Submit Search
Upload
Deeplearningと髪型レコメンドへの応用
•
Download as PPTX, PDF
•
0 likes
•
3,293 views
T
taichi nishimura
Follow
カラビナテクノロジーで発表したLTのdeeplearningの資料です。 AlexNetをチューニングし,10層のネットワークで10次元のベクトルを作りました。
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 24
Download now
Recommended
ニューラルネットワークから畳み込みネットまで数式をほぼ使わずに解説してみました。中途半端な感じでわかりづらくなってしまいました。。
Deeplearningとは?
Deeplearningとは?
Yuto Suzuki
数物セミナー冬の大談話会にて
ニューラルネットワークの数理
ニューラルネットワークの数理
Task Ohmori
Lab introduction 2014
Lab introduction 2014
nlab_utokyo
タコス De 機械学習 by エンジニアのための機械学習ゼミ
タコス De 機械学習 ~パーセプトロンを実装してみよう~
タコス De 機械学習 ~パーセプトロンを実装してみよう~
Suyama Ikuo
Deep learningの軽い紹介の軽い紹介です。 間違ってる部分があったら連絡ください。
Deep learningの軽い紹介
Deep learningの軽い紹介
Yoshihisa Maruya
Hijiyama.R(5/28)にて発表したスライドです。
がんばろう!はじめてのDnn!
がんばろう!はじめてのDnn!
Shushi Namba
全脳アーキテクチャ若手の会第20回カジュアルトーク発表資料
Convolutional Neural Netwoks で自然言語処理をする
Convolutional Neural Netwoks で自然言語処理をする
Daiki Shimada
IBIS2016での講演内容を公開します。深層学習を実世界の問題に適用する上でどのような課題があるのか、車、ロボット、ヘルスケア、コミュニケーションでどのような研究課題があるのかについて紹介しています。
Ibis2016okanohara
Ibis2016okanohara
Preferred Networks
Recommended
ニューラルネットワークから畳み込みネットまで数式をほぼ使わずに解説してみました。中途半端な感じでわかりづらくなってしまいました。。
Deeplearningとは?
Deeplearningとは?
Yuto Suzuki
数物セミナー冬の大談話会にて
ニューラルネットワークの数理
ニューラルネットワークの数理
Task Ohmori
Lab introduction 2014
Lab introduction 2014
nlab_utokyo
タコス De 機械学習 by エンジニアのための機械学習ゼミ
タコス De 機械学習 ~パーセプトロンを実装してみよう~
タコス De 機械学習 ~パーセプトロンを実装してみよう~
Suyama Ikuo
Deep learningの軽い紹介の軽い紹介です。 間違ってる部分があったら連絡ください。
Deep learningの軽い紹介
Deep learningの軽い紹介
Yoshihisa Maruya
Hijiyama.R(5/28)にて発表したスライドです。
がんばろう!はじめてのDnn!
がんばろう!はじめてのDnn!
Shushi Namba
全脳アーキテクチャ若手の会第20回カジュアルトーク発表資料
Convolutional Neural Netwoks で自然言語処理をする
Convolutional Neural Netwoks で自然言語処理をする
Daiki Shimada
IBIS2016での講演内容を公開します。深層学習を実世界の問題に適用する上でどのような課題があるのか、車、ロボット、ヘルスケア、コミュニケーションでどのような研究課題があるのかについて紹介しています。
Ibis2016okanohara
Ibis2016okanohara
Preferred Networks
人工知能の未来と倫理について、人工知能の歴史を振り返りながら議論する。
人工知能の(過去・現在・)未来と倫理
人工知能の(過去・現在・)未来と倫理
National Institute of Informatics (NII)
このプレゼンテーションでは、AlphaGoなど、大きなニュースとして扱われたディープラーニングの有名論文を引用しながら、ディープラーニングの内部を紐解いていきたいと思います。
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25
Minoru Chikamune
Visit http://ai.tanichu.com/
人工知能概論 1
人工知能概論 1
Tadahiro Taniguchi
PFNの丸山宏がソフトウェア科学会 第20回プログラミングおよびプログラミング言語ワークショップ(PPL2018) で行った招待講演「演繹から帰納へ~新しいシステム開発パラダイム~」のスライドです。
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
AI勉強会用資料
勉強会用スライド
勉強会用スライド
harmonylab
20160601画像電子学会
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
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
「汎用人工知能の研究動向」(2014-05) http://www.slideshare.net/naoyaarakawa39/4-share-34819908 の全面改訂版
汎用人工知能について(2015-12)
汎用人工知能について(2015-12)
Naoya Arakawa
CNNdayoCNNdayo
CNNdayo
CNNdayo
SyuntaHoto
2017年3月2日に開催されたVR関係者による謎の交流会において,「VRと私」というタイトルで自己紹介せよということになり慌てて用意したスライドです.
