Enviar búsqueda
Cargar
How to Develop Experiment-Oriented Programs
•
7 recomendaciones
•
3,836 vistas
Kenta Oono
Seguir
20140925 PFI seminar (ver. 1.0)
Leer menos
Leer más
Ingeniería
Denunciar
Compartir
Denunciar
Compartir
1 de 41
Descargar ahora
Descargar para leer sin conexión
Recomendados
Caffeのデータレイヤで夢が広がる話
Caffeのデータレイヤで夢が広がる話
Masaki Saito
ディープラーニング最近の発展とビジネス応用への課題
ディープラーニング最近の発展とビジネス応用への課題
Kenta Oono
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
Kenta Oono
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Kenta Oono
Introduction to Chainer and CuPy
Introduction to Chainer and CuPy
Kenta Oono
JSAI's AI Tool Introduction - Deep Learning, Pylearn2 and Torch7
JSAI's AI Tool Introduction - Deep Learning, Pylearn2 and Torch7
Kotaro Nakayama
Kerasで深層学習を実践する
Kerasで深層学習を実践する
Kazuaki Tanida
ChainerでDeep Learningを試すために必要なこと
ChainerでDeep Learningを試すために必要なこと
Retrieva inc.
Recomendados
Caffeのデータレイヤで夢が広がる話
Caffeのデータレイヤで夢が広がる話
Masaki Saito
ディープラーニング最近の発展とビジネス応用への課題
ディープラーニング最近の発展とビジネス応用への課題
Kenta Oono
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
Kenta Oono
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Kenta Oono
Introduction to Chainer and CuPy
Introduction to Chainer and CuPy
Kenta Oono
JSAI's AI Tool Introduction - Deep Learning, Pylearn2 and Torch7
JSAI's AI Tool Introduction - Deep Learning, Pylearn2 and Torch7
Kotaro Nakayama
Kerasで深層学習を実践する
Kerasで深層学習を実践する
Kazuaki Tanida
ChainerでDeep Learningを試すために必要なこと
ChainerでDeep Learningを試すために必要なこと
Retrieva inc.
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
Kenta Oono
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
Kenta Oono
DATUM STUDIO PyCon2016 Turorial
DATUM STUDIO PyCon2016 Turorial
Tatsuya Tojima
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
ChainerでDeep Learningを試す為に必要なこと
ChainerでDeep Learningを試す為に必要なこと
Jiro Nishitoba
Chainer入門と最近の機能
Chainer入門と最近の機能
Yuya Unno
進化するChainer
進化するChainer
Yuya Unno
Chainerの使い方と自然言語処理への応用
Chainerの使い方と自然言語処理への応用
Yuya Unno
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
捗るリコメンドシステムの裏事情(ハッカドール)
捗るリコメンドシステムの裏事情(ハッカドール)
mosa siru
【2017年】ディープラーニングのフレームワーク比較
【2017年】ディープラーニングのフレームワーク比較
Ryota Suzuki
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
Daisuke Tanaka
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
y-uti
開発者からみたTensor flow
開発者からみたTensor flow
Hideo Kinami
TensorFlowによるCNNアーキテクチャ構築
TensorFlowによるCNNアーキテクチャ構築
Hirokatsu Kataoka
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Yuya Unno
[DL輪読会] Spectral Norm Regularization for Improving the Generalizability of De...
[DL輪読会] Spectral Norm Regularization for Improving the Generalizability of De...
