SlideShare a Scribd company logo
数理最適化とPython モデリングライブラリPyomoと最適化入門 質問など-> @_likr
お前、誰よ 尾上 洋介(おのうえ ようすけ) Twitter @_likr(りけると読んでください) 関西大学大学院総合情報学研究科 M1 数理最適化のアルゴリズムと応用の研究 ナップサック問題 株式会社スプーキーズエンジニア Web,Android … Python歴 2年 GAE,Django,Numpy,Python/C API,PyCUDA,SL4A … 質問など-> @_likr
アジェンダ 科学技術計算とPython 最適化とPython 数理モデリング モデリングライブラリPyomo ケーススタディ 質問など-> @_likr
科学技術計算とPython 質問など-> @_likr
計算科学 (Computational Science) コンピュータによる計算で問題解決を行う科学 物理シミュレーション 流体力学 化学 構造計算 バイオインフォマティクス 応用数学 四色問題の証明 ≠計算機科学(Computer Science) 質問など-> @_likr
Why Python? 豊富なライブラリ batteries included Numpy, Scipyをはじめとして,ネイティブ言語実装のライブラリが豊富 GUIでビジュアライズ シンプルな構文 科学者は科学に集中したい 移植性 オープンソース 数十万〜百万円クラスのソフトがよく用いられる 質問など-> @_likr
科学技術計算分野でのPython 組織 NASA 今はそうでもないとかなんとか… 高エネルギー加速器研究機構 書籍 入門自然言語処理 Bioinformatics Programming Using Python Python Scripting for Computational Science 質問など-> @_likr
Pythonの数理最適化ライブラリ 質問など-> @_likr
数理最適化 Mathematical ProgrammingMathematical Optimization 実行可能領域内で目的関数を最大(最小化)する 解法から応用まで幅広い研究 経済学 マネジメント 回路設計 etc … 質問など-> @_likr
問題の種類での分類 線形計画問題 非線形計画問題 混合整数計画問題 ナップサック問題 巡回セールスマン問題 質問など-> @_likr
解法での分類 厳密解法 動的計画法 分枝限定法 近似解法 性能保証あり 近似アルゴリズム 性能保証なし 遺伝的アルゴリズム ニューラルネットワーク 質問など-> @_likr
Coopr COmmon Optimization Python Repository COIN-ORのサブプロジェクト Pythonの最適化ライブラリ群 coopr.pyomo – モデリング coopr.pysp – 確率計画アルゴリズム COIN-OR 最適化関連ソフトウェアをオープンソースで提供することで学術研究の発展をはかるプロジェクト 質問など-> @_likr
or-tools Operations Research Toolsdeveloped at Google Googleの中の人が開発 C++によるアルゴリズム実装とPythonによるアプリケーションレイヤ 質問など-> @_likr
最適化ソルバのAPI 最適化ソルバ 線形計画問題ソルバ,混合整数計画問題ソルバ… ソルバの機能の一部を外部プログラムから利用したりソルバをアプリケーションに組み込むためのAPI 主要なソルバはAPIをC, C++だけでなくPythonでも提供 CPLEX Gurobi 質問など-> @_likr
その他 モデリング系 PuLP POAMS PyMathProg - PyGLPK OpenOpt - scipy アルゴリズム系 pyipopt - 非線形計画問題ソルバ ecspy - 遺伝的アルゴリズム等の進化的計算パッケージ 質問など-> @_likr
モデリング 質問など-> @_likr
モデリング 最適化したい現象の数学的関係を表現 利益 コスト 生産能力 線形計画問題など具体的な問題クラスに落とし込むことでソルバで扱える 質問など-> @_likr
最適化問題の例 製品P1とP2を生産し利潤を最大化する 製品P1を1トン生産するには原料M1が2トン,M2が8トン,M3が3トン必要 製品P2を1トン生産するには原料M1が6トン,M2が6トン,M3が1トン必要 M1は27トンまで,M2は45トンまで,M3は15トンまでしか利用できない P1とP2の1トンあたりの利潤はそれぞれ2百万円と5百万円 P1とP2を何トンずつ生産すればいいか? 質問など-> @_likr
モデルのデザイン 何を決定するのか P1とP2の生産量 x1, x2 何を目的にするのか 利潤 P1 1トンあたりの利潤 × x1+ P2 1トンあたりの利潤 × x2 質問など-> @_likr
モデルのデザイン 制約は何か 原料の量 P11トンあたりのM1消費量×x1+p21トンあたりのM1消費量×x2≦ M1の消費可能量  … 非負性 -1トン生産とかは不可能 質問など-> @_likr
モデリングライブラリPyomo Python Optimization Modeling Object 質問など-> @_likr
目的 オープンソース 柔軟性 移植性 ソルバ統合 モデルの抽象化(パラメータ分離) cf. AMPL 質問など-> @_likr
インストール easy_installやpip coopr_install Windows用インストーラ ソースコード 質問など-> @_likr