VRとわたし
VRとわたし
Jun Iio
近年ディープラーニング(深層学習)は急速な進化を遂げ、多くの分野での利用が進んでいます。弊社はディープラーニングフレームワークChainerを開発し、オープンソースで公開しています。Pythonを用いて様々な構造のニューラルネットを簡単に構築でき、GPU上での計算もサポートするChainerについて紹介します。また、ディープラーニングの活用例として、ディープラーニングと強化学習を組み合わせて、複数台のロボットに適切な行動を獲得させた事例について説明します。
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
Ryosuke Okuta
全脳関西編(松尾)
全脳関西編(松尾)
Yutaka Matsuo
IIBMP2016(第五回生命医薬情報学連合大会)での招待講演の内容です。深層学習を生成過程の問題としてとらえて、なぜ表現を学習できるのかを説明した後に,深層生成モデル(VAE, GAN, 少しだけ自己回帰モデル, エネルギーモデル, モーメントマッチングモデルを紹介します。
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
全脳アーキテクチャ若手の会15回勉強会 「実ロボットの運動生成」
「実ロボットの運動生成」
「実ロボットの運動生成」
Yurika Doi
TensorFlow, ImageNetを使った画像認識技術と、構造化データの機械学習技術について。
鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る
鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る
Kazuki Nakajima
Chainer Meetup #03 2016年7月2日
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
nlab_utokyo
ソフトウェアジャパン2017でお話した「私と人工知能」の講演スライドです. Presentation materials, which I talked at Software Japan 2017, showing the relationship between Artificial Intelligence and my life.
社会科学研究者からみた機械学習
社会科学研究者からみた機械学習
Jun Iio
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
2016/7/23 第9回科学技術におけるロボット教育シンポジウムでの発表スライドです。
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
論文紹介です。
Improving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectors
Junya Saito
http://linedevday.linecorp.com/jp/2015/
LINE Platform Development Chronicle
LINE Platform Development Chronicle
LINE Corporation
機械学習とかの知識を全く持たないエンジニアさん向けの導入資料です。
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
More Related Content
What's hot
人工知能の未来と倫理について、人工知能の歴史を振り返りながら議論する。
人工知能の(過去・現在・)未来と倫理
人工知能の(過去・現在・)未来と倫理
National Institute of Informatics (NII)
このプレゼンテーションでは、AlphaGoなど、大きなニュースとして扱われたディープラーニングの有名論文を引用しながら、ディープラーニングの内部を紐解いていきたいと思います。
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25
Minoru Chikamune
Visit http://ai.tanichu.com/
人工知能概論 1
人工知能概論 1
Tadahiro Taniguchi
PFNの丸山宏がソフトウェア科学会 第20回プログラミングおよびプログラミング言語ワークショップ(PPL2018) で行った招待講演「演繹から帰納へ~新しいシステム開発パラダイム~」のスライドです。
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
AI勉強会用資料
勉強会用スライド
勉強会用スライド
harmonylab
20160601画像電子学会
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
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
「汎用人工知能の研究動向」(2014-05) http://www.slideshare.net/naoyaarakawa39/4-share-34819908 の全面改訂版
汎用人工知能について(2015-12)
汎用人工知能について(2015-12)
Naoya Arakawa
CNNdayoCNNdayo
CNNdayo
CNNdayo
SyuntaHoto
2017年3月2日に開催されたVR関係者による謎の交流会において,「VRと私」というタイトルで自己紹介せよということになり慌てて用意したスライドです.