Deep Learning JP
Kaggle の Titanic チュートリアルに挑戦した話
Kaggle の Titanic チュートリアルに挑戦した話
y-uti
[DL輪読会]Training RNNs as Fast as CNNs
[DL輪読会]Training RNNs as Fast as CNNs
Deep Learning JP
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
On the benchmark of Chainer
On the benchmark of Chainer
Kenta Oono
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
Yuta Kashino
Más contenido relacionado
La actualidad más candente
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
Kenta Oono
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
Kenta Oono
DATUM STUDIO PyCon2016 Turorial
DATUM STUDIO PyCon2016 Turorial
Tatsuya Tojima
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
ChainerでDeep Learningを試す為に必要なこと
ChainerでDeep Learningを試す為に必要なこと
Jiro Nishitoba
Chainer入門と最近の機能
Chainer入門と最近の機能
Yuya Unno
進化するChainer
進化するChainer
Yuya Unno
Chainerの使い方と自然言語処理への応用
Chainerの使い方と自然言語処理への応用
Yuya Unno
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
Preferred Networks
捗るリコメンドシステムの裏事情(ハッカドール)
捗るリコメンドシステムの裏事情(ハッカドール)
mosa siru
【2017年】ディープラーニングのフレームワーク比較
【2017年】ディープラーニングのフレームワーク比較
Ryota Suzuki
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
Daisuke Tanaka
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
y-uti
開発者からみたTensor flow
開発者からみたTensor flow
Hideo Kinami
TensorFlowによるCNNアーキテクチャ構築
TensorFlowによるCNNアーキテクチャ構築
Hirokatsu Kataoka
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Yuya Unno
[DL輪読会] Spectral Norm Regularization for Improving the Generalizability of De...
[DL輪読会] Spectral Norm Regularization for Improving the Generalizability of De...
Deep Learning JP
Kaggle の Titanic チュートリアルに挑戦した話
Kaggle の Titanic チュートリアルに挑戦した話
y-uti
[DL輪読会]Training RNNs as Fast as CNNs
[DL輪読会]Training RNNs as Fast as CNNs
Deep Learning JP
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
La actualidad más candente
(20)
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
日本神経回路学会セミナー「DeepLearningを使ってみよう!」資料
DATUM STUDIO PyCon2016 Turorial
DATUM STUDIO PyCon2016 Turorial
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
ChainerでDeep Learningを試す為に必要なこと
ChainerでDeep Learningを試す為に必要なこと
Chainer入門と最近の機能
Chainer入門と最近の機能
進化するChainer
進化するChainer
Chainerの使い方と自然言語処理への応用
Chainerの使い方と自然言語処理への応用
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
捗るリコメンドシステムの裏事情(ハッカドール)
捗るリコメンドシステムの裏事情(ハッカドール)
【2017年】ディープラーニングのフレームワーク比較
【2017年】ディープラーニングのフレームワーク比較
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
分類問題 - 機械学習ライブラリ scikit-learn の活用
分類問題 - 機械学習ライブラリ scikit-learn の活用
開発者からみたTensor flow
開発者からみたTensor flow
TensorFlowによるCNNアーキテクチャ構築
TensorFlowによるCNNアーキテクチャ構築
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
Jubatusのリアルタイム分散レコメンデーション@TokyoWebmining#17
[DL輪読会] Spectral Norm Regularization for Improving the Generalizability of De...
[DL輪読会] Spectral Norm Regularization for Improving the Generalizability of De...
Kaggle の Titanic チュートリアルに挑戦した話
Kaggle の Titanic チュートリアルに挑戦した話
[DL輪読会]Training RNNs as Fast as CNNs
[DL輪読会]Training RNNs as Fast as CNNs
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
Destacado
On the benchmark of Chainer
On the benchmark of Chainer
Kenta Oono
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
Yuta Kashino
ヤフー音声認識サービスでのディープラーニングとGPU利用事例
ヤフー音声認識サービスでのディープラーニングとGPU利用事例
Yahoo!デベロッパーネットワーク
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
Yusuke HIDESHIMA
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
Chainer Update v1.8.0 -> v1.10.0+
Chainer Update v1.8.0 -> v1.10.0+
Seiya Tokui
Chainer, Cupy入門
Chainer, Cupy入門
Yuya Unno
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA Japan
Chainerを使って細胞を数えてみた
Chainerを使って細胞を数えてみた
samacoba1983
PFI final presentation
PFI final presentation
Kenta Oono
Common Design of Deep Learning Frameworks
Common Design of Deep Learning Frameworks
Kenta Oono
GTC Japan 2016 Chainer feature introduction
GTC Japan 2016 Chainer feature introduction
Kenta Oono
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
Kenta Oono
Learning Image Embeddings using Convolutional Neural Networks for Improved Mu...
Learning Image Embeddings using Convolutional Neural Networks for Improved Mu...
