SlideShare una empresa de Scribd logo
1 de 40
Descargar para leer sin conexión
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
これから始めるディープラーニング
1
岡本 一志

電気通信大学 大学院情報理工学研究科

Head of Data Science Research Group
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
自己紹介
岡本 一志(おかもと かずし)
1984年生まれ(32歳),高知県出身
学歴・職歴
• 2002 - 2006 高知工科大学 工学部
• 2006 - 2008 高知工科大学 大学院工学研究科
• 2008 - 2011 東京工業大学 大学院総合理工学研究科
• 2011 - 2015 千葉大学 アカデミック・リンク・センター 特任助教
• 現在 - 電気通信大学 大学院情報理工学研究科 助教
• 現在 - 千葉大学 アカデミック・リンク・センター 客員研究員
2
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
岡本研究室について
3
統計学・計算機科学・機械学習および現場の知識を
駆使し,ビッグデータから有用な知見を引き出す研究の展開
現在は,機械学習やデータ可視化の方法論をベースに,購買履歴や行動
ログ等の分析に関心があり,これらのビッグデータ分析に応用可能な
要素技術の開発に取り組んでいます
コンセプト
データ可視化 情報推薦
ソフト
コンピューティング
並列計算
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
レシート集合から商品のベクトル表現の学習
Word2Vecでは文脈から単語ベクトルを作成
1枚のレシート=文脈,単語=商品
商品の特徴をもつベクトルから簡単に情報推薦したい
4
飲むヨーグルト
チーズ
ヨーグルト
牛乳
+ =
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
図書館内での情報利用行動の自動認識
5
一人称視点カメラ
3軸加速度センサ
注目対象の
把握
運動情報の
取得
0 10 20 30
読書 読書&書き物 PCを使う
時間
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
この講演の目標
これから深層学習(deep learning)を使ってみようとお考えの
方々を想定し,次の観点で概説します
• 深層学習とはどういったものか?
• 深層学習はどのような時に使えばよいのか?
• 深層学習はどのように使えばよいのか?
理論的面では,ニューラルネットワークの基本的なところから
多層化時の学習方法までの考え方についてお話します
6
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習とはどういったものか?
7
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習(deep learning)とは?
多くの層を持ったニューラルネットワークモデルを用いた

機械学習の総称
層の多いニューラルネットワークによって,入力データから

本質的な情報を表現する特徴を学習(特徴学習)
コンピュータビジョンや音声認識,自然言語処理などの分野で
の機械学習のタスクにおける成功
• (昔)なぜ,ニューラルネットワークを使うの?
• (今)なぜ,ニューラルネットワークを使わないの?
8
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
ニューラルネットワークの歴史的経緯
9
1957 F. Rosenblatt パーセプトロン(perceptron)
1969
M. Minsky