VRとわたし
VRとわたし
Jun Iio
近年ディープラーニング(深層学習)は急速な進化を遂げ、多くの分野での利用が進んでいます。弊社はディープラーニングフレームワークChainerを開発し、オープンソースで公開しています。Pythonを用いて様々な構造のニューラルネットを簡単に構築でき、GPU上での計算もサポートするChainerについて紹介します。また、ディープラーニングの活用例として、ディープラーニングと強化学習を組み合わせて、複数台のロボットに適切な行動を獲得させた事例について説明します。
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
Ryosuke Okuta
全脳関西編(松尾)
全脳関西編(松尾)
Yutaka Matsuo
IIBMP2016(第五回生命医薬情報学連合大会)での招待講演の内容です。深層学習を生成過程の問題としてとらえて、なぜ表現を学習できるのかを説明した後に,深層生成モデル(VAE, GAN, 少しだけ自己回帰モデル, エネルギーモデル, モーメントマッチングモデルを紹介します。
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
全脳アーキテクチャ若手の会15回勉強会 「実ロボットの運動生成」
「実ロボットの運動生成」
「実ロボットの運動生成」
Yurika Doi
TensorFlow, ImageNetを使った画像認識技術と、構造化データの機械学習技術について。
鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る
鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る
Kazuki Nakajima
Chainer Meetup #03 2016年7月2日
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
nlab_utokyo
ソフトウェアジャパン2017でお話した「私と人工知能」の講演スライドです. Presentation materials, which I talked at Software Japan 2017, showing the relationship between Artificial Intelligence and my life.
社会科学研究者からみた機械学習
社会科学研究者からみた機械学習
Jun Iio
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
2016/7/23 第9回科学技術におけるロボット教育シンポジウムでの発表スライドです。
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
論文紹介です。
Improving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectors
Junya Saito
What's hot
(20)
人工知能の(過去・現在・)未来と倫理
人工知能の(過去・現在・)未来と倫理
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25
人工知能概論 1
人工知能概論 1
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
勉強会用スライド
勉強会用スライド
20160601画像電子学会
20160601画像電子学会
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
汎用人工知能について(2015-12)
汎用人工知能について(2015-12)
CNNdayo
CNNdayo
VRとわたし
VRとわたし
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
全脳関西編(松尾)
全脳関西編(松尾)
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
「実ロボットの運動生成」
「実ロボットの運動生成」
鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る
鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
社会科学研究者からみた機械学習
社会科学研究者からみた機械学習
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)
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Improving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectors
Viewers also liked
http://linedevday.linecorp.com/jp/2015/
LINE Platform Development Chronicle
LINE Platform Development Chronicle
LINE Corporation
機械学習とかの知識を全く持たないエンジニアさん向けの導入資料です。
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
2016/10/22 第5回 Machine Learning 15minutes! での講演「Amazonでのレコメンド生成における深層学習とAWS利用について」の資料です。
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazon Web Services Japan
ベイズ推定とDeep Learningを使用したレコメンドエンジン開発
ベイズ推定とDeep Learningを使用したレコメンドエンジン開発
LINE Corporation
Deep Learning の簡単な説明から実装、そしてChainer の使い方を紹介します。CUDA サポートについても簡単に解説します。 最新のインストール方法も含んでいます。
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
Ryosuke Okuta
2015/04/14 初期バージョン 2015/04/16 ver1.4(参考資料追加、k平均法の解説追加など) 2015/04/20 ver1.5(最大対数尤度関数の評価、混合分布によるクラスタリングを追加) 2015/04/21 ver1.6(EM法のアルゴリズム説明を追加) 2015/04/24 ver1.7(その他の性能指標を追加) 2015/05/19 ver1.8(ギリシャ文字ベクトルフォントの修正、その他リファクタリング) 2015/05/25 ver1.9(EM法の初期データ画像を追加) 2015/06/07 ver2.1(セミナー用に修正) 2015/06/24 ver2.2(EM法の説明を追加) 2016/09/01 ver2.3(誤字修正) 2016/12/27 ver1.0 タイトルを変更 2016/07/07 ver1.4 Update
機械学習概論 講義テキスト
機械学習概論 講義テキスト
Etsuji Nakai
この続きでTheanoの使い方について簡単に書きました:http://qiita.com/items/3fbf6af714c1f66f99e9
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
Ken Morishita
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
大阪Pythonユーザの集まり 2014/03 で発表した資料 http://connpass.com/event/5361/
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
敦志 金谷
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
TensorFlow の基本的な使い方やコーディング方法を、線形重回帰やロジスティック回帰、パーセプトロンの実装例を通じて解説しています。(機械学習初心者向け) ※2016/02/27に開催した「GDG京都 機械学習勉強会」で発表した資料です。
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
徹 上野山
某所で機械学習の講習会(?)のようなものをしたときの資料です. 機械学習によるデータ分析について,アルゴリズムやツールの使い方*以外*の部分で 重要だと思うことを重点的にまとめたつもりです.
