SlideShare une entreprise Scribd logo
1  sur  106
Télécharger pour lire hors ligne
#azurejp
https://www.facebook.com/dahatake/
https://twitter.com/dahatake/
https://github.com/dahatake/
https://daiyuhatakeyama.wordpress.com/
https://www.slideshare.net/dahatake/
#azurejp
ドアの後ろに人がいます
入ってくる人は、男性 / 女性 のどちらで
しょうか?
既知の情報は以下のみ
年齢: 35歳
年収: 600万円
有給残数: 12日
F (性別) = (0.03 * 年齢) + (0.07 * 年収) – (0.04 * 有給残数) + 0.05
= (0.03 * 3.5) + (0.07 * 6.0) – (0.04 * 1.2) + 0.05
= 0.41
0.5 よりも小さいから
= 女性
機械学習 深層学習 深層強化学習
画像解析
音声解析
データ分類
異常検知, 顧客グルーピング
数値予測
売上予測, 需要予測, 品質管理
ラベル分類
不良品分析, 故障予測, チャーン分析
機械学習より強力な分析
自律学習型ロボット
自動運転車
テキストや画像等の自動生成
活用例
主に多層のニューラルネットワーク
を用いた手法での分析
分析のためには、莫大なデータ量、
計算量、知識・スキルを要する
統計に基づいた手法での分析
そのため、比較的少ないデータ量と
計算量で分析を行うことができる
定義したあるべき姿に従い試行錯誤
をして自ら学習を行うための分析手
法である
強化学習と、深層学習を組み合わせ
た
分析
Azure Machine Learning Cognitive Toolkit / GPU Instance (N-Series)
マイクロソフトが提供する技術
#azurejp
機械
学習
教師あり
学習
教師なし
学習
強化学習
決定木
線形回帰
SVM
ロジスティック回帰
ニューラルネットワー
ク
クラスタリン
グ
次元削減
K-mean法
主成分分析
正準相関分析
ディープ ニュー
ラル
ネットワーク
畳みこみニュー
ラルネットワー
ク
再帰的ニューラ
ルネットワーク
回帰結合ニュー
ラルネットワー
ク
Q学習
深層学習
画像解析, 音声認識, 自動生成
深層強化学習
自立学習型ロボット
自動運転車
#azurejp
Model
を理解する
天気 気温 風 試合をしたか?
晴れ 低い ある Yes
晴れ 高い ある No
晴れ 高い なし No
曇り 低い ある Yes
曇り 高い なし Yes
曇り 低い なし Yes
雨 低い ある No
雨 低い なし Yes
晴れ 低い なし ?
天気 気温 風 試合をしたか?
晴れ 低い ある Yes
晴れ 高い ある No
晴れ 高い なし No
曇り 低い ある Yes
曇り 高い なし Yes
曇り 低い なし Yes
雨 低い ある No
雨 低い なし Yes
晴れ 低い なし ?
晴れ 曇り 雨
低い 高い なし ある
天気 気温 風 試合をしたか?
晴れ 低い ある Yes
晴れ 高い ある No
晴れ 高い なし No
曇り 低い ある Yes
曇り 高い なし Yes
曇り 低い なし Yes
雨 低い ある No
雨 低い なし Yes
晴れ 低い なし ?
Input data
Data Transformation
Train Model
Algorithm Split Data
Score Model
Evaluate Model
データの中のパターン
を、
コンピューター自身に
探させる (=学習させ
る)
天気 気温 風 場所 試合をしたか?
晴れ 25 ある さいたま Yes
晴れ 27 ある さいたま Yes
晴れ 高い 10 東京 No
曇り 5 ある 千葉 No
雨 低い なし 神奈川 No
データセット
Features Target Value
データ処理(s)
データ処理のためのモジュール
1) RawData
ロード
2) トレーニン
グ用のデータ
作成
Data 2
Data 1
Data N
. . .
100011010011
110111110110
トレーニング用データセット
アルゴリズム
の選択
2) トレーニング用の
データを入力
(選択した1,3,6の列と、
全体の80%の件数)
候補モデル
3) 候補モデル
の作成
1) features の選択
Target
ValueFeature 1 Feature 3 Feature 6
2) テストデータ
から、ターゲッ
トの値を
生成
3) テストデータの実際の値と、
ターゲットの値を比較する
トレーニング用データセット
Target
ValueFeature 1 Feature 3 Feature 6
