理論
Pythonの理解を試みる 〜バイトコードインタプリタを作成する〜
Pythonの理解を試みる 〜バイトコードインタプリタを作成する〜
全力解説!Transformer
全力解説!Transformer
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
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)
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
最近強化学習の良記事がたくさん出てきたので勉強しながらまとめた
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
深層強化学習と実装例
深層強化学習と実装例
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Similar to PsychoPyを使った初学者向けの心理実験環境の構築
https://docs.python.org/3/library/typing.html
20170131 python3 6 PEP526
20170131 python3 6 PEP526
masahitojp
Introduction of Microsoft COCO Dataset for image captioning
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
社内向けPython入門講義資料
Introduction of Python
Introduction of Python
Tomoya Nakayama
この資料では、Pythonのデータ分析ライブラリーである「pandas」を使う練習を目的として、データ分析の初歩的な内容を解説しています。 2015/11/25 ver1.0 公開 2015/12/11 ver1.1 仮説検定の説明を分かりやすく修正 2016/11/15 ver2.0 改訂版公開、scikit-learnの利用例を追加 2017/06/11 ver2.1 仮説検定パートを削除、sklearnの利用例をアップデート
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Etsuji Nakai
IEEE ITSS Nagoya Chapterでの講演資料
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Yasutomo Kawanishi
電子情報通信学会総合大会2016 企画セッション 「パターン認識・メディア理解」必須ソフトウェアライブラリ 手とり足とりガイド
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Yasutomo Kawanishi
はじめてのパターン認識の輪読会LTにて
2013.07.15 はじパタlt scikit-learnで始める機械学習
2013.07.15 はじパタlt scikit-learnで始める機械学習
Motoya Wakiyama
DeepLearningについて全くの素人が触れてみた結果、どうやったら・何ができたかをまとめた資料
はじめての人のためのDeep Learning
はじめての人のためのDeep Learning
Tadaichiro Nakano
JJUG CCC 2016 Springの以下のセッションで発表した際の資料です。 http://www.java-users.jp/?page_id=2396#F-1
#jjug_ccc #ccc_f1 広告システム刷新の舞台裏 - PHPからJavaに変えてみました
#jjug_ccc #ccc_f1 広告システム刷新の舞台裏 - PHPからJavaに変えてみました
Yahoo!デベロッパーネットワーク
こちらが改訂版なので,ダウンロードするならこちらで: http://www.kamishima.net/archive/scipy-overview.pdf 第15回情報科学技術フォーラム (FIT2016) での講演「科学技術計算関連Pythonパッケージの概要」の発表資料です. * 講演ページ: http://www.ipsj.or.jp/event/fit/fit2016/FIT2016program_web/data/html/event/event72.html * 小嵜 耕平さん資料「Python とデータ分析コンテストの実践」 https://speakerdeck.com/smly/python-todetafen-xi-kontesutofalseshi-jian * サンプルファイル: https://github.com/tkamishima/fit2016tutorial
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Toshihiro Kamishima
JJUG CCC 2012 Fall でのスライドです。
Spock's world
Spock's world
Takuma Watabiki
2016/08/27 開催 社内向け Rspec勉強会
R spec勉強会
R spec勉強会
Tatsunori Nishikori
社内で行ったPHP基礎勉強会の資料です。深い内容までは踏み込んでいませんが、幅広い内容を取り上げています。
PHP基礎勉強会
PHP基礎勉強会
Yuji Otani
Similar to PsychoPyを使った初学者向けの心理実験環境の構築
(13)
20170131 python3 6 PEP526
20170131 python3 6 PEP526
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Introduction of Python
Introduction of Python
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
2013.07.15 はじパタlt scikit-learnで始める機械学習
2013.07.15 はじパタlt scikit-learnで始める機械学習
はじめての人のためのDeep Learning
はじめての人のためのDeep Learning
#jjug_ccc #ccc_f1 広告システム刷新の舞台裏 - PHPからJavaに変えてみました
#jjug_ccc #ccc_f1 広告システム刷新の舞台裏 - PHPからJavaに変えてみました
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Spock's world
Spock's world
R spec勉強会
R spec勉強会
PHP基礎勉強会
PHP基礎勉強会
PsychoPyを使った初学者向けの心理実験環境の構築
1.