使い方 from coopr import pyomomodel = pyomo.AbstractModel()# TODO model の肉付けinstance = model.create()instance.pprint() 質問など-> @_likr
何を決定するのか model.p = pyomo.Set(initialize=[1, 2])model.x = pyomo.Var(model.p,                    within=pyomo.NonNegativeReals) Var 決定変数の定義に使用 within(=domain) Reals(default), Binary, Integer, NonPositiveInteger… Set 集合の定義に使用 モデルの抽象化 質問など-> @_likr
何を目的にするのか rule = lambda model: 2*model.x[1] + 5*model.x[2]model.profit = pyomo.Objective(rule=rule, sense=pyomo.maximize) Objective 目的関数の定義に使用 sense minimize(default) or maximize 質問など-> @_likr
制約は何か rule = lambda model: (2*model.x[1] + 6*model.x[2]) <= 27model.m1 = pyomo.Constraint(rule=rule) Constraint 制約関数の定義に使用 ruleは真偽値を返す関数 質問など-> @_likr
ソルバを使う コンソール実行$ pyomomodel.py model.py中に変数名modelでモデル定義 results.ymlが保存される スクリプト内実行from coopr import optsolver = opt.SolverFactory('glpk')result = solver.solve(instance)print result 質問など-> @_likr
質問など-> @_likr
質問など-> @_likr
質問など-> @_likr
ナップサック問題 ケーススタディ1 質問など-> @_likr
問題 価値が最大になるようにカバンに荷物を詰める カバンには入れられる重さの制限がある 荷物にはそれぞれ価値と重さが決まっている 質問など-> @_likr
モデルの抽象化 モデル(プログラム)とデータの分離 データを変えれば他の問題が解ける 質問など-> @_likr
モデルのデザイン 何を決定するか 荷物iをカバンに入れるとき xi = 1 そうでないとき xi = 0 目的と制約 荷物iの価値 × xiの和 荷物iの重さ × xiの和がカバンの容量以内 xiは0または1 質問など-> @_likr
ソースコード 質問など-> @_likr
事務所の分散 ケーススタディ2 質問など-> @_likr
問題 ある会社には部門が5つあり(A, B, C, D, E),現在全てがロンドンにある 部門の一部をブリストルとブライトンに再配置する 1つの都市における部門は3つまでとする 再配置をすればコストダウンによる利益(/年)が生じる 部門間は一定量の通信を行う 通信費(/年)は都市間ごとに決まっている 年間総費用を最小にするには各部門をどう配置する? 質問など-> @_likr
パラメータ 再配置による利益 部門間の通信量 都市間の通信費 質問など-> @_likr
何を決定するか 各部門をどこに配置するか 部門iを都市jに配置するとき xij = 1 そうでないとき xij = 0 補助変数(通信費の計算に使う) xij = 1 かつxkl = 1 のとき yijkl = 1 そうでないとき yijkl = 0 質問など-> @_likr
枠に収める xi = 0 のとき部門iをブリストルに,xi = 1 のとき部門iをブライトンに,xi = 2 のとき部門iをロンドンにではダメ? 非線形性を持ち,MIPの枠外になる yijklではなくxij × xklではダメ? 二次計画問題となり,MIPの枠外になる 質問など-> @_likr
目的を何にするか 利益の和 – 費用の和の最大化 部門iを都市jに置く利益 Pij × xij 部門iを都市jに置き,部門kを都市lに置く費用 Cjl × Qik × yijkl 質問など-> @_likr
制約は何か 1都市に3部門まで 1部門は1つの都市にしか置けない yijkl = 1 の必要十分条件 yijkl = 1 ⇔ xij = 1 かつxkl = 1 yijkl – xij ≦ 0 yijkl – xkl ≦ 0 xij + xkl – yijkl ≦ 0 質問など-> @_likr
3次元3目並べ ケーススタディ3 質問など-> @_likr
問題 27マス(3 × 3 × 3)の立方体のマスに○か×を置いていく ○の数は14個,×の数は13個 線(3マスが一直線に並んでいる状態)は49本ある 27マス全てを埋めて,同じ記号が並んでいる線の数を最小にする組み合わせを求めよ 興味を持った人は考えてみてください 質問など-> @_likr
おわりに 質問など-> @_likr
おわりに 最適化研究は着実に進歩しているが,世間では広く認知されていない? ex. 被災地への義援金配分 Pythonは科学的なアプリを作る時にも有効 Pythonで最適化にチャレンジ! 質問など-> @_likr
参考図書 坂和正敏著「数理計画法の基礎」 前田英二郎監訳,小林英三訳「数理計画モデルの作成法」 絶版 原著H. Paul Williams「Model Building in Mathematical Programming」 質問など-> @_likr
ご清聴ありがとうございました 質問など-> @_likr