1) 検証用データの
入力
(残った25%のデー
タ の、features 1, 3,
6
だけを使う)
候補モデル
候補
モデル
3) アルゴリズムのパラメータの
変更。もしくは、別のアルゴリ
ズムの選択
Feature 1 Feature 2 Feature 5
1) 別の features を選択す
る
アルゴリズム
の選択
2) サンプルデータを追加する
学習用アルゴリズム
Raw
Data
Prepared
Data
事前準備処理 Model の選択
データに
アルゴリズム
を
適用して
Model を
作成
選ばれた
Model候補 Model
数値予測
回帰分析
Regression
・売上予測
・需要予測
・品質管理
ラベル予測
分類
Classification
・不良品分析
・故障予測
・チャーン分析
・販促効果測定
・与信分析
クラスタリング
Clustering
・セグメンテーション
・顧客グルーピング
・メール キャンペーン
Class 1 Class 2
2つ以上でも良い
「不良種類(成功含む)」を
予測する分析器を作成
Cluster 1
Cluster 2
Cluster 3
がく片の幅
がく片の長さ
データの類似性から
2種類に分類する
セトナ
バージニカ
がく片の幅
がく片の長さ
Model
は、関数 と一
緒。
-> 一つの事し
か
Is there a deer in
the image?
Where is the deer
in the image?
Where exactly is the
deer? What pixels?
Which images are similar
to the query image?
Image
Classification
Object
detection
Image
segmentation
Image
Similarity
Similar
image
Query
imageYes
Model
は、DLL と一緒。
-> 単なるファ
イル
<Python> Modelの保存
出力された Model <C#>Model の読み込み
<C#>Model の利用 (実行)
Services
Schema
モデ
ル
スキーマ ファ
イル
(Option)
推論実行
コード
Machine Learning モデルを Web サービスとしてデプロイする
Azure Kubernetes Services
Azure Machine Learning Services
まずは ここ
Container
使い
Hack しま
せぅ
Secure Data
従来の
システム開発と
の
違い
#azurejp
汎用品
データが全て
精度の考え方
#azurejp
汎用品
データが全て
精度の考え方
2 + 3 = 5
2 + 3 = 5
簡単
大変…
2 + 3 = 5
簡単
大変…
それぞれの写真: 猫? Yes/No
Program = Algorithm
人が書く
タスクの仕様の定義
アルゴリズムは固定
アルゴリズムは容易に説明できる
ソフトウェアが書く
目的: 汎化
アルゴリズムはデータに依存
アルゴリズムは時間とともに変わる
Program = Algorithm
人が書く
タスクの仕様の定義
アルゴリズムは固定
アルゴリズムは容易に説明できる
ソフトウェアが書く
目的: 汎化
アルゴリズムはデータに依存
アルゴリズムは時間とともに変わる
実世界の全てを想定して、
プログラミングするのは、難しい…
万能なものは無い
#azurejp
汎用品
データが全て
精度の考え方
推論
デプロイメントデータの準備 モデル構築・学習
世界中の研究者が
論文として公表。
多くの実証コードも
公開される。
最新の技術を利活用
んなデータを整備するか?
競争力のための
自社にしかないデータが
活用できるか?
ビジネスフロー全体の中の
どこでモデルを
利用すべきか?
Alpha Go Zero
独占
権威
変革の速度
競争領域
アルゴリズムとして実装
機械学習によるモデル化
機械学習の最大限の可能性は、
データソース (IoT) との紐づけ と デプロイの自動化 (AutoML)
• 強い因果関係と説明責任が必要
• 想定外の事態での危機管理 な
ど
• 因果関係が必要な予測
• 人間の予測と機械学習の予
測の両方を使う
• 相関関係が分かればいいことの
予測
• 誰が正しいのか議論しても
あまり意味がないもの
http://tylervigen.com/spurious-correlations
#azurejp
汎用品
データが全て
精度の考え方
①True Positive(真陽性) : 100%に近いほど良好
⇒A/(A+C)
②False Positive(偽陽性) : 0%に近いほど良好
⇒B/(B+D)
③True Negative : 100%に近いほど良好
⇒D/(B+D)
④False Negative : 0%に近いほど良好
⇒C/(C+D)
⑤Accuracy(正解率) : 100%に近いほど良好
⇒「○」「×」を正しく予測できた割合
⇒(A+D)/(A+B+C+D) : 100%に近いほど良好
⑥Precision(適合率) : 100%に近いほど良好
⇒A/(A+B)
⑦Recall(再現率) : 100%に近いほど良好
⇒①に同じ
⑧F1 Score :1.0に近いほど良好
⇒⑥、⑦の複合指標
⇒2×(⑥×⑦)/(⑥+⑦)
検証用データ 予測で得たクラス
○ ×
正解の
クラス
○ A件 C件
× B件 D件
正解が「○」
のデータ
推測で「○」と
されたデータ
A件C件 B件
D件
予測結果例 主な評価指標
karugamoが写っているの
に、
モデルは推定できなかっ
た
▶モデルの見逃し
あり[予
測]
なし[予
測]
あり[正
解]
XX XX
なし[正
解]
XX XX
Karugamo でないもの
に、
Karugamo と推定
▶モデルの過検知?
あり[予
測]
なし[予
測]
あり[正
解]
XX XX
なし[正
解]
XX XX
再現率(Recall)
適合率
(Precision)
ヒット数↑
ノイズ ↑
精度↑
漏れ↑
再現率、適合率の最適な
ブレイクポイント
プログラミング 機械学習
アプローチ 演繹的 帰納的。つまりブラックボック
スは残る
機能保証 (≒ 精度):
Function Test
可能 訓練データ次第。ただ、統計の
域を出ない
性能保証:
Performance Test
可能 可能
妥当性確認試験:
Validation Test
可能 やってみないと、わかならい
https://docs.microsoft.com/ja-jp/azure/machine-learning/machine-learning-
algorithm-choice
http://aka.ms/
MLCheatSheet
データを可視化することで予測対象との相関を探す自動車の価格データ
予測対象の説明変数として採
用
68
Permutation Feature Importance (PFI)
それぞれの説明変数の重要度をスコアリングするア
ルゴリズム。重要度は説明変数の値を変化させたと
きに、どの程度目的変数に影響したかを持って計算
される
Filter Based Feature Selection
多くの場合、無関係な特徴、重複した特徴、関連性の高い特徴を排除すること
で、
分類の精度を向上させる
スコアリングメソッド
• ピアソンの相関関係
• 相互情報量
• ケンドールの相関関係
• スピアマンの相関関係
• カイ二乗
• フィッシャー スコア
• カウント ベース
基本統計量の算出
相関分析
回帰分析
データの傾向を知る
2 変数間の因果関係を理解する
過去のデータから、数値を予測する y = f(x)
次数 種類 代表値 内 容
1 次
位置
最大値 もっとも大きな値
最小値 もっとも小さな値
最頻値(モード) 出現する回数が最も多い値
中央値(メジアン) 値を大小の順に並べた場合に中央にくる値 (個数が偶数の場合は中心の 2 値の平均)
平 均
相加平均
データをならして得られる値でならし方に
よって様々な種類がある
値を合計して個数で割った数
相乗平均 値の積の n 乗根 (n:値の個数)
調和平均 値の逆数の平均の逆数
中間項平均 特異値を除いた値の平均
加重平均
重みをかけて合計した値を重みの合計で割ったも
の
バラツ
キ
偏 差
平均偏差
データが平均値の周りにどれくらい集まっ
ているか、あるいはばらついているかを表
す値
値と平均の差の絶対値の平均
2 次
標準偏差 値と平均の差の平方の平均の平方根
分 散 値と平均の差の平方の平均
3 次 偏り 歪 度 値が正負どちらの方向に外れているかを表す値
4 次 集中度 尖 度 データの平均値への集中の程度を表す値
相関の 3 つのパターン
① ある変量が増大すると、もう一方の変数も増大 ⇒ 正の相関
② ある変量が増大しても、もう一方の変数には無関係 ⇒ 相関なし
③ ある変量が増大すると、もう一方の変数は減少 ⇒ 負の相関
正の相関負の相関 相関なし
ビールの売
上
気温気温
雑誌の売上
気温
おでんの売上
正の相関関係
強
負の相関関係
強
正の相関 解釈
0~0.1 無相関
0.1~0.3 弱い正の相関関係
0.3~0.7 中程度の正の相関関係
0.7~1 強い正の相関関係
負の相関 解釈
-0.1 ~ 0 無相関
-0.3~-0.1 弱い負の相関関係
-0.7~-0.3 中程度の負の相関関係
-1~-0.7 強い負の相関関係
5 月 1 日
(26 度、30 個)
3 月 1 日
(12 度、150 個)
回帰直線 (Y =a X +b)
残差
xi
yi
Yi
回帰直線 (Y =a X +b) から
気温が 15 ℃ のとき、
おでんは 100 個売れることが予測で
きる
回帰分析
線形回帰
ベイズ線形回帰
ポワソン回帰
順序回帰
ニューラルネットワーク
決定木
ランダムフォレスト