PsychoPyを使った 初学者向けの心理実験環境の構築 !
小川洋和 関西学院大学 文学部 総合心理科学科
2.
今日の内容 自己紹介 PsychoPyとは?
入門編:実験作成の基礎 応用編:コードコンポーネントについて 実験実習・卒論実験に導入する際のノウハウ
3.
自己紹介
4.
専門:実験心理学(視覚的注意・顔認知など) 自身の実験プログラム環境は、MATLAB+PTBを使用。 毎年16~12名程度の卒論生を指導。その全員に別々実験
のプログラムが必要となる。 ➡ 学生自身が自力で学べる心理実験のためのプログラミン グ環境の必要性
5.
PsychoPyとは?
6.
PsychoPyの特徴 心理実験用の刺激呈示・データ収集アプリケーション Python言語をベースとしている
無料で利用できる(オープンソース) インストールが簡単 プラットホームを問わない(Windows / Mac / Linux) GUI環境で実験を構築できる(もちろんコードを直接書くことも できる) パラレルポートなどを利用した外部トリガー出力も可能。
7.
インストール PsychoPy Webpage(http://www.psychopy.org)からダウンロードページへ
8.
Windows:「*-win32.exe」ファイルをダウンロード→ダブルクリック Mac:「*-OSX.dmg」ファイルをダウンロード ディスクイメージ内のアイコンをアプリケーションフォルダにD&D
9.
コーダ̶(Coder)機能 Pythonのコードを直接記述するかたちでプログラミン グする機能
ビルダー(builder)機能 GUIベースで刺激や反応取得のルーチンを配置していく ことで実験を作成する機能
10.
Coder View 通常のエディター機能に加
え、Outputを表示したりや Shellコマンドを実行する機 能が実装されている。 CoderとBuilderはメニュー から随時切り替え可能。
11.
Builder View ルーチンペイン
フローペイン
12.
ルーチンペイン 実験を構成するイベントの時間的な流れが示されている 注視点・刺激のタイミング
反応取得の期間など フローペイン 実験内でのルーチンの実行順序を示す。教示や刺激、繰り返し(ルー プ)など
13.
コンポーネント 実験の中で呈示される様々な刺激や反 応取得のイベント(部品)
これらを並べることによって試行をデ ザインすることができる。
14.
刺激呈示に関するコンポーネント Image:画像ファイルを表示 Text:文字を表示
Polygon:多角形を表示 Grating:縞模様を表示 Dot:一様に運動するドットを表示 Sound:音声ファイルを呈示 Movie:動画ファイルを再生
15.
反応取得に関するコンポーネント Keyboard:キーボードの反応を取得 Mouse:マウスカーソルの座標・ボタン状態を取得
Rating Scale: レーティングスケールを表示して反応を取得 Microphone:マイクから音声を録音 Cedrus button box:Cedrus社製ボタンボックス の制御 ioLabs button box:ioLabsのボタンボックス制御
16.
その他のコンポーネント Code: Pythonのコードを入力する。任意のタイミングで
実行することによって、動的な制御を実現できる。 ISI: 大きなサイズの画像を読み込むなど時間が掛かる処 理を行うための期間を設定 Parallel out: パラレルポートからの信号出力を制御
17.
入門編:実験作成の基礎
18.
実験課題 二枚の画像の選好判断(2AFC) カーソルキーの左右で反応。反応キーと反応時間を記録。
実験刺激 10枚の顔画像(001.jpg~010.jpg) 試行の流れ + ブランク (500 ms) 注視点 (750 ms) 刺激 (反応まで)
19.
ブランク
20.
ブランク Durationなどを設定する この期間に呈示する画像ファ
イルなどを先読みすることが 可能(後述)
21.