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
Viewers also liked
(13)
LINE Platform Development Chronicle
LINE Platform Development Chronicle
協調フィルタリング入門
協調フィルタリング入門
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用について
ベイズ推定とDeep Learningを使用したレコメンドエンジン開発
ベイズ推定とDeep Learningを使用したレコメンドエンジン開発
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
機械学習概論 講義テキスト
機械学習概論 講義テキスト
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
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
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Similar to Deeplearningと髪型レコメンドへの応用
「高専カンファレンス152in高尾 15年目の再始動」で個人開発で何をしているかを話してきた資料です。 イベントの概要はこちらから↓ https://techplay.jp/event/909177
3Dスキャンを用いた 建物のデジタルアーカイブ
3Dスキャンを用いた 建物のデジタルアーカイブ
Hiroki Ichikura
DeNA TechCon for Student 2016 でお話したスライドです。
DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用
Kazuki Fujikawa
2024年4月22日に行った早稲田AI研究会での講義資料になります。
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
CQ出版における講演資料です。
ゲームAIと人工生命
ゲームAIと人工生命
Youichiro Miyake
非理系学部3年生向けに「機械学習と深層学習入門」というタイトルで研究室内発表した際のスライドです。
機械学習と深層学習入門
機械学習と深層学習入門
Yuta Takahashi
金子邦彦研究室紹介 ホームページ: https://www.kkaneko.jp/index.html
kaneko202304.pptx
kaneko202304.pptx
kunihikokaneko1
ニューラルネットワーク
ニューラルネットワーク.pptx
ニューラルネットワーク.pptx
hiro150493
小泉 悠馬, "深層学習と音響信号処理," 第16回ICTイノベーションセミナー at 首都大学東京, 招待講演, 2018.
深層学習と音響信号処理
深層学習と音響信号処理
Yuma Koizumi
2017/9/8 SIer縛りのIoT勉強会SIerIoTLT #1@スターティア(エンタープライズIoTLT#9) 発表資料
デジタルツインの夜明け
デジタルツインの夜明け
Genki Okuma
AI, Machine Learning, Deep Learningとは何かに関する話
機械学習
機械学習
Song Yeongjin
2018年1月15日の東京大学医学部機能生物学セミナーでの岡野原大輔の講演資料です。 最後の参考文献を修正しました。 修正版はこちらです。 https://www.slideshare.net/pfi/20180115-87025513
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
【再掲】2018年1月15日の東京大学医学部機能生物学セミナーでの岡野原大輔の講演資料です。(最後の参考文献を追加しました)
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
2014年10月27日に開催されましたOMC2014 in FUKUOKAにて講演したプレゼンです。
20141027 omcプレゼン v0.1
20141027 omcプレゼン v0.1
QPITS_Official
ディープラーニングを使った時系列データの異常検知の手法の紹介と適用例を示します。
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
Core Concept Technologies
知能の汎用性は脳に学びうるか
次世代脳シンポジウム(2016年12月19日)
次世代脳シンポジウム(2016年12月19日)
ドワンゴ 人工知能研究所
ITシステムの開発を主にやっています。為安圭介です。 数年間、ITシステム開発のリーダという役割をいただいて、数十名のチーム運営を経験してきました。 今回、遅ればせながらAIに関する勉強を始めました。なんとなくわかった気になっていたAIについて、自分でまとめてみると驚くほど知らないことが多かったように感じます。 今さらですが、書店にあって立ち読みで済ませていた 「松尾 豊(著)@KADOKAWA『人工知能は人間を超えるか』」を購入し、その内容を自分の理解の範囲で簡単にまとめてみました。 これからAIについてビジネスを始めるITエンジニアの方々にも少しは理解できるものになっていると思います。 さて、このスライドをまとめるための時間は、最近アニメが復活したという噂を聞いてなんとなく読み直した「封神演義 ※崑崙山VS金鰲島~紂王が我に返るまで」+「DQ11 セーニャを仲間にする(2)まで」でした。 十二仙でも歯が立たなかった無敵の聞仲と崑崙の教主、元始天尊の戦いは熱かった。その後の武成王と聞仲のやり取りから、太公望との原始的な戦い・・・ DQ11をやったことがある人なら、この『(2)』の意味もわかるでしょう。個人的には1の方が良かったのですが。デルカダール神殿をクリアしたのが8月だったのに、2ヶ月経った今もまだセーニャとは・・・
今さら聞けないITエンジニアのための人工知能
今さら聞けないITエンジニアのための人工知能
Keisuke Tameyasu
SSII 2015 チュートリアル講演 「Deep Learningによる画像認識革命」 2015年6月10日
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
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
COCNフォーラムにおけるプレゼンテーションです。
20180719 cocn dist
20180719 cocn dist
Hiroshi Maruyama
2017年12月7日(木) ROS Japan UG #19 機械学習・AI勉強会の発表スライド タイトル:実社会・実環境におけるロボットの機械学習 内容:実社会・実環境ロボットにおける機械学習という内容で,下記の3点について説明する.(1) これまでのロボット制御 (2) 機械学習による認識を用いたロボット制御 (3) 機械学習を用いたロボットの運動生成.最後にこれからの展望として,マルチモーダル学習について言及した.