Decision Jungle
分位点回帰
統計分類
ロジスティクス回帰
サポートベクタマシン
決定木
ランダムフォレスト
ニューラルネットワーク
Locally-Deep
サポートベクタマシン
ベイズポイントマシン
平均化パーセプトロン
Decision Jungle 異常検知
サポートベクタマシン
PCAベース異常検知
その他
テキスト分析 (n-gram)
リコメンドエンジン
クラスタリング
k平均法 (k-means)
Open CV
名称 日本名 説明 例
Linear Regression 線形回帰 線形モデルによる解析をしたい。ある
データが増減すると、それに伴って結
果も増減する
Bayesian Linear
Regression
ベイズ線形回
帰
Linear Regressionと同様だが、確率分
布を用いる
Ordinal Regression 順序回帰 順序尺度のつけたい場合 「1=良い」「2=普通」
「3=悪い」
Position Regression ポアソン回帰 特定の事情に関する回数 「1時間に通過する人数」
「1日に受信するメール
数」
Fast Forest Quantile
Regression
高速フォレス
ト分位点回帰
データがどのように分布しているのか
Decision Forest
Regression
決定フォレス
ト回帰
分布予測するのに用いる。精度は高い
が学習に時間がかかる
Boosted Decision
Tree Regression
ブースト決定
木回帰
分布予測するのに用いる。精度が高く、
高速だが、高メモリが必要。
未知の数値を予測する手法
https://ja.wikipedia.org/wiki/回帰分析
“境界” を見つけること
最近接値による境界 決定木 線形関数 非線形関数
長さ = d
データ A (a1, a2)
データ B (b1, b2)
変数 1 の値
変数 2 の値
長さ d の値が短いほど類似性が高い
データ A (a1, a2)
データ B (b1, b2)
変数 1 の値
変数 2 の値
Θ
2 つのベクトルのなす角度 Θ の値が小さいほど類似度が高
𝑦 = 𝑤1 𝑥1 + 𝑤2 𝑥2+・・・ 𝑤 𝑚 𝑥 𝑚+𝑐
パラメータの求め方 概要
最小二乗法
(Ordinary least squares)
学習用データにおける予測値と正解値の誤差の2乗を足した値が最小にな
るようにパラメータを調整
オンライン勾配降下法
(Online gradient descent)
モデルのトレーニング プロセスの各ステップでの誤差量を最小限に抑え
る手法
http://www.columbia.edu/~cjd11/charles_dimaggio/DIRE/styled-4/styled-11/code-4/
age>30 age≤30
ビジター 会員
Predict y=1
Predict y=-1
Predict y=-1
Predict y=1
Predict y=-1
Predict y=1
Predict y=-1
Predict y=1
男性女性
購入実績あり なし
金額 >= 20000 <20000
Decision Forest(ランダムフォレスト)とは?
Decision Treeが進化したもので、マシンパワーの飛躍的な向上で実現できるようになった最新モデル化技術。
Decision Treeモデルはわかりやすく、汎用的である一方で、モデルによっては偏りが高く、人間によるモデル修正
が必要とされていた。Decision Forestは多サンプルによる合議制(Ensemble方式)を取り、モデル構築データ依存度
の低い(低バリアンス)なメソッドである。
x1
x2
x1
x2
Support Vectors
分析の種類 説明 学習方法
クラス分類 母集団に属する要素が、ある基準で分類された集合のどこに属するかを予測
する
• どのメールがスパムか?(メールの属性データを使用し、「スパムである」
「スパムでない」 に分類)
「教師あり」 学習
クラスタリ
ング
特定の分類基準を与えず、属性データから類似性から、母集団をグルーピン
グする
• どの顧客グループにどのような製品を提案するべきか?
「教師なし」 学習
X2 < 2 万円?
X1 < 25?
識別境界面
A
X1 < 40?
YES NO
B
YES
C
YES
NO
D
NO
増加トレンド
外れ値
外れ値
 Matchbox Recommender
– Microsoft Research が開発したラージ・スケール・ベイジアン・
リコメンダー
システム
– 例えば映画やコンテンツ、その他の商品などのアイテムの評価を
利用し、
学習することができる
– リクエストごとにユーザーに対して新しいアイテムをリコメンド
することができる
– Matchbox のアルゴリズムは協調フィルタリングおよびコンテンツ
ベースの
リコメンド方式がベース