注視点 Nameにコンポート名を設定 (変数などと重複不可)
呈示タイミング・じいじ時間 などを設定 文字の大きさをピクセル単位 で設定(視覚・画面上での比 率などでも設定可能) 位置は画面中央が[0,0]
22.
注視点 Nameにコンポート名を設定 (変数などと重複不可)
呈示タイミング・じいじ時間 などを設定 文字の大きさをピクセル単位 で設定(視覚・画面上での比 率などでも設定可能) 位置は画面中央が[0,0]
23.
注視点
24.
刺激画像 image欄にファイル名を 記入(プログラムと違う
フォルダにある場合はパ ス名も) 反応まで呈示し続ける場 合にはStop欄を空白に 位置、サイズなどを設定
25.
刺激画像 image欄にファイル名を 記入(プログラムと違う
フォルダにある場合はパ ス名も) 反応まで呈示し続ける場 合にはStop欄を空白に 位置、サイズなどを設定
26.
刺激画像
27.
反応取得 Start, Stopで反応を取得
する期間を設定 “Force end of Routine” にチェックを入れるとキー 押しがあった時点でルー チンが終了する。 “Allowed Keys”で受け付 けるキー種類を設定
28.
反応取得 Start, Stopで反応を取得
する期間を設定 “Force end of Routine” にチェックを入れるとキー 押しがあった時点でルー チンが終了する。 “Allowed Keys”で受け付 けるキー種類を設定
29.
反応取得
30.
繰り返しの処理(ループ) Flowペインから”Insert Loop”をクリック
31.
繰り返しの処理(ループ) “LoopType”で繰り返しの 種類(どのようにランダ
マイズするか)を設定で きる “nReps”で繰り返し回数 を設定 “conditionsFile”で試行ご とのパラメタリストを読 み込むことができる。
32.
繰り返しの処理(ループ) 一行目にPsychoPy内 での変数名を記入
二行目以降に変数に入 る値を記入 一行に記入する値が 一試行の値となる。
33.
繰り返しの処理(ループ) “conditionsFile”でExcel ファイルを指定すると、
読み込まれて先ほど指定 した変数名が認識されて いることがわかる。
34.
繰り返しの処理(ループ)
35.
刺激画像 先ほど設定した画像のプ ロパティを再度開き、設
定ファイルで指定した変 数名($imageName1) を入力 “set every repeat”に設 定することを忘れずに!
36.
完成!
37.
結果の出力 CSVファイルで各試行の刺激・反応が記録される 日本語が含まれる場合、文字コードの関係で文字化けする。
その場合はExcelファイルで出力するように設定を変更す ることで回避可能
38.
結果の出力 CSVファイルで各試行の刺激・反応が記録される 日本語が含まれる場合、文字コードの関係で文字化けする。
その場合はExcelファイルで出力するように設定を変更す ることで回避可能
39.
Youtubeにストループ課題の作成チュートリアル動画が 掲載されています。 http://www.youtube.com/watch?v=VV6qhuQgsiI
40.
応用編:コードコンポーネントについて
41.
コードコンポーネント 動的な刺激制御 反応の結果に応じてフィードバックのメッセージを変
えるなど、動的な刺激制御を行うためには、コードコ ンポーネントを利用する。 Pythonのコードを直接記入することで、条件分岐など の複雑な処理を行うことが可能になる。
42.
コード実行タイミング 実験開始/終了時・ルーチン開始/終了時・各フレームの それぞれのタイミングで、スクリプトを実行することがで
きる。
43.
コードの記入例 画像の呈示位置(左右)をランダマイズするには? 先ほどの例では画像ペアの左右が固定なので、試行
毎にランダムに左右位置を決定する 反応に応じてフィードバックメッセージを呈示するに は? 反応時間が3秒以上の場合に「Too late!」という メッセージを表示する。
44.
乱数に応じてファイル名をスワップする Begin Routineに左の
ようなコードを記入す る。 Random()は0以上1未 満の乱数を返す関数 trials.addDataでここ で値を変更した変数を 指定すると結果ファイ ルに書き出される。
45.