S. Papert
単純パーセプトロンの線形非分離問題の提起
1979 K. Fukushima ネオコグニトロン(neocognitron)
1986
D. E. Rumelhart

G. E. Hinton

J. R. Williams
誤差逆伝播法(backpropagation)
1989 Y. LeCun
畳込みニューラルネットワーク

(convolutional neural networks)
2006
G. E. Hinton

S. Osindero

Y. W. Teh
Deep Belief Nets
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習の特徴
一般的なモデル
深層学習のモデル
10
入力 特徴抽出 識別 / 分類 出力前処理
入力 特徴抽出 識別 / 分類 出力前処理
人手で設計 人手で設計
ニューラルネットワークで
まとめて行う
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
なぜ,いま,深層学習なのか?
他の手法よりも機械学習タスクでの精度が圧倒的に良い
ブレイクスルー => 特徴抽出の自動化
• 特徴に求められる性質
• クラス内変動に不変(不変性)
• わずかな違いにも敏感(識別力)
• 人手で有効な特徴を設計するのは困難
学習アルゴリズムの発達
学習に利用可能なデータの増大,計算環境の高度化
11
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
ニューロンと活性化関数
12
x1
x2
・
・
・
y
y 2 R
活性化関数
ニューロン
f(wx)
w2
w1
入力
0
y
y = max{0, x}
x =
0
B
B
B
@
x1
x2
...
xd
1
C
C
C
A
2 Rd
f : Rd
−! R
wd
xd
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
・
・
・
・
・
・
ニューラルネットワークモデル
13
x1
xd
・
・
・
・
・
・
h1
1
h1
k1
・
・
・
・
・
・
ˆyc
ˆy1
・
・
・
y1
yc
・
・
・
予測
誤差
入力層 隠れ層 出力層 教師信号
予測誤差から
を推定
W1
, W2
, · · · , Wn
, Wo
hn
1
hn
kn
WnW1 Wo
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
様々なニューラルネットワーク
フィードフォワードニューラルネットワーク(feedforward neural network)
• 入力ベクトルの次元数が決まっている場合に使われる
• 誤差逆伝播法により重みを更新することで学習を行う
• 畳込みニューラルネットワーク(convolutional neural network)
再帰型ニューラルネットワーク(recurrent neural network)
• 時系列情報や文脈依存の情報を扱えるようにしたもの
ボルツマンマシン(Boltzmann machine)
• 確率的に動作するニューラルネットワーク
• 入力データの確率分布を近似
14
出力層
隠れ層
入力層文脈ユニット
エルマンネットワーク
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
ニューラルネットワークの学習
確率的勾配降下法(stochastic gradient desent)
• 全データを一度にではなく1つずつデータを使って重みを更新
• いわゆるオンライン学習
誤差逆伝播法(backpropagation)
多層化時の工夫
• プレトレーニング
• ドロップアウト
15
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
確率的勾配降下法(stochastic gradient desent)
16
xi =
0
B
B
B
@
x1
x2
...
xd
1
C
C
C
A
2 Rd
(x1, y1), (x2, y2), · · · , (xn, yn)
W − W − ⌘
@
@W
E(f(W, xi), yi)
学習データと教師データのペア
誤差関数(2乗誤差)
E(f(W, x), y) =
1
2
||f(W, x) − y||2
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
確率的勾配降下法(stochastic gradient desent)
17
傾き
重みの更新
W
E
Wopt Wnew Wold
W − W − ⌘
@
@W
E(f(W, xi), yi)
@
@W
E
@
@W
E =
1
2
@
@W
(f(W, x) − y)2
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
誤差逆伝播法(backpropagation)
コスト関数の勾配の計算法
• 勾配の計算方法を指す場合と学習ルールを指す場合がある
• コスト関数の偏微分の計算則に相当
D. E. Rumelhart & G. E. Hinton & J. R. Williamsにより提案
勾配は出力信号と教師信号から求めることができる
層の数が増えるにしたがって勾配が消失(ゼロに近づく)
• 活性化関数の変更が近年のブレイクスルーのひとつ
18
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
多層化時の学習法(プレトレーニング)
入力(学習データや隠れ
層の出力)をできるだけ
再現するようにWを学習
各層でチューニング
最終的に学習データと

教師信号を使ってファイ
ンチューニングを行う
19
x1
xd
・
・
・
・
・
・
h1
1
h1
k1
・
・
・
・
・
・
・
・
・
・
・
・
ˆxd
ˆx1
W1 W−1
1
誤差の最小化
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
多層化時の学習法(ドロップアウト)
20
・
・
・
・
・
・
x1
xd
・
・
・
・
・
・
h1
1
h1
k1
・
・
・
・
・
・
ˆyc
ˆy1
・
・
・
hn
1
hn
kn
WnW1 Wo
一定の確率でニューロンを一時的に無かったことにする
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習はどのような時に使えばよいのか?
21
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
想定されるタスク
画像認識・音声認識・自然言語処理
教師あり学習
• 学習用データと正解ラベルのペアが揃っている
• テストデータのラベルを推定する
教師なし学習
• 学習用データのみ用意されている
• クラスタリングや異常検知
強化学習
22
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
特徴表現の学習
入力をできるだけ再現