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Kuniyuki Takahashi
Similar to Deeplearningと髪型レコメンドへの応用
(20)
3Dスキャンを用いた 建物のデジタルアーカイブ
3Dスキャンを用いた 建物のデジタルアーカイブ
DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
ゲームAIと人工生命
ゲームAIと人工生命
機械学習と深層学習入門
機械学習と深層学習入門
kaneko202304.pptx
kaneko202304.pptx
ニューラルネットワーク.pptx
ニューラルネットワーク.pptx
深層学習と音響信号処理
深層学習と音響信号処理
デジタルツインの夜明け
デジタルツインの夜明け
機械学習
機械学習
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20141027 omcプレゼン v0.1
20141027 omcプレゼン v0.1
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
次世代脳シンポジウム(2016年12月19日)
次世代脳シンポジウム(2016年12月19日)
今さら聞けないITエンジニアのための人工知能
今さら聞けないITエンジニアのための人工知能
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
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
20180719 cocn dist
20180719 cocn dist
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Deeplearningと髪型レコメンドへの応用
1.
DeepLearningと髪型のレコメンドへの応用 九州大学芸術工学部 芸術情報設計学科 2年 西村 太一
2.
自己紹介 元はwebアプリのバックエンド,最近はほとんど機械学習,人工 知能の勉強. Python, Common
Lispが好き. 大学ではCG,メディアアート系が多い. 流鏑馬VR(Unity5, Kinect, Oculus Rift) Three.jsによるWebGL3D迷路ゲーム 音楽が好き. 人工知能を使った自動作曲システムや,Twitterの #NowPlayingを解析したバンドアーティストの推薦システムなど.
3.
Deep Learningとは?機械学習? • 機械学習,DeepLearningという言葉が流行っているのは知っ ているが,どういう仕組みなのか?
そもそも機械が「学習する」 とは?
4.
全結合ニューラルネットワーク..人の脳を模したモデル 前の層のデータが,次の層へ と重みを介して伝搬していく。 ノードについて,各重みを以下 の式で伝搬する。 この2つを最後の層まで繰り 返して伝搬する。 DeepLearningとは,この層 が深くなったものである。
5.
細部を拡大 一つ一つはよく見てみるとこのような 形で前のノードから結合していく。 y=w1x1 +w2x2 +...wnxn
+b y = wi xi +b n å
6.
細部を拡大(2) 活性化関数によって,ニューロンの発火/非発火の状態を表現する。 f(x) シグモイド関数,tanh関数 よく利用されるReLU関数
7.
全体をもう一度 これで一番奥のノー ドまで到達できた。
8.
一番奥で何が起こっているのか..誤差の計算 0.3 0.7 0 1.0 あらかじめつけておいた教師データと, ノードが出した結論についてそれぞ れ比較して,誤差を算出する。 E = 1 2 (zn -tn
)2 n å 二乗誤差を計算する この誤差を最小にするように,ノード間の重みを 調節していく
9.
How?😇 E = 1 2 (zn -tn
)2 n å
10.
誤差逆伝搬法と勾配降下法👀
11.