Kenta Oono
Information-Theoretic Metric Learning
Information-Theoretic Metric Learning
Koji Matsuda
Tokyo Webmining Talk1
Tokyo Webmining Talk1
Kenta Oono
VAE-type Deep Generative Models
VAE-type Deep Generative Models
Kenta Oono
画像認識のための深層学習
画像認識のための深層学習
Saya Katafuchi
Response Summarizer: An Automatic Summarization System of Call Center Convers...
Response Summarizer: An Automatic Summarization System of Call Center Convers...
Preferred Networks
対話における商品の営業
対話における商品の営業
Preferred Networks
Destacado
(20)
On the benchmark of Chainer
On the benchmark of Chainer
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
ヤフー音声認識サービスでのディープラーニングとGPU利用事例
ヤフー音声認識サービスでのディープラーニングとGPU利用事例
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
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
Chainer Update v1.8.0 -> v1.10.0+
Chainer Update v1.8.0 -> v1.10.0+
Chainer, Cupy入門
Chainer, Cupy入門
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
Chainerを使って細胞を数えてみた
Chainerを使って細胞を数えてみた
PFI final presentation
PFI final presentation
Common Design of Deep Learning Frameworks
Common Design of Deep Learning Frameworks
GTC Japan 2016 Chainer feature introduction
GTC Japan 2016 Chainer feature introduction
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
Learning Image Embeddings using Convolutional Neural Networks for Improved Mu...
Learning Image Embeddings using Convolutional Neural Networks for Improved Mu...
Information-Theoretic Metric Learning
Information-Theoretic Metric Learning
Tokyo Webmining Talk1
Tokyo Webmining Talk1
VAE-type Deep Generative Models
VAE-type Deep Generative Models
画像認識のための深層学習
画像認識のための深層学習
Response Summarizer: An Automatic Summarization System of Call Center Convers...
Response Summarizer: An Automatic Summarization System of Call Center Convers...
対話における商品の営業
対話における商品の営業
Similar a How to Develop Experiment-Oriented Programs
レガシーコードとの付き合い方とテストでの話
レガシーコードとの付き合い方とテストでの話
H Iseri
ヒンシツ大学セミナー ゴール指向の測定と品質保証活動 -メトリクス解説およびGqm法のワークショップ-
ヒンシツ大学セミナー ゴール指向の測定と品質保証活動 -メトリクス解説およびGqm法のワークショップ-
Hironori Washizaki
「事実にもとづく管理」によるソフトウェア品質の改善 ー ヒンシツ大学 Evening Talk #04
「事実にもとづく管理」によるソフトウェア品質の改善 ー ヒンシツ大学 Evening Talk #04
Makoto Nonaka
テスト勉強会よしおか100311 1
テスト勉強会よしおか100311 1
Hiro Yoshioka
AgileTourOsaka2011 関係者に理解してもらえるアジャイル開発にむけて
AgileTourOsaka2011 関係者に理解してもらえるアジャイル開発にむけて
Shuji Morisaki
Php勉強会スライド
Php勉強会スライド
suzumurashingo
CodingTips+ 基礎編
CodingTips+ 基礎編
Yusuke Ito
TDDBC osaka 2012/06/02
TDDBC osaka 2012/06/02
Hiro Yoshioka
TDDはじめる前に
TDDはじめる前に
Yasui Tsutomu
テスト計画の立て方 WACATE2019 夏
テスト計画の立て方 WACATE2019 夏
Naoki Nakano
リーン原則とソフトウェア開発
リーン原則とソフトウェア開発
You&I
デブサミ2014【13-B-L】テスト自動化を見直そう!自動化への投資が開発チームをクリエイティブにする(安竹由起夫〔コベリティジャパン〕)
デブサミ2014【13-B-L】テスト自動化を見直そう!自動化への投資が開発チームをクリエイティブにする(安竹由起夫〔コベリティジャパン〕)
Developers Summit
組込みSW開発技術研究会キックオフミーティング
組込みSW開発技術研究会キックオフミーティング
静岡大学情報学部 組込みシステムアーキテクト研究所
Gamedevenvstudy1
Gamedevenvstudy1
Takashi Kokawa
コミュニケーションスキルを重視したソフトウェア技術者教育手法の研究
コミュニケーションスキルを重視したソフトウェア技術者教育手法の研究
Yuichiro Saito
「最強」のチームを「造る」技術基盤 ディレクターズ・カット
「最強」のチームを「造る」技術基盤 ディレクターズ・カット
Rakuten Group, Inc.