する変換の学習
層が増えていくに従って
得られる特徴が抽象化さ
れていく傾向
次元削減
機械学習のタスクに有効
な特徴とは何か?の理解
23
x1
xd
・
・
・
・
・
・
h1
1
h1
k1
・
・
・
・
・
・
・
・
・
・
・
・
ˆxd
ˆx1
W1 W−1
1
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習の画像応用について
物体カテゴリ認識
畳込みニューラルネットワークに基づく手法が主流
苦手としているタスク
• 物体検出(位置決め)
• 動画像認識(時間情報の利用)
24
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
畳込みニューラルネットワーク(CNN)
25
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習はどのように使えばよいのか?
26
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
開発フレームワークの利用
1から実装はスキル・ノウハウが必要で,ちょっと試してみよう
と思うと敷居が高い
現在の開発フレームワークはほとんどはPythonが読み書きでき
れば利用可能
高速な処理を考えると計算機に関する知識はあった方が良い
• Linux
• GPGPU

(General-Purpose Computing on Graphics Processing Units)
27
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
開発フレームワーク(1)
TensorFlow
• Google発
• 専用のハードウェアまである
• ネットワークの可視化ツールが付随
• ドキュメントが豊富(英語)
• Python / C++で記述
Chainer
• Preferred Networks発
• 日本発なので日本語ドキュメントが豊富
• 国内の研究室で広く使われている印象
• Pythonで記述
28
Tensor Processing Unit board
https://cloudplatform.googleblog.com/2016/05/
Google-supercharges-machine-learning-tasks-
with-custom-chip.html
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
開発フレームワーク(2)
Caffe
• Berkeley Vision and Learning Center発
• 画像認識でよく使われている
• 学習済みのモデルを配布するフレームワークがある
• C++で実装,Python & Matlabで記述
Pylearn2
• Theanoベース
• ネットワーク構造を設定ファイルで記述
• Pythonで記述
29
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
開発フレームワーク(3)
cuDNN
• Nvidia製
• GPUで動作,CUDAに関して知識が必要
• TensorFlowやChainerなどのバックエンドで利用
• 深層学習用のフレームワークの中ではHW寄り
Theano
• Université de Montréal発
• 数式そのものを記述
• 微分を解析的に実行できる
• Pythonで記述
30
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
ニューラルネットワークの計算モデル
行列演算がほぼ全て
マルチスレッド化・マルチコア化
• GPGPUがあると学習時間が圧倒的に削減される
• 1命令で多数のコアが同時に同じ計算ができると効率が良い
深層学習における計算資源
• とにかく計算資源と学習用データを持っている人たちが強い
• 大学の1研究室レベルだととてもじゃないけど追いつけない
31
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
学習済みのモデルの活用
AlexNet
• ImageNet Large Scale Visual Recognition Challenge 2012で優勝
最終層を目的に併せて変更.基礎的な視覚能力は獲得している
ので,手元にあるデータのみでファインチューニング
32
A. Krizhevsky, I. Sutskever, G. E. Hinton
ImageNet Classification with Deep Convolutional Neural Networks
Advances in Neural Information Processing Systems 25, pp.1097-1105, 2012
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
深層学習の応用例の紹介
33
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
定点カメラ映像を用いた
アクティブ・ラーニング・スペースの利用状況調査
千葉大学 アカデミック・リンク・センターの情報利用行動定点観測