乱数に応じてファイル名をスワップする Begin Routineに左の
ようなコードを記入す る。 Random()は0以上1未 満の乱数を返す関数 trials.addDataでここ で値を変更した変数を 指定すると結果ファイ ルに書き出される。 コードで指定した変数に変更
46.
結果ファイルの確認 trials.addDataで指定した変数が挿入されている。 試行によって画像の呈示位置がスイッチされてることも確
認できる。
47.
コードの記入例 画像の呈示位置(左右)をランダマイズするには? 先ほどの例では画像ペアの左右が固定なので、試行
毎にランダムに左右位置を決定する 反応に応じてフィードバックメッセージを呈示するに は? 反応時間が3秒以上の場合に「Too late!」という メッセージを表示する。
48.
メッセージ用のルーチンを作成する “Insert routine”から新しくメッセージ呈示用のルーチン
を作成し、テキストコンポーネントでメッセージを入力す る。
49.
メッセージ用のルーチンを作成する “Insert routine”から新しくメッセージ呈示用のルーチン
を作成し、テキストコンポーネントでメッセージを入力す る。
50.
メッセージ用のルーチンを作成する “Insert routine”から新しくメッセージ呈示用のルーチン
を作成し、テキストコンポーネントでメッセージを入力す る。
51.
メッセージ用のルーチンを作成する “Insert routine”から新しくメッセージ呈示用のルーチン
を作成し、テキストコンポーネントでメッセージを入力す る。
52.
反応時間に応じてフラグを立てる Trialルーチンでコードを開 き、”End
Routine”のタブに 左のようなコードを入力する 各試行の反応時間は 「response.rt」という変数 に入っている(結果ファイル でも確認できる)。
53.
ループ回数の設定で処理の分岐を行う メッセージのルーチンにループを設定し、繰り返し回数に 先ほどのフラグ変数を指定する。
➡ ループ回数が0の場合には処理をスキップすることを利 用した処理分岐
54.
完成!
55.
実験実習・卒論実験などへの導入
56.
関西学院大学文学部総合心理科学科での導入事例 PsychoPyを学科保有のPC(60台前後)に加えて、全学 のPC教室にインストール
2014年度から3年生対象の実験実習科目の一環として PsychoPyを使った実験プログラム実習を実施
57.
実際に導入してみた感想… UIが取っつきやすいこともあり、想定していたよりも学生 の理解は早い。
2週(各連続2コマ)で概容を説明し実験作成例を呈示 することによって、基本的な実験作成が可能になる。 もちろん細かい点については個別に説明・対応する必 要あり エラーメッセージが非常にわかりにくいため、トラブルが あったときの対処に時間がかかる。
58.
よくあるトラブル 全般的にエラーメッセージとミスの内容が対応しておらず、 プログラムの知識がないとデバグが困難である。
プログラムのパス名(上位階層も含む)に2バイト文字が 含まれているとプログラムを実行できない。しかも、その 場合特にエラーメッセージが表示されない。 コンポーネントで値を変数で指定する場合「Set every repeat」にセットする必要があるが、これを忘れることが 多い。また、その場合に表示されるエラーメッセージから、 このミスに気づくことが難しい。
59.
PsychoPy導入のメリット・メリット 学生自身が実験プログラムを手軽に作成できる 実験に対する理解が深まりやすい
作成済みのプログラムを渡されるよりも、自身の卒論 研究に対してより動機づけが強まりやすい(?) 厳密な時間制御が必要な実験(特に視聴覚刺激・動画)の 精度には注意が必要。 Coder機能を使ってコードを自分で書くか、他の実験 環境の利用を検討した方がよい。
60.
参考資料 愛媛大学十河先生が非常に詳細(約400ページ!)かつわ かりやすいテキストをPDFで提供されているので是非ご覧
ください。 PsychoPy Builderで作る心理学実験 http://www.s12600.net/psy/python/ppb/ 私のサイトにも簡単な実験作成方法を紹介しています。 PsychoPy講座 http://ogwlab.org/?page_id=460
Download now