ICST 2015 まるわかりDay! "Test Selection and Prioritization Track"
ICST 2015 まるわかりDay! "Test Selection and Prioritization Track"
SIGSTJ
大規模ソフトウェア開発とテストの経験について
大規模ソフトウェア開発とテストの経験について
Rakuten Group, Inc.
jsish20130308_hiroe
jsish20130308_hiroe
Takanori Hiroe
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
Hironori Washizaki
Similar a How to Develop Experiment-Oriented Programs
(20)
レガシーコードとの付き合い方とテストでの話
レガシーコードとの付き合い方とテストでの話
ヒンシツ大学セミナー ゴール指向の測定と品質保証活動 -メトリクス解説およびGqm法のワークショップ-
ヒンシツ大学セミナー ゴール指向の測定と品質保証活動 -メトリクス解説およびGqm法のワークショップ-
「事実にもとづく管理」によるソフトウェア品質の改善 ー ヒンシツ大学 Evening Talk #04
「事実にもとづく管理」によるソフトウェア品質の改善 ー ヒンシツ大学 Evening Talk #04
テスト勉強会よしおか100311 1
テスト勉強会よしおか100311 1
AgileTourOsaka2011 関係者に理解してもらえるアジャイル開発にむけて
AgileTourOsaka2011 関係者に理解してもらえるアジャイル開発にむけて
Php勉強会スライド
Php勉強会スライド
CodingTips+ 基礎編
CodingTips+ 基礎編
TDDBC osaka 2012/06/02
TDDBC osaka 2012/06/02
TDDはじめる前に
TDDはじめる前に
テスト計画の立て方 WACATE2019 夏
テスト計画の立て方 WACATE2019 夏
リーン原則とソフトウェア開発
リーン原則とソフトウェア開発
デブサミ2014【13-B-L】テスト自動化を見直そう!自動化への投資が開発チームをクリエイティブにする(安竹由起夫〔コベリティジャパン〕)
デブサミ2014【13-B-L】テスト自動化を見直そう!自動化への投資が開発チームをクリエイティブにする(安竹由起夫〔コベリティジャパン〕)
組込みSW開発技術研究会キックオフミーティング
組込みSW開発技術研究会キックオフミーティング
Gamedevenvstudy1
Gamedevenvstudy1
コミュニケーションスキルを重視したソフトウェア技術者教育手法の研究
コミュニケーションスキルを重視したソフトウェア技術者教育手法の研究
「最強」のチームを「造る」技術基盤 ディレクターズ・カット
「最強」のチームを「造る」技術基盤 ディレクターズ・カット
ICST 2015 まるわかりDay! "Test Selection and Prioritization Track"
ICST 2015 まるわかりDay! "Test Selection and Prioritization Track"
大規模ソフトウェア開発とテストの経験について
大規模ソフトウェア開発とテストの経験について
jsish20130308_hiroe
jsish20130308_hiroe
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
Más de Kenta Oono
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Kenta Oono
Deep learning for molecules, introduction to chainer chemistry
Deep learning for molecules, introduction to chainer chemistry
Kenta Oono
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Kenta Oono
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Kenta Oono
深層学習フレームワーク概要とChainerの事例紹介
深層学習フレームワーク概要とChainerの事例紹介
Kenta Oono
20170422 数学カフェ Part2
20170422 数学カフェ Part2
Kenta Oono
20170422 数学カフェ Part1
20170422 数学カフェ Part1
Kenta Oono
情報幾何学の基礎、第7章発表ノート
情報幾何学の基礎、第7章発表ノート
Kenta Oono
Stochastic Gradient MCMC
Stochastic Gradient MCMC
Kenta Oono
Chainer Contribution Guide
Chainer Contribution Guide
Kenta Oono
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
Kenta Oono
提供AMIについて
提供AMIについて
Kenta Oono
Chainerインストール
Chainerインストール
Kenta Oono
Caffeインストール
Caffeインストール
Kenta Oono
Techtalk:多様体
Techtalk:多様体
Kenta Oono
Encode勉強会:GENCODE: The reference human genome annotation for The ENCODE Proje...
Encode勉強会:GENCODE: The reference human genome annotation for The ENCODE Proje...