• ※ Matchbox の詳細については以下のサイトからご確認頂けま
す
Matchbox Recommender System
http://research.microsoft.com/en-us/projects/matchbox/
Matchbox: Large Scale Online Bayesian
Recommendations
(アルゴリズムの詳細)
http://msr-waypoint.com/pubs/79460/www09.pdf
– 考慮点
• 類似度の計算を選択する事ができず、類似度の値を確認するには工夫が
必要
• 評価の際に、混同行列から各種評価値を作る場合には工夫が必要
A さん
B さん
C さん
D さん
5 4 7 4
5 6 7 ?
1 7 - 7
2 8 6 -
A さん
B さん
C さん
D さん
5 4 7 4
5 4 7 ?
3 8 - 8
2 5 6 -
5 4 7 4
5 4 7 ?
3 8 - 8
2 5 6 -
トレーニングの種
類
説明
Sweep parameters 最適なパラメーター設定を決定するために、モデルのパラメーターの
絞り込みを行う
Train Anomaly
Detection Model
外れ値検知モデルのトレーニング
Train Clustering
Model
クラスター モデルのトレーニングとクラスターへのデータ割り当て
Train Matchbox
Recommender
マッチ ボックス レコメンダー (Matchbox Recommender) モデルのト
レーニング
Train Model 回帰 (Regression) と分類 (Classification) モデルのトレーニング
スコア付けの種類 説明
Apply
Transformation
データセットへの事前定義されたデータ変換の適用
Assign to Clusters トレーニング済みのクラスター モデルを使用したデータの割り当て
Score Matchbox
Recommender
マッチ ボックス レコメンダー (Matchbox Recommender) モデルのス
コア付け
Score Model 回帰 (Regression) と分類 (Classification) モデルのスコア付け
評価の種類 説明
Cross Validate Model 回帰 (Regression) モデルと分類 (Classification) モデルのクロス評
価
Evaluate Model スコア付けされた回帰 (Regression) または、分類 (Classification)
モデルの評価
Evaluate Matchbox
Recommender
スコア付けされたマッチ ボックス レコメンダー (Matchbox
Recommender) モデルの評価
評価方法 概要
平均絶対誤差
(Mean Absolute Error: MAE)
絶対誤差の平均値
平均二乗誤差
(Root Mean Squared Error:
RMSE)
誤差の二乗の平方根値
相対絶対誤差
(Relative Absolute Error: RAE)
絶対誤差の合計を正規化して
合計相対誤差で除算した値
相対二乗誤差
(Relative Squared Error: RSE)
二乗誤差の合計を正規化して
合計二乗誤差で除算した値
決定係数 (R2
)
(Coefficient of Determination)
特徴量がラベルを決定す
る度合 (悪:0 ~ 良:1)
①True Positive(真陽性):100%に近いほど良好
⇒A/(A+C)
②False Positive(偽陽性): 0%に近いほど良好
⇒B/(B+D)
③True Negative : 100%に近いほど良好
⇒D/(B+D)
④False Negative : 0%に近いほど良好
⇒C/(C+D)
⑤Accuracy(正解率) : 100%に近いほど良好
⇒「○」「×」を正しく予測できた割合
⇒(A+D)/(A+B+C+D) : 100%に近いほど良好
⑥Precision(適合率) : 100%に近いほど良好
⇒A/(A+B)
⑦Recall(再現率) : 100%に近いほど良好
⇒①に同じ
⑧F1 Score : 1.0に近いほど良好
⇒⑥、⑦の複合指標
⇒2×(⑥×⑦)/(⑥+⑦)
検証用データ 予測で得たクラス
○ ×
正解の
クラス
○ A件 C件
× B件 D件
正解が「○」
のデータ
推測で「○」と
されたデータ
A件C件 B件
D件
予測結果例 主な評価指標
その他の評価指標(ROC曲線とAUC)
・ROC曲線
⇒真偽の判断の閾値を変化させて
真陽性、偽陽性をの推移をグラフかしたもの
⇒縦軸が真陽性率、横軸が偽陽性率
⇒偽陽性をあまり悪化させることなく、
真陽性を大きく向上できる
(=左上に張り付くような曲線)ほど
優れたモデルであることを示す
・AUC
⇒ROC曲線の下の面積
⇒1に近いほど優れたモデルであること示す