プロジェクトのひとつの調査として実施
• 学生の情報利用行動および学習・生活空間の利用状況の分析を通じて,

アカデミック・リンクが学生の情報利用行動・学習行動・学習成果に与える

影響と効果を継続的・横断的に検証
34
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
全方位カメラからの人位置検出
360度の視野を持つカメラ
球面座標系への投影や歪み補正が必要(要カメラパラメータ)
35
切り出し
検出ウィンドウ
千葉大学 アカデミック・リンク・センターのプロジェクトの一環でデータ収集
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
畳込みニューラルネットワーク(CNN)
36
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
学習用データ
200枚の全方位画像から
• 20,000件のポジティブサンプル
• 20,000件のネガティブサンプル
を作成(頭部画像は50枚)
合成画像の作成では,頭部画像に
ランダムな変形を加えて合成
37
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
中間層第1層における畳込み処理後の特徴マップ
38
ポジティブサンプル,カーネルサイズ3×3
ポジティブサンプル,カーネルサイズ5×5
ポジティブサンプル,カーネルサイズ7×7
ネガティブサンプル,カーネルサイズ3×3
ネガティブサンプル,カーネルサイズ5×5
ネガティブサンプル,カーネルサイズ7×7
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
検出性能
39
特徴マップ数16におけるDET曲線 既存手法と提案法のDET曲線
2016.07.09 / 40インタラクティブ情報アクセスと可視化マイニング研究会
おわりに
これから深層学習を使ってみようとお考えの方々を想定し,

次の観点で概説しました
• 深層学習とはどういったものか?
• 深層学習はどのような時に使えばよいのか?
• 深層学習はどのように使えばよいのか?
理論的面では,ニューラルネットワークの基本的なところから多層化時
の学習方法までの考え方についてお話しました
深層学習で大事な点は,入力データの特徴を学習するところにあります.
どのような特徴を学習するか?の観点で研究を進められると新しい発見
があるかもしれません
40

Más contenido relacionado

La actualidad más candente

データサイエンス概論第一=7 画像処理
データサイエンス概論第一=7 画像処理データサイエンス概論第一=7 画像処理
データサイエンス概論第一=7 画像処理Seiichi Uchida
 
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
 
データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習Seiichi Uchida
 
経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん
経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん
経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃんYasushi Hara
 
#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート
#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート
#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポートYasushi Hara
 
#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに
#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに
#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりにYasushi Hara
 
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定Akira Masuda
 

La actualidad más candente (8)

データサイエンス概論第一=7 画像処理
データサイエンス概論第一=7 画像処理データサイエンス概論第一=7 画像処理
データサイエンス概論第一=7 画像処理
 
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
 
データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習
 
経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん
経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん
経済学のための実践的データ分析2. python, R, Jupyter notebook 事始め/統計ソフトちゃんちゃかちゃん
 
#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート
#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート
#経済学のための実践的データ分析 12. 機械学習とAIな経済学と最終レポート
 
#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに
#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに
#経済学のための実践的データ分析 13. 最終レポートの報告 + おわりに
 
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
 
20190526 bayes ml
20190526 bayes ml20190526 bayes ml
20190526 bayes ml
 

Destacado

ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門naoto moriyama
 
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
 
「深層学習」第6章 畳込みニューラルネット
「深層学習」第6章 畳込みニューラルネット「深層学習」第6章 畳込みニューラルネット
「深層学習」第6章 畳込みニューラルネットKen'ichi Matsui
 
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)Toshihiko Yamakami
 
ディープラーニングの最新動向
ディープラーニングの最新動向ディープラーニングの最新動向
ディープラーニングの最新動向Preferred Networks
 
ニューラルネットワーク ことはじめ
ニューラルネットワーク ことはじめニューラルネットワーク ことはじめ
ニューラルネットワーク ことはじめKazuhide Okamura
 
ディープニューラルネット入門
ディープニューラルネット入門ディープニューラルネット入門
ディープニューラルネット入門TanUkkii
 
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
 
Deep Learningの技術と未来
Deep Learningの技術と未来Deep Learningの技術と未来
Deep Learningの技術と未来Seiya Tokui
 
Presentation on Big Data Analytics
Presentation on Big Data AnalyticsPresentation on Big Data Analytics
Presentation on Big Data AnalyticsS P Sajjan
 