Kenta Oono
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
Kenta Oono
Más de Kenta Oono
(17)
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Deep learning for molecules, introduction to chainer chemistry
Deep learning for molecules, introduction to chainer chemistry
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
深層学習フレームワーク概要とChainerの事例紹介
深層学習フレームワーク概要とChainerの事例紹介
20170422 数学カフェ Part2
20170422 数学カフェ Part2
20170422 数学カフェ Part1
20170422 数学カフェ Part1
情報幾何学の基礎、第7章発表ノート
情報幾何学の基礎、第7章発表ノート
Stochastic Gradient MCMC
Stochastic Gradient MCMC
Chainer Contribution Guide
Chainer Contribution Guide
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
提供AMIについて
提供AMIについて
Chainerインストール
Chainerインストール
Caffeインストール
Caffeインストール
Techtalk:多様体
Techtalk:多様体
Encode勉強会:GENCODE: The reference human genome annotation for The ENCODE Proje...
Encode勉強会:GENCODE: The reference human genome annotation for The ENCODE Proje...
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
NIPS2013読み会:Inverse Density as an Inverse Problem: The Fredholm Equation Appr...
How to Develop Experiment-Oriented Programs
1.
2014/09/25 PFIセミナー 実験プログラム
開発⽅方法論論 ⼤大野健太 oono@preferred.jp
2.
⾃自⼰己紹介 • ⼤大野健太(@delta2323_)
• 経歴:数理理科学研究科(共形幾何)→2011.8 PFIインターン →2012.3- PFI • 所属:研究班(担当領領域:理理論論解析・ライフサイエンス) • 近況:ブログを再開しました:http://delta2323.github.io • 関連資料料 • 今⽇日の発表に関連する資料料(スライド・⽂文書・コードへのリンク) は以下にまとめています • https://docs.google.com/document/d/ 1PB6qHAt2Lyvm_AUXjiAjOt1v9BgbATnKtb38buwlOZI/edit 2
3.
アジェンダ • 実験プログラムとは
• 概要/典型パターン • 実験プログラム開発 • 特徴/課題/リソース管理理⽅方法 • デモ • 話さない事 • ツールの使⽤用⽅方法/細かなノウハウ/開発対象のアルゴリズム 3
4.
実験プログラム = 実験を⾏行行うプログラム
• コンピュータ上で実験を⾏行行う際に開発するプログラム • ⼊入る • 開発アルゴリズムの精度度評価 • データ(画像・動画・センサー)の性質解析 • ソフトウェア開発以外でもプログラミングが伴う場合も • 既存ソフトウェアの検証 • 実験結果の統計解析 • ⼊入らない • 装置を使うだけの実験 4
5.
科学実験のサイクル 先⾏行行研究調査 仮説構築
計画・準備 予備実験 解析・考察 実証実験 公表 既存ソフトウェアの試⽤用 データの前処理理 プログラム開発 様々なパラメータでプログラム実⾏行行 統計解析ツールを使った分析 開発ソフトウェアの公開 5
6.
実験プログラム開発は 科学実験とソフトウェア開発論論の境界領領域
• 科学実験の側から⾒見見ると • 今⽇日コンピュータを使わない実験の⽅方が珍しい • 注⽬目度度:実験結果 > 開発物 • アルゴリズムの新規性 > 開発⽅方法 • 必要性:ノウハウは各研究グループの秘伝のタレ • ソフトウェア開発の側から⾒見見ると • ⼀一般のソフトウェア開発論論は古くから議論論されている • 注⽬目度度:データマイニング・機械学習への特化は(まだ)少ない • 必要例例:通常のソフトウェア開発とは異異なる特徴・要求を持つ 6
7.
実験プログラム開発はアルゴリズム開発だけではない サーバー ライブラリ
⾃自動化 実験結果・ログ スクリプト 実験プログラム 設定ファイル データセット 7
8.
実験プログラム開発の典型パターン サーバー ライブラリ
実験⼿手順 実験結果・ログ プログラム 実験プログラム データセット 設定 ファイル 出⼒力力 本体 ⼊入⼒力力 環境 8
9.
実験プログラム開発・バリエーション(1):データ解析 サーバー ライブラリ
実験⼿手順 実験結果・ログ プログラム 3rd Party プログラム データセット 設定 ファイル 環境 出⼒力力 本体 ⼊入⼒力力 9
10.