More Related Content

What's hot

数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
 

What's hot (20)

SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
 
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
 
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
 
研究効率化Tips Ver.2
研究効率化Tips Ver.2研究効率化Tips Ver.2
研究効率化Tips Ver.2
 
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
 
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
 
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門
 
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
 
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
 
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
 
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
 
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
 
[DL輪読会]Set Transformer: A Framework for Attention-based Permutation-Invariant...
[DL輪読会]Set Transformer: A Framework for Attention-based Permutation-Invariant...[DL輪読会]Set Transformer: A Framework for Attention-based Permutation-Invariant...
[DL輪読会]Set Transformer: A Framework for Attention-based Permutation-Invariant...
 
Optimizer入門&最新動向
Optimizer入門&最新動向Optimizer入門&最新動向
Optimizer入門&最新動向
 
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
 
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)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)
 
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
 
機械学習は化学研究の"経験と勘"を合理化できるか?
機械学習は化学研究の"経験と勘"を合理化できるか?機械学習は化学研究の"経験と勘"を合理化できるか?
機械学習は化学研究の"経験と勘"を合理化できるか?
 

Similar to 数理最適化とPython

Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会
Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会
Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会
Yuya Unno
 

Similar to 数理最適化とPython (20)

機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython
 
Why python
Why pythonWhy python
Why python
 
Why python
Why pythonWhy python
Why python
 
20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
 
GBDC 勉強会 #1 Python を用いたツール作成工数の最小化
GBDC 勉強会 #1 Python を用いたツール作成工数の最小化GBDC 勉強会 #1 Python を用いたツール作成工数の最小化
GBDC 勉強会 #1 Python を用いたツール作成工数の最小化
 