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~
Deep Learningと画像認識   ~歴史・理論・実践~nlab_utokyo
 

Destacado (15)

ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門
 
数式からみるWord2Vec
数式からみるWord2Vec数式からみるWord2Vec
数式からみるWord2Vec
 
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
 
「深層学習」第6章 畳込みニューラルネット
「深層学習」第6章 畳込みニューラルネット「深層学習」第6章 畳込みニューラルネット
「深層学習」第6章 畳込みニューラルネット
 
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
 
ディープラーニングの最新動向
ディープラーニングの最新動向ディープラーニングの最新動向
ディープラーニングの最新動向
 
ニューラルネットワーク ことはじめ
ニューラルネットワーク ことはじめニューラルネットワーク ことはじめ
ニューラルネットワーク ことはじめ
 
ディープニューラルネット入門
ディープニューラルネット入門ディープニューラルネット入門
ディープニューラルネット入門
 
単語の分散表現の 購買履歴への応用
単語の分散表現の 購買履歴への応用単語の分散表現の 購買履歴への応用
単語の分散表現の 購買履歴への応用
 
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
 
Deep Learningの技術と未来
Deep Learningの技術と未来Deep Learningの技術と未来
Deep Learningの技術と未来
 
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
 
Presentation on Big Data Analytics
Presentation on Big Data AnalyticsPresentation on Big Data Analytics
Presentation on Big Data Analytics
 
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~
Deep Learningと画像認識   ~歴史・理論・実践~
 
Big data ppt
Big  data pptBig  data ppt
Big data ppt
 

Similar a これから始めるディープラーニング

最先端学術情報基盤(Csi)委託事業報告交流会パネル
最先端学術情報基盤(Csi)委託事業報告交流会パネル最先端学術情報基盤(Csi)委託事業報告交流会パネル
最先端学術情報基盤(Csi)委託事業報告交流会パネルNational Institute of Informatics (NII)
 
220526_ACRi_Ando01r.pdf
220526_ACRi_Ando01r.pdf220526_ACRi_Ando01r.pdf
220526_ACRi_Ando01r.pdf直久 住川
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームTakuya Azumi
 
2021 09 29_dl_hirata
2021 09 29_dl_hirata2021 09 29_dl_hirata
2021 09 29_dl_hirataharmonylab
 
Recursively Summarizing Books with Human Feedback
Recursively Summarizing Books with Human FeedbackRecursively Summarizing Books with Human Feedback
Recursively Summarizing Books with Human Feedbackharmonylab
 
データサイエンティストのつくり方
データサイエンティストのつくり方データサイエンティストのつくり方
データサイエンティストのつくり方Shohei Hido
 
Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方Kouji Kozaki
 
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...harmonylab
 
言語モデルを用いた俳句評価器の構築と性能評価に関する研究
言語モデルを用いた俳句評価器の構築と性能評価に関する研究言語モデルを用いた俳句評価器の構築と性能評価に関する研究
言語モデルを用いた俳句評価器の構築と性能評価に関する研究harmonylab
 
学生とシビックテック
学生とシビックテック学生とシビックテック
学生とシビックテックIsmail Arai
 

Similar a これから始めるディープラーニング (10)

最先端学術情報基盤(Csi)委託事業報告交流会パネル
最先端学術情報基盤(Csi)委託事業報告交流会パネル最先端学術情報基盤(Csi)委託事業報告交流会パネル
最先端学術情報基盤(Csi)委託事業報告交流会パネル
 
220526_ACRi_Ando01r.pdf
220526_ACRi_Ando01r.pdf220526_ACRi_Ando01r.pdf
220526_ACRi_Ando01r.pdf
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
 
2021 09 29_dl_hirata
2021 09 29_dl_hirata2021 09 29_dl_hirata
2021 09 29_dl_hirata
 
Recursively Summarizing Books with Human Feedback
Recursively Summarizing Books with Human FeedbackRecursively Summarizing Books with Human Feedback
Recursively Summarizing Books with Human Feedback
 