実験プログラム・バリエーション(2):⾃自動⽣生成 実験プログラム 実験⼿手順
プログラム データセッ ト 実験プログラムの 設定ファイルを⾃自動⽣生成 10
11.
実験プログラム・バリエーション(3):パイプライン化 実験プログラム 実験⼿手順
プログラム 実験結果 前の実験プログラムの 結果・ログが後段の実験 プログラムの⼊入⼒力力 11
12.
実験プログラム・バリエーション(4):可視化 実験結果 実験⼿手順
プログラム実験プログラム 可視化結果 12
13.
実験プログラム・バリエーション(5):分散システム ・実験⼿手順プログラムがサー バーを横断して実⾏行行指⽰示
・実験プログラムの並列列実⾏行行 ・実験プログラムの協調動作 13
14.
実験プログラム開発
15.
ソフトウェア開発論論の実験プログラム開発への適⽤用 • ソフトウェア開発のツール・ノウハウは充実している
• ツール • ビルドツール(make/cmake/waf) • バージョン管理理ツール(git/svn/mercurial) • 依存ライブラリ管理理ツール(bundler/cabal) • 開発⼿手法(git flow/TDD/CI) • コードの品質(Clean Code/リファクタリング/ユニットテスト) • 実験プログラムの特性を考慮した、ソフトウェア開発論論への適⽤用が実 験プログラム開発技術となる(と思う) 15
16.
実験プログラム開発の特徴(1) :ソフトウェアより実験結果がほしい •
最終⽬目標がソフトウェア開発でないことも多々 • 1回しか動かさないプログラム • 予備実験/⽣生データ可視化/⽣生成物が巨⼤大な前処理理 • (結果的に)捨てるプログラム • 開発の過程で実験の⽅方向性が変化し、検証の意義がなくなる • 他⼈人の使⽤用を想定しないプログラム • アルゴリズム開発が⽬目的でも実験結果は重要 • KDD, ICMLでは実験での検証がほぼ必須 16
17.
実験プログラムのジレンマ • プログラムの品質
vs. 実験結果を出す速度度 • 実験結果を出す事の優先度度が⾼高い → プログラムの品質向上の施策がないがしろにされがち (サンプル・ユニットテスト・リファクタリング・コード管理理) • 後回し⾃自体は優先度度の問題で悪くはない(と思う)。全く取られな いとしたらそれは問題 • 個別性 vs. 汎⽤用性 • 当⾯面実験で使うサンプルには”スパム”と”ハム”の2通りのラベルし かつかないからそれを前提として書いてしまおう • ⼀一⽅方であまりに汎⽤用化しても、テストケースが増えるだけでその コードパスは2度度と使われないかも(20%ルール)、妥協も⼤大事 17
18.
実験プログラム開発の特徴(2):結果の再現性 • 科学であるための必要条件
• ⼿手段:保存 or 再⽣生成 • 保存 • 管理理対象:実験結果・ログ・可視化図 • ⽅方法:後述(結果ディレクトリを残しておくだけだと⼤大抵失敗する) • ポイント:1ヶ⽉月前の⾃自分は他⼈人 • 再⽣生成 • 管理理対象:プログラム(本体/⼿手順)・設定ファイル・データセット • 実験結果の保存が困難な場合(容量量などの問題) • ポイント:ソフトウェアとしての品質が再現の容易易さ 18
19.
実験プログラム開発の典型パターン サーバー ライブラリ
実験⼿手順 実験結果・ログ プログラム 実験プログラム データセット 設定 ファイル 出⼒力力 本体 ⼊入⼒力力 環境 19
20.
⽣生成⽅方法の管理理 (実験プログラム・実験⼿手順プログラム) •
基本的には通常のソフトウェア開発の⽅方法を踏襲 • Backward Compatibilityは気にしなくても良良くなることがある • 昔の結果を再現したかったら、過去のコミットをチェックアウトし てプログラムを動かし直せば良良い • 開発ソフトウェアを公開する場合、公開以後は通常のソフトウェア と同等の注意が必要 20
21.