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
 
Orientation
OrientationOrientation
Orientation
 
Sapporo20140709
Sapporo20140709Sapporo20140709
Sapporo20140709
 
鳥取python勉強会 第1回
鳥取python勉強会 第1回鳥取python勉強会 第1回
鳥取python勉強会 第1回
 
ゼロから学ぶPython勉強会
ゼロから学ぶPython勉強会ゼロから学ぶPython勉強会
ゼロから学ぶPython勉強会
 
Convolutional Neural NetworkとRankNetを用いた画像の順序予測
Convolutional Neural NetworkとRankNetを用いた画像の順序予測Convolutional Neural NetworkとRankNetを用いた画像の順序予測
Convolutional Neural NetworkとRankNetを用いた画像の順序予測
 
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
 
量子コンピュータのプログラミング・コンテスト体験記
量子コンピュータのプログラミング・コンテスト体験記量子コンピュータのプログラミング・コンテスト体験記
量子コンピュータのプログラミング・コンテスト体験記
 
S09 t4 wrapup
S09 t4 wrapupS09 t4 wrapup
S09 t4 wrapup
 
[PyConJP2019]Pythonで切り開く新しい農業
[PyConJP2019]Pythonで切り開く新しい農業[PyConJP2019]Pythonで切り開く新しい農業
[PyConJP2019]Pythonで切り開く新しい農業
 
S06 t1 python学習奮闘記#4
S06 t1 python学習奮闘記#4S06 t1 python学習奮闘記#4
S06 t1 python学習奮闘記#4
 
Kstm lt 2021 12
Kstm lt 2021 12Kstm lt 2021 12
Kstm lt 2021 12
 
PredictionIOのPython対応計画
PredictionIOのPython対応計画PredictionIOのPython対応計画
PredictionIOのPython対応計画
 
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアルscikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
 
Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会
Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会
Twitter分析のためのリアルタイム分析基盤@第4回Twitter研究会
 

More from Yosuke Onoue

AngularJSでの非同期処理の話
AngularJSでの非同期処理の話AngularJSでの非同期処理の話
AngularJSでの非同期処理の話
Yosuke Onoue
 
社会的決定とAHP
社会的決定とAHP社会的決定とAHP
社会的決定とAHP
Yosuke Onoue
 
CUDA 6の話@関西GPGPU勉強会#5
CUDA 6の話@関西GPGPU勉強会#5CUDA 6の話@関西GPGPU勉強会#5
CUDA 6の話@関西GPGPU勉強会#5
Yosuke Onoue
 
PythonistaがOCamlを実用する方法
PythonistaがOCamlを実用する方法PythonistaがOCamlを実用する方法
PythonistaがOCamlを実用する方法
Yosuke Onoue
 
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
Yosuke Onoue
 
PyOpenCLによるGPGPU入門
PyOpenCLによるGPGPU入門PyOpenCLによるGPGPU入門
PyOpenCLによるGPGPU入門
Yosuke Onoue
 
Rsa暗号で彼女が出来るらしい
Rsa暗号で彼女が出来るらしいRsa暗号で彼女が出来るらしい
Rsa暗号で彼女が出来るらしい
Yosuke Onoue
 

More from Yosuke Onoue (19)

Angular 2のRenderer
Angular 2のRendererAngular 2のRenderer
Angular 2のRenderer
 
アニメーション(のためのパフォーマンス)の基礎知識
アニメーション(のためのパフォーマンス)の基礎知識アニメーション(のためのパフォーマンス)の基礎知識
アニメーション(のためのパフォーマンス)の基礎知識
 
AngularJSでデータビジュアライゼーションがしたい
AngularJSでデータビジュアライゼーションがしたいAngularJSでデータビジュアライゼーションがしたい
AngularJSでデータビジュアライゼーションがしたい
 
GDG DevFest Kobe Firebaseハンズオン勉強会
GDG DevFest Kobe Firebaseハンズオン勉強会GDG DevFest Kobe Firebaseハンズオン勉強会
GDG DevFest Kobe Firebaseハンズオン勉強会
 
Polymerやってみた
PolymerやってみたPolymerやってみた
Polymerやってみた
 
asm.jsとWebAssemblyって実際なんなの?
asm.jsとWebAssemblyって実際なんなの?asm.jsとWebAssemblyって実際なんなの?
asm.jsとWebAssemblyって実際なんなの?
 