Contenu connexe

Tendances

ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)Masakazu Iwamura
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情Yuta Kikuchi
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro
 
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)cvpaper. challenge
 
[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイ[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイDeep Learning JP
 
Active Learning 入門
Active Learning 入門Active Learning 入門
Active Learning 入門Shuyo Nakatani
 
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)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
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Yoshitaka Ushiku
 
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SSII
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAGIRobots
 
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language SupervisionDeep Learning JP
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII
 
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Yamato OKAMOTO
 
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...Deep Learning JP
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformercvpaper. challenge
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門Takuji Tahara
 
[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景Deep Learning JP
 
深層学習の数理:カーネル法, スパース推定との接点
深層学習の数理:カーネル法, スパース推定との接点深層学習の数理:カーネル法, スパース推定との接点
深層学習の数理:カーネル法, スパース推定との接点Taiji Suzuki
 
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual FeaturesARISE analytics
 
【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 ModelsDeep Learning JP
 

Tendances (20)

ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説
 
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
 
[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイ[DL輪読会]ドメイン転移と不変表現に関するサーベイ
[DL輪読会]ドメイン転移と不変表現に関するサーベイ
 
Active Learning 入門
Active Learning 入門Active Learning 入門
Active Learning 入門
 
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)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)
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
 
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
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
 
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
[DL輪読会]Learning Transferable Visual Models From Natural Language Supervision
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
 
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
 
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformer
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門
 
[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景
 
深層学習の数理:カーネル法, スパース推定との接点
深層学習の数理:カーネル法, スパース推定との接点深層学習の数理:カーネル法, スパース推定との接点
深層学習の数理:カーネル法, スパース推定との接点
 
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features
 
【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
 

Similaire à 機械学習 / Deep Learning 大全 (1) 機械学習基礎編

データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7Shunsuke Nakamura
 
エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎Daiyu Hatakeyama
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1Shunsuke Nakamura
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1Shunsuke Nakamura
 
順序データでもベイズモデリング
順序データでもベイズモデリング順序データでもベイズモデリング
順序データでもベイズモデリング. .
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1Shunsuke Nakamura
 
ae-3. ディープラーニングの基礎
ae-3. ディープラーニングの基礎ae-3. ディープラーニングの基礎
ae-3. ディープラーニングの基礎kunihikokaneko1
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用までデータサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用までShunsuke Nakamura
 
Deep learningbook chap7
Deep learningbook chap7Deep learningbook chap7
Deep learningbook chap7Shinsaku Kono
 
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移についてCVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移についてAkisato Kimura
 
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門Daiyu Hatakeyama
 
AV 画像認識とその周辺 - UT Startup Gym 講演資料
AV 画像認識とその周辺 - UT Startup Gym 講演資料AV 画像認識とその周辺 - UT Startup Gym 講演資料
AV 画像認識とその周辺 - UT Startup Gym 講演資料ぱろすけ
 
20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事Shunsuke Nakamura
 
人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015Kosuke Shinoda
 
Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習Preferred Networks
 
Interop2017
Interop2017Interop2017
Interop2017tak9029
 

Similaire à 機械学習 / Deep Learning 大全 (1) 機械学習基礎編 (20)

データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
 
エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで Vm 1
 
順序データでもベイズモデリング
順序データでもベイズモデリング順序データでもベイズモデリング
順序データでもベイズモデリング
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
 
ae-3. ディープラーニングの基礎
ae-3. ディープラーニングの基礎ae-3. ディープラーニングの基礎
ae-3. ディープラーニングの基礎
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用までデータサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで
 
Deep learningbook chap7
Deep learningbook chap7Deep learningbook chap7
Deep learningbook chap7
 
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移についてCVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
 
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
早稲田大学 理工メディアセンター 機械学習とAI セミナー: 機械学習入門
 
おしゃスタat銀座
おしゃスタat銀座おしゃスタat銀座
おしゃスタat銀座
 
AV 画像認識とその周辺 - UT Startup Gym 講演資料
AV 画像認識とその周辺 - UT Startup Gym 講演資料AV 画像認識とその周辺 - UT Startup Gym 講演資料
AV 画像認識とその周辺 - UT Startup Gym 講演資料
 
判別分析
判別分析判別分析
判別分析
 
20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事
 
人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015
 
20121215 DevLOVE2012 Mahout on AWS
20121215 DevLOVE2012 Mahout on AWS20121215 DevLOVE2012 Mahout on AWS
20121215 DevLOVE2012 Mahout on AWS
 
Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習Jubatusにおける大規模分散オンライン機械学習
Jubatusにおける大規模分散オンライン機械学習
 
Interop2017
Interop2017Interop2017
Interop2017
 
画像処理応用
画像処理応用画像処理応用
画像処理応用
 

Plus de Daiyu Hatakeyama

ChatGPT Impact - その社会的/ビジネス価値を考える -
ChatGPT Impact - その社会的/ビジネス価値を考える -ChatGPT Impact - その社会的/ビジネス価値を考える -
ChatGPT Impact - その社会的/ビジネス価値を考える -Daiyu Hatakeyama
 
Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-Daiyu Hatakeyama
 
郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう
郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう
郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょうDaiyu Hatakeyama
 
テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来
テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来
テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来Daiyu Hatakeyama
 
DXのための内製化のススメ
DXのための内製化のススメDXのための内製化のススメ
DXのための内製化のススメDaiyu Hatakeyama
 
JDMC Azureアプリ開発入門
JDMC Azureアプリ開発入門JDMC Azureアプリ開発入門
JDMC Azureアプリ開発入門Daiyu Hatakeyama
 
JAZUG12周年 俺の Azure Cosmos DB
JAZUG12周年 俺の Azure Cosmos DBJAZUG12周年 俺の Azure Cosmos DB
JAZUG12周年 俺の Azure Cosmos DBDaiyu Hatakeyama
 
法政大学 MBA 中小企業向けITとの付き合うコツ
法政大学 MBA 中小企業向けITとの付き合うコツ法政大学 MBA 中小企業向けITとの付き合うコツ
法政大学 MBA 中小企業向けITとの付き合うコツDaiyu Hatakeyama
 
明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア
明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア
明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリアDaiyu Hatakeyama
 
Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?
Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?
Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?Daiyu Hatakeyama
 
コミュニケーション戦略を前提にしたOutlookやTeams活用
コミュニケーション戦略を前提にしたOutlookやTeams活用コミュニケーション戦略を前提にしたOutlookやTeams活用
コミュニケーション戦略を前提にしたOutlookやTeams活用Daiyu Hatakeyama
 
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろはPython に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろはDaiyu Hatakeyama
 
東京大学 メディアコンテンツ特別講義 Sustainability
東京大学 メディアコンテンツ特別講義 Sustainability東京大学 メディアコンテンツ特別講義 Sustainability
東京大学 メディアコンテンツ特別講義 SustainabilityDaiyu Hatakeyama
 
Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!
Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!
Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!Daiyu Hatakeyama
 
Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来
Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来
Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来Daiyu Hatakeyama
 
東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方
東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方
東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方Daiyu Hatakeyama
 

Plus de Daiyu Hatakeyama (20)

ChatGPT Impact - その社会的/ビジネス価値を考える -
ChatGPT Impact - その社会的/ビジネス価値を考える -ChatGPT Impact - その社会的/ビジネス価値を考える -
ChatGPT Impact - その社会的/ビジネス価値を考える -
 
Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-
 
郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう
郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう
郡山 Connect 2022 ハッカソン 基調講演 - Hackathon からサービスインになったらデータを扱いましょう
 
テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来
テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来
テクノアカデミー郡山 現役ソフトウェアエンジニアが語る。IT の今と未来
 