⽣生成結果の管理理 (実験結果・ログ) •
⼀一般的にプログラムの⽣生成物(含実験結果)はバージョン管理理ツール は含めない • 理理由:サイズが膨⼤大 / 実⾏行行ごとに結果が変化する • Githubでは50MB以内/ファイルを推奨されている • 善後策(案) • ⼀一貫した命名規則を与える(result.YYMMDD.commitNo.txtなど) • 実験結果の置き場所を固定する(/data/result/repo名/など) 21
22.
⽣生成⽅方法と⽣生成結果の対応付けの管理理 • ⽣生成⽅方法と⽣生成結果を独⽴立立に管理理するだけでは不不⼗十分
• 設定ファイル・リソース・外部ライブラリ・実験環境どれが変わって も実験結果は変わりうる → ログだけ残っていても何のログかわからなかったら使えない • プログラム改良良と実験を細かい粒粒度度で頻繁に繰り返す → 通常のソフトウェア開発以上にバージョン違いが発⽣生しやすい → ログのバリエーションが爆発・命名規則に⼀一貫性がなくなる 22
23.
デモ:モンテカルロ法の開発
24.
ドキュメントの管理理:ドキュメントしてのサンプル • 課題:ドキュメントの充実度度
vs. 追従コスト • 通常のソフトウェア以上に変化が激しく、追従コスト⾼高 • しかしドキュメントが全くないのは危険(1ヶ⽉月前の⾃自分は他⼈人) • ソフトウェアを公表する場合には必須 • 解決案 • サンプルをコードと共に管理理する • サンプルデータ/サンプル設定ファイル/想定実験結果の⼀一部 • 実験⼿手順プログラムのコマンドをシンプルにする 24
25.
残課題 • 本番データセットの管理理
• 通常バージョン管理理ツールでは管理理しない • 実験環境の管理理 • 環境変化は開発の脅威 • ライブラリのバージョンが上がってプログラムが動かなくなる • 環境を変えて実験しようとしたらコンパイルできない • 解決案:Vagrantなど? • 実験プログラムから外部公開できるライブラリへのスムーズな移⾏行行 • ノウハウのツール化 25
26.
まとめ • 実験プログラムとは実験を⽬目的に開発するプログラムです
• アルゴリズムの開発・結果解析には、実験⼿手順プログラム、⼊入⼒力力リ ソース、実験結果などのコンポーネントの開発・管理理を伴います • 実験プログラム開発の課題の⼀一つに、迅速な実験結果⽣生成とソフト ウェアとしての品質の両⽴立立があります • 再現性の確保には⽣生成⽅方法の管理理・⽣生成物の管理理・両者の対応付けの 管理理が重要です • ノウハウのツール化は実験プログラムのライブラリ化につながります 26
27.
補⾜足資料料
28.
想定聴衆 • ⼤大学でデータマイニング・機械学習を専攻する⼤大学⽣生、⼤大学院⽣生及び
その指導をする教員 • 機械学習のアルゴリズムを開発する研究者 • データマイニング技術の各分野(ライフサイエンス・製造業・ウェ ブ)への応⽤用を⾏行行う研究者 • 企業でデータマイニングを⾏行行うデータ分析担当者 • 何らかのリソースを処理理するプログラム開発を⾏行行う開発者 • データマイニング・機械学習の⾃自前開発を検討している企業関係者 • 機械学習の新しいアルゴリズムを開発したい • アルゴリズムの開発の裏裏側を知りたい • 論論⽂文で紹介されているこのアルゴリズムを試しに使ってみたい •2 8⼿手元にデータがあるのでそれの特性を知りたい
29.
誰が実験プログラムを開発しているか? • 機械学習系研究グループ
• 外に出るのはアルゴリズムやソフトウェア • 研究グループ内での秘伝のタレはあるが、普遍的に語られることは 少ない • ⼤大学の情報系学部・情報科学実験 • 導⼊入としてプログラム開発⽅方法 • 開発環境・エディターの使い⽅方・プログラミングの初歩など • 最近の道具が使われることも 29
30.
開発⽅方法論論の必要性 • きれいなコードが実験効率率率につながる
• ⽅方法論論なくプログラムを開発すると実験結果が出せない • 改良良したいけれどコードが複雑すぎてどこを変えればいいかわ からない • コードを少しいじったら急に動かなくなった • プログラム開発の効率率率が実験全体の効率率率につながる 30
31.