AngularFireで楽々バックエンド
AngularFireで楽々バックエンドAngularFireで楽々バックエンド
AngularFireで楽々バックエンド
 
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーションAngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
 
AngularJSでの非同期処理の話
AngularJSでの非同期処理の話AngularJSでの非同期処理の話
AngularJSでの非同期処理の話
 
社会的決定とAHP
社会的決定とAHP社会的決定とAHP
社会的決定とAHP
 
CUDA 6の話@関西GPGPU勉強会#5
CUDA 6の話@関西GPGPU勉強会#5CUDA 6の話@関西GPGPU勉強会#5
CUDA 6の話@関西GPGPU勉強会#5
 
Anaconda & NumbaPro 使ってみた
Anaconda & NumbaPro 使ってみたAnaconda & NumbaPro 使ってみた
Anaconda & NumbaPro 使ってみた
 
PythonistaがOCamlを実用する方法
PythonistaがOCamlを実用する方法PythonistaがOCamlを実用する方法
PythonistaがOCamlを実用する方法
 
What's New In Python 3.3をざっと眺める
What's New In Python 3.3をざっと眺めるWhat's New In Python 3.3をざっと眺める
What's New In Python 3.3をざっと眺める
 
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
 
PyOpenCLによるGPGPU入門
PyOpenCLによるGPGPU入門PyOpenCLによるGPGPU入門
PyOpenCLによるGPGPU入門
 
201010ksmap
201010ksmap201010ksmap
201010ksmap
 
PyCUDAの紹介
PyCUDAの紹介PyCUDAの紹介
PyCUDAの紹介
 
Rsa暗号で彼女が出来るらしい
Rsa暗号で彼女が出来るらしいRsa暗号で彼女が出来るらしい
Rsa暗号で彼女が出来るらしい
 

Recently uploaded

2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
ssuserbefd24
 

Recently uploaded (11)

5/22 第23回 Customer系エンジニア座談会のスライド 公開用 西口瑛一
5/22 第23回 Customer系エンジニア座談会のスライド 公開用 西口瑛一5/22 第23回 Customer系エンジニア座談会のスライド 公開用 西口瑛一
5/22 第23回 Customer系エンジニア座談会のスライド 公開用 西口瑛一
 
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
 
Intranet Development v1.0 (TSG LIVE! 12 LT )
Intranet Development v1.0 (TSG LIVE! 12 LT )Intranet Development v1.0 (TSG LIVE! 12 LT )
Intranet Development v1.0 (TSG LIVE! 12 LT )
 
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
 
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
ロボットマニピュレーションの作業・動作計画 / rosjp_planning_for_robotic_manipulation_20240521
 
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
 
論文紹介:ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
論文紹介:ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation論文紹介:ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
論文紹介:ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
 
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
Amazon Cognitoで実装するパスキー (Security-JAWS【第33回】 勉強会)
 
20240523_IoTLT_vol111_kitazaki_v1___.pdf
20240523_IoTLT_vol111_kitazaki_v1___.pdf20240523_IoTLT_vol111_kitazaki_v1___.pdf
20240523_IoTLT_vol111_kitazaki_v1___.pdf
 
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
 
論文紹介:Deep Occlusion-Aware Instance Segmentation With Overlapping BiLayers
論文紹介:Deep Occlusion-Aware Instance Segmentation With Overlapping BiLayers論文紹介:Deep Occlusion-Aware Instance Segmentation With Overlapping BiLayers
論文紹介:Deep Occlusion-Aware Instance Segmentation With Overlapping BiLayers
 

数理最適化とPython