Webサイトの最適化
Webサイトの最適化Webサイトの最適化
Webサイトの最適化
 
DXのための内製化のススメ
DXのための内製化のススメDXのための内製化のススメ
DXのための内製化のススメ
 
JDMC Azureアプリ開発入門
JDMC Azureアプリ開発入門JDMC Azureアプリ開発入門
JDMC Azureアプリ開発入門
 
JAZUG12周年 俺の Azure Cosmos DB
JAZUG12周年 俺の Azure Cosmos DBJAZUG12周年 俺の Azure Cosmos DB
JAZUG12周年 俺の Azure Cosmos DB
 
Microsoft の変革
Microsoft の変革Microsoft の変革
Microsoft の変革
 
データ分析概略
データ分析概略データ分析概略
データ分析概略
 
法政大学 MBA 中小企業向けITとの付き合うコツ
法政大学 MBA 中小企業向けITとの付き合うコツ法政大学 MBA 中小企業向けITとの付き合うコツ
法政大学 MBA 中小企業向けITとの付き合うコツ
 
明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア
明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア
明治大学 データサイエンス・AIに関するオムニバス授業 エバンジェリストというキャリア
 
Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?
Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?
Green Software Foundation Global Summit 2022 Tokyo グリーンソフトウェアとは?
 
コミュニケーション戦略を前提にしたOutlookやTeams活用
コミュニケーション戦略を前提にしたOutlookやTeams活用コミュニケーション戦略を前提にしたOutlookやTeams活用
コミュニケーション戦略を前提にしたOutlookやTeams活用
 
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろはPython に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
 
AI の光と影
AI の光と影AI の光と影
AI の光と影
 
東京大学 メディアコンテンツ特別講義 Sustainability
東京大学 メディアコンテンツ特別講義 Sustainability東京大学 メディアコンテンツ特別講義 Sustainability
東京大学 メディアコンテンツ特別講義 Sustainability
 
Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!
Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!
Wiz国際情報工科自動車大学校 特別講演 Teams活用しよう!
 
Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来
Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来
Wiz国際情報工科自動車大学校_特別講演_ITの織り成す未来
 
東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方
東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方
東洋経済 製造業DXフォーラム 2022: 製造業のための Sustainability との 向き合い方
 

Dernier

review.pdffweafgwahouigfhwafoufhohfaohfaohfao
review.pdffweafgwahouigfhwafoufhohfaohfaohfaoreview.pdffweafgwahouigfhwafoufhohfaohfaohfao
review.pdffweafgwahouigfhwafoufhohfaohfaohfaossuser81c525
 
若者がネットワーク業界に興味を持つには?
若者がネットワーク業界に興味を持つには?若者がネットワーク業界に興味を持つには?
若者がネットワーク業界に興味を持つには?orumo
 
OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」
OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」
OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」Tetsuya Nihonmatsu
 
EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識
EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識
EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識sugiuralab
 
[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方
[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方
[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方Hiroki Ichikura
 

Dernier (6)

review.pdffweafgwahouigfhwafoufhohfaohfaohfao
review.pdffweafgwahouigfhwafoufhohfaohfaohfaoreview.pdffweafgwahouigfhwafoufhohfaohfaohfao
review.pdffweafgwahouigfhwafoufhohfaohfaohfao
 
若者がネットワーク業界に興味を持つには?
若者がネットワーク業界に興味を持つには?若者がネットワーク業界に興味を持つには?
若者がネットワーク業界に興味を持つには?
 
U-22プログラミング・コンテスト2024 作品説明動画を制作するポイントを紹介
U-22プログラミング・コンテスト2024 作品説明動画を制作するポイントを紹介U-22プログラミング・コンテスト2024 作品説明動画を制作するポイントを紹介
U-22プログラミング・コンテスト2024 作品説明動画を制作するポイントを紹介
 
OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」
OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」
OWASP Hardning Privacy セッション 「セキュリティの守るべきものとは情報とプライバシーへ」
 
EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識
EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識
EarHover:ヒアラブルデバイスにおける音漏れ信号を用いた空中ジェスチャ認識
 
[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方
[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方
[NETSUGENプログラミングカンファレンス2024 登壇した資料]UnityとSwift UIを用いた3Dモデルを使ったMR, AR体験の作り方
 

機械学習 / Deep Learning 大全 (1) 機械学習基礎編

Notes de l'éditeur

  1. 48