勾配降下法..重みを小さい方向へ進める 解析的に解くことが困難な関 数に対して,勾配を求めること によって解を動かし, より式が小さくなる方向へと 解を動かしていくアルゴリズ ム。 「傾き」がデータとしてほしい…! (偏)微分 new_wij = wij
-h ¶E ¶wij
12.
誤差逆伝搬法..重みの微分を求める ニューラルネットワークは合成関数を深く 深くしていったもので,合成関数のそれぞれが 微分可能であった場合,全体としても微分が可 能である。 (1)誤差を受けて,一番奥の一つ前の層と,一 番奥の層の微分の求め方 (2)さらにその一つ前の層への逆伝搬 ¶E ¶w = ¶E ¶z3 ¶z3 ¶y3k å ¶y3 ¶z2 ¶z2 ¶y2 ¶y2 ¶w よく見ると,二項目まで共通 誤差の疑似信号を後ろから前へ 流していき,微分を高速演算! ¶E ¶wlatest = ¶E ¶z3 ¶z3 ¶y3 ¶y3 ¶wlatest
13.
まとめ ニューラルネットワークは脳の様子をそのまま 数式とグラフで表現したモデル 入力にデータを入れて,正解データとの誤差を 算出する その誤差を最小にするためのアルゴリズムが, 勾配降下法 勾配降下法を利用するために必要なデータが 微分(傾き)で,微分を求めるのが誤差逆伝搬法
14.
• 画像系で幅広く使われるニューラルネットワークが存在する。 それが畳み込みニューラルネットワーク • 畳み込み層とプーリング層を繰り返すことで,データの特徴を よりよく反映させた「特徴マップ」を作っていく。 •
詳細は省くが,より奥の層に行くにつれて,内部構造を獲得して いく様子がわかる 畳み込みニューラルネットワーク
15.
層ごとに内部構造を獲得していく様 子
16.
実際に作成
17.
顔を見て髪型をおすすめできるのでは?
18.
ヘアカタログを見てもどれがいいかわからん • (仮説)顔によってその人にあった髪型というものが分かるので はないだろうか..? • 従来の手法では難しいかもしれないが,DeepLearningなら可 能かも? •
今回は髪型が比較的豊富な女性でやってみよう。 Hotpepperbeauty,楽天beautyからクローリングし,手作業で(死ぬかと思った) 髪型ごとにラベルに分割。結果,以下の10ラベルとなった。 各データは回転させたり,反転させ たりで8倍ほどに拡張 (DeepLearningでとても大事!, データ量に依存するため)
19.
ネットワークの構成(10層のネットワーク) 畳み込み層 プーリング層 畳み込み層 プーリング層 全結合×4 出力(10ラベル) AlexNetという8層の有名なニューラル ネットワークを,層を入れ替えたり全結合 層を増やしたりして構築。 Chainerという有名なPythonの DeepLearning用ライブラリを利用して作 成。 出力して出てきた10ラベルの値を,内部状 態をよく表現したベクトルとしてみることで, ベクトル間の距離が小さい画像をユーザ におすすめとして返すことに。
20.
ユークリッド距離の補足(2次元データ) 二次元なら,二点の距離は座標の差の二乗 の和の平方根で求めることができる。 次元が上がっても同様にベクトル同士の距 離を取ることが可能(今回は10次元)
21.
学習結果 訓練データ テストデータ
22.
芸能人は? • 本田翼ちゃんでやってみた。 • 茶髪のショートが印象的 •
まぁそうだよねという結果に。 入力 おすすめ
23.
まとめ • あと数人に使ってもらったが,「どっちにしようか悩んでいたところ を背中を押してくれる」という評価をいただきました。 • Deep
Learningは面白い。単純に複雑なタスクをこなせるだけで なく,まるで生き物と対峙しているかのような気分になる。 • 個人的にはLispでChainerライクなDeep Learningライブラリを 作ってみたい。Deep Learningに限らず機械学習全体をしっかり 勉強をしてこうと思う。最新の論文も追いたいし,追えるよう勉強 に励もうと思う。
24.
ご静聴ありがとうございました!
Editor's Notes
ここには書いていないが、deeplearningとは,ニューラルネットワークの層が深くなったもの。
どうやってこの式の最小値を求めるのか。スカラとベクトルが違ってるかもです。
はなしがわかる人工知能に変身
Download now