実験の理理想的なサイクル 計画 開発
実験 考察 31
32.
実験プログラム開発の流流れ:開発と実験を何度度もイ テレーションする 実装
実験計画の策定 ラージデータで 実験 リファクタリン グ 結果のまとめ 設定の調整 テスト スモールデータ で実験 レポジトリの管 理理 リファクタリン 32グ
33.
⾃自然科学での実験とコンピュータ上での実験の⽐比較 • 通常の⾃自然科学での実験
• 実験計画を⽴立立てて • 実験装置を⽤用意して ← ここにプログラム開発が伴う • 実験試料料を調整して • 試料料を装置にかけて結果を取得して • 結果を統計解析して ← ここでもプログラム開発が必要かも • 考察を論論⽂文・報告書にまとめて • 最初に戻る • コンピュータ上での実験 • 実験装置 → 実験プログラム or ソフトウェア・ライブラリ • 実験試料料 → データファイル(画像・⾃自然⾔言語・センサーデータ) 33
34.
コンポーネント解説(1):実験プログラム • アルゴリズムの本体が記述されているプログラム
• 開発物のコア • どの⾔言語を⽤用いるかはケース・バイ・ケース • 実装者の好み・スキルセット • ライブラリの充実度度 • 既存ソフトウェアの使⽤用 34
35.
コンポーネント解説(2):実験⼿手順プログラム • 実験プログラムの使い⽅方を⽰示すプログラム
• 設定ファイルの種類 • データセットの種類 • パラメータの種類 • 実験プログラムの⼀一番の特徴(だと思っている) • 通常のプログラムで⾔言えばビルドツールに当たるか • 理理想的にはプログラムで⾃自動化されている • 実験規模が⼩小さければシェルスクリプトで⼿手軽に 35
36.
コンポーネント解説(3):設定ファイル • テキストファイルが⼀一般的
• JSON, tsv, csv, yaml … • 実験⼿手順に関する設定を記述する • 後述するリソースで紹介する実験プログラムに与える設定ファイルの パラメータを作るためのパラメータ(ハイパーパラメータ?)など • 設定項⽬目が少なければ実験⼿手順ファイルに直書きしてもいいかも • 設定ファイルをどれだけ複雑にしないかは実験開発での鍵の⼀一つ 36
37.
コンポーネント解説(4):データセット • 実験プログラムに与える設定ファイル
• 実験に⽤用いる⽣生データセット • ⾃自動⽣生成した設定ファイルや・前処理理した⽣生データセットもリソース とみなせる • 実験⼿手順プログラムが⽣生成した設定ファイル • 前処理理プログラムで加⼯工済のデータセット • 実験プログラムが⽣生成した結果がリソースになること • 実験プログラムの設定ファイルは複雑になりがち • 例例えばNNの設定ファイルを⾃自分で書くのは厳しい 37
38.
データセットのデータ形式 • テキストフォーマット
• JSON • ⻑⾧長所:パーザーが充実、壊れにくい • 短所:パーズに時間がかかる • CSV, TSV • ⻑⾧長所:扱いやすい、⽣生成しやすい、human readable • 短所:壊れやすい、パーズに時間がかかる • バイナリ • ⻑⾧長所:データサイズが⼩小さい、読み込みが速い • 短所:human readableでない、前処理理が必要 38
39.
コンポーネント解説(5):実験結果 • 実験プログラムの⽣生成物
• これを得るのが実験プログラム開発の⽬目的 • 機械学習の学習モデル、評価指標の表・グラフ • プログラム実⾏行行結果ログ • 通常テキストファイル • 実験結果をリソースとして再び実験プログラムが使うことも 39
40.
管理理戦略略 前処理理プログラム 実験プログラム
設定ファイル 実験⼿手順 プログラム サンプル 設定ファイル ⽣生データ サンプル ⽣生データ 前処理理済 データ サンプル 前処理理済 データ 40レポジトリ管理理
41.
mafのノウハウ • Nodeは階層で作れる
• 依存関係を明⽰示化するためのdummy node • タスクをIdentifyするのにParameterを使う • ⼊入出⼒力力でJSONを扱う • TaskのParameterとして関数を与える 41
Descargar ahora