データサイエンティストのつくり方
データサイエンティストのつくり方データサイエンティストのつくり方
データサイエンティストのつくり方
 
Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方Linked Open Data(LOD)の基本的な使い方
Linked Open Data(LOD)の基本的な使い方
 
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
 
言語モデルを用いた俳句評価器の構築と性能評価に関する研究
言語モデルを用いた俳句評価器の構築と性能評価に関する研究言語モデルを用いた俳句評価器の構築と性能評価に関する研究
言語モデルを用いた俳句評価器の構築と性能評価に関する研究
 
学生とシビックテック
学生とシビックテック学生とシビックテック
学生とシビックテック
 

Más de Okamoto Laboratory, The University of Electro-Communications

Más de Okamoto Laboratory, The University of Electro-Communications (13)

クラウドソーシングにおける協調的な共同作業に対する組織構成システム
クラウドソーシングにおける協調的な共同作業に対する組織構成システムクラウドソーシングにおける協調的な共同作業に対する組織構成システム
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
 
リンク予測に基づく共同研究者推薦システムの試作
リンク予測に基づく共同研究者推薦システムの試作リンク予測に基づく共同研究者推薦システムの試作
リンク予測に基づく共同研究者推薦システムの試作
 
Visualizing the Importance of Floor-Plan Image Features in Rent-Prediction Mo...
Visualizing the Importance of Floor-Plan Image Features in Rent-Prediction Mo...Visualizing the Importance of Floor-Plan Image Features in Rent-Prediction Mo...
Visualizing the Importance of Floor-Plan Image Features in Rent-Prediction Mo...
 
Directed Graph-based Researcher Recommendation by Random Walk with Restart an...
Directed Graph-based Researcher Recommendation by Random Walk with Restart an...Directed Graph-based Researcher Recommendation by Random Walk with Restart an...
Directed Graph-based Researcher Recommendation by Random Walk with Restart an...
 
間取り図を用いた賃料予測モデルに関する一検討
間取り図を用いた賃料予測モデルに関する一検討間取り図を用いた賃料予測モデルに関する一検討
間取り図を用いた賃料予測モデルに関する一検討
 
Development of a Collaborator Recommender System Based on Directed Graph Model
Development of a Collaborator Recommender System Based on Directed Graph ModelDevelopment of a Collaborator Recommender System Based on Directed Graph Model
Development of a Collaborator Recommender System Based on Directed Graph Model
 
Rent Prediction Models with Floor Plan Images
Rent Prediction Models with Floor Plan ImagesRent Prediction Models with Floor Plan Images
Rent Prediction Models with Floor Plan Images
 
分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム
 
アイテム分散表現の階層化・集約演算に基づくセッションベース推薦システム
アイテム分散表現の階層化・集約演算に基づくセッションベース推薦システムアイテム分散表現の階層化・集約演算に基づくセッションベース推薦システム
アイテム分散表現の階層化・集約演算に基づくセッションベース推薦システム
 
Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用
Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用
Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用
 
機関リポジトリから収集した学術論文のテキスト解析に関する一検討
機関リポジトリから収集した学術論文のテキスト解析に関する一検討機関リポジトリから収集した学術論文のテキスト解析に関する一検討
機関リポジトリから収集した学術論文のテキスト解析に関する一検討
 
Text Analysis of Academic Papers Archived in Institutional Repositories
Text Analysis of Academic Papers Archived in Institutional RepositoriesText Analysis of Academic Papers Archived in Institutional Repositories
Text Analysis of Academic Papers Archived in Institutional Repositories
 
Families of Triangular Norm Based Kernel Function and Its Application to Kern...
Families of Triangular Norm Based Kernel Function and Its Application to Kern...Families of Triangular Norm Based Kernel Function and Its Application to Kern...
Families of Triangular Norm Based Kernel Function and Its Application to Kern...
 

これから始めるディープラーニング