こんにちは，学生エンジニアの迫佑樹(@yuki_99_s)です． 工学系の大学生なら絶対に触れるはずのフーリエ変換ですが，「イマイチなにをしているのかよくわからずに終わってしまった」という方も多いのではないでしょうか？ 難しいのに加えて，教科書もちょっと不親切で，いきなり論理が飛躍したりするんですよね(僕の理解力の問題かもしれませんが) 僕がフーリエ変換について学んだ時に，以下のような疑問を抱きました． 出来る限り難しい式変形は使わずにこれらの疑問を解決できるようにフーリエ変換についてまとめてみました!! 多少厳密性を欠いても，とりあえず理解するという目的の記事なので，これを読んだあとに教科書と付き合わせてみることをおすすめします． それでは，いってみましょう!! 今回の記事は結構本気で書きました． フーリエ変換の公式 今回のゴールを確認するべく，まずはフーリエ変換及びフーリエ逆変換の公式
理化学研究所計算科学研究機構は12月22日、「京」およびポスト「京」の利用で想定される波及効果の調査報告書を公表した。この調査は理研が米国IDC(International Data Corporation)社に委託して行われた。 調査は2016年4月から12月に実施され、これまでに「京」コンピュータを利用した、もしくはこれからポスト「京」を利用する予定の21の機関の48名の研究者に対して行われ、29件の経済的波及効果を持つ成果と117件のイノベーションを持つ成果の合計146件の成果について調査が行われた。 「京」の経済的波及効果は約1兆円、ポスト「京」も1兆円 この調査では経済的波及効果を収益(Revenue)とコスト削減(Cost Saving)に分けている。収益は開発された製品などの売上であり、コスト削減は開発された手法や製造方法などによって実現されるコスト削減と定義されている。 「
Skip to Main Contents. 小 中 大 文字サイズ変更 サイトマップ English プログラムの概要 研究領域の紹介 取組・成果 評価・報告書 募集 お問い合わせ JST トップ / 戦略的創造研究推進事業 / CREST 重要なお知らせ： CREST・さきがけ・ACT-X 2025年度研究提案募集を開始しました - プレス発表RSS プレス発表一覧 反強磁性準結晶の存在を初めて明らかに～周期を持たない長距離反強磁性秩序を発見～ [田村隆治チーム/未踏物質探索] 2025.04.11 光でゲノム変化を制御するゲノム合成技術「MagTAQing」を開発 [太田邦史チーム/ゲノム合成] 2025.04.11 有機半導体における電子相関の発達を初めて観測～電子相関発現のメカニズム解明と量子エレクトロニクスの発展に貢献～ [竹谷純一チーム/未踏物質探索] 2025.04.10
UCF101 - Action Recognition Data Set There will be a workshop in ICCV'13 with UCF101 as its main competition benchmark: The First International Workshop on Action Recognition with Large Number of Classes. Click here to check the published results on UCF101 (updated October 17, 2013) UCF101 is an action recognition data set of realistic action videos, collected from YouTube, having 101 action categ
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う． Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 http
Machine Learning Advent Calendar 2012に参加させていただきました，@yonetaniryo と申します．現在，博士後期課程2年で，コンピュータビジョン・パターン認識に興味があります．最近，クラスタリング手法の一つであるスペクトラルクラスタリングについて勉強する機会があったので，今回はそれを紹介しようと思います． 2013 1.24 いただいたコメントをもとに，図を一部更新しました． はじめに 本記事のモチベーション 本記事では，「スペクトラルクラスタリングについて何も知らない」人を「スペクトラルクラスタリングとは何かを大雑把には知っている」状態に持っていくことを目標にしています．具体的には，文献[1]の最初の方を紹介します． 本記事で扱う範囲 データのグラフ表現〜スペクトラルクラスタリングのアルゴリズム を扱います． 本記事で扱わない範囲 Normali
リクルートデータ組織のブログをはじめました。※最新情報はRecruit Data Blogをご覧ください。 Recruit Data Blogはこちら 産業で活用されるよりもランニングの有用さを人に説いていきたい、そう強く想う深層強化型人工知能・横柳です。 現在、私はサンフランシスコで開催中の Association for the Advancement of Artificial Intelligence (AAAI) に参加しています。 会議のスケジュールはコチラからPDFで提供されています。 私自身は人工知能なので、主に人間のアシストを担当しており、機械学習を専門にするエンジニアではないのですが、こういった仕事と直接関係ないカンファレンスにもホイホイ行かせてくれるのが RCO の良いところだと思います(コチラからのコピペ)。 この参加報告では、現地から毎日、リアルタイムに、私が参加
こんにちは、スマートニュースの徳永です。深層学習業界はGANだとか深層強化学習だとかで盛り上がっていますが、今日は淡々と、スパースなニューラルネットワークの話をします。 要約すると ニューラルネットのスパース化によって、精度はほとんど犠牲にせずに、計算効率は3〜5倍程度まで向上できる スパース化にはまだ課題が多く、ニューラルネットの高速化という意味では、次の戦場はたぶんここになる スパースとは、スパース化とは スパースであるとは、値のほとんどが0であることです。例えば、ベクトル$a,b$の内積を計算する際に、$a$のほとんどの要素の値が0であるとしましょう。0になにをかけても0ですから、$a$の値が0でない次元についてのみ、$a_i b_i$の値を計算して足し合わせればよいわけです。このように、内積を計算する際に、どちらかのベクトルがスパースであれば計算が高速化できます。0という値をメモリ
再現率・適合率 前回のエントリの引用. Precision:適合率 検索結果に適合しない文書が入ってない割合 Recall:再現率 適合する全ての文書の内,どれだけ拾うことが出来たかの割合 計算式は以下の表を用いて Relevant Nonrelevant Retrieved tp fp Not Retrieved fn tn Precision(P) = tp / (tp + fp) Recall(R) = tp / (tp + fn) となる. PとRはトレードオフの関係である. 検索結果として全ての文書を返せば,R→1となるがP→0となる. 条件を厳しくして適合文書をほんの少しだけ返せばPは大きくなるが,Rは小さくなる. 例を挙げてみる. 文書集合内の文書の数は10コ. 検索結果として10コの文書を返す. 正解となる文書(適合文書)は4コ. 適合文書の出現順序は以下の通り. ランキン
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 最近「人工知能が～」というニュースが山のように出てきますが、その中にはだいぶ誇張された表現のものも少なくありません。 人工知能関連の技術に注目が集まるのは、研究資金の増加や案件の発生という面では良いことです。しかし、「仕事が奪われるぞ！」みたいな過度な不安を煽ったり、「人工知能だったら何でもできるんやろ？」といった過度な期待を煽ってしまうことで、実体とはかけ離れた議論や誤解を生んでしまうという面もあります。 本稿では、目についた中で大きな誇張があるニュースを取り上げるとともに、その実際のところはどうなのか？について紹介をしていきたいと思
Deep Learning系のライブラリを試すのが流行っていますが、Exampleを動かすのはいいとしても、いざ実際のケースで使おうとするとうまくいかないことがよくあります。 なんとか動かしてみたけれど精度が出ない、データの加工の仕方が悪いのか、モデルのパラメーターが悪いのか、原因がぜんぜんわからん・・・という事態を乗り越えるには、やはり仕組みに対する理解が必要になってきます。 そんなわけで、本編では画像の用意という一番最初のスタートラインから、Chainerで実装したCNNを学習させるところまで、行うべき手順とその理由を解説していきたいと思います。 前段として理論編を書いていますが、ここではライブラリなどで設定しているパラメーターが、理論編の側とどのようにマッチするのかについても見ていきたいと思います。 なお、今回紹介するノウハウは下記リポジトリにまとめています。画像認識を行う際に役立て
イメージしやすいカラー情報 † これまで色をRGBそれぞれ256通りずつで表現してきました．これはディスプレイに表示する場合もこのようにRGBそれぞれの大きさに合わせて発光させているようなので，PCにとっては大変明確な表現なのですが，人間からしてみると理解しづらい表現となっています． 考えてみると日常生活では色を表現するときに「薄い緑」とか「明るめの黄色」というようになると思います．それが急に光の三原色で表現するようになるから理解しづらいのです．ということで理解しづらいRGBの表現を日常で表現しているやりかたにそっくりなHSV表現に変換してみたいと思います．こうすることで今までと変わった加工ができるようになります． これはGIMPで色をHSV表現で選択するときの画面です．周りの円の部分は色相環と呼ばれるもので，普段「濃い赤」「薄い黄色」のように使っている「赤」や「黄色」の部分を表しています
CVXOPT Python Software for Convex Optimization CVXOPT is a free software package for convex optimization based on the Python programming language. It can be used with the interactive Python interpreter, on the command line by executing Python scripts, or integrated in other software via Python extension modules. Its main purpose is to make the development of software for convex optimization applic
This section contains a project description, suggested topics, and examples of student work. Project Description The course project will be a major component of the course grade. You are welcome to choose a topic in any area of machine learning or statistics related to the course syllabus. You are strongly encouraged to choose a topic that you would like to learn about, rather than a topic you are
二次計画法（にじけいかくほう、英: quadratic programming, QP）は、数理最適化における非線形計画法の代表例の一つであり、いくつかの変数からなる二次関数を線形制約の下で最適化（最小化ないしは最大化）する方法である。二次計画法の対象となる最適化問題を二次計画問題という。 n の変数と m の制約からなる二次計画問題は以下のように定式化することができる[1]。 以下を所与とする： 実数値の n 次元ベクトル c n 行 n 列の実数値対称行列 Q m 行 n 列の実数値行列 A 実数値の m 次元ベクトル b 二次計画問題の目的は以下の問題の解となる n 次元ベクトル x を見つけることである。 ここで xT はベクトル x の転置を表す。Ax ≤ b という記法はベクトル Ax の全ての要素が対応するベクトル b の要素より小さいもしくは等しいことを意味する。 関係する
最近（？）、情報抽出の分野で distant supervision という学習方法が注目されているみたいなので概要と基論文の内容をまとめてみました。 Distant supervision のざっくりとした説明 Distant supervision for relaton extraction without labeled data (Mintz et al., 2009)で提案されている手法で、ラベル付きデータの情報を手がかりに全く別のラベルなしデータからラベル付きの学習データを生成し、モデルを学習する手法です。 直訳すると「距離のある（distant）教師 (supervision)」ってとこでしょうか。1 それって半教師あり学習じゃないの？？ と思いますよね！ たぶん大きな違いは、半教師あり学習はラベル付きデータを直接モデルの学習に使うに対し、distant supervisi
This presentation on Machine Learning will help you understand what is Machine Learning, Artificial Intelligence vs Machine Learning vs Deep Learning, how does Machine Learning work, types of Machine Learning, Machine Learning pre-requisites and applications of Machine Learning. Machine learning is a core sub-area of artificial intelligence. Machine Learning is a technique which uses statistical m
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
Description: This tutorial will teach you the main ideas of Unsupervised Feature Learning and Deep Learning. By working through it, you will also get to implement several feature learning/deep learning algorithms, get to see them work for yourself, and learn how to apply/adapt these ideas to new problems. This tutorial assumes a basic knowledge of machine learning (specifically, familiarity with t
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? なぜ自然言語処理にとって単語の分散表現は重要なのでしょうか？ この記事をご覧になっている方は Word2vec(Mikolov et al., 2013) についてご存知かもしれません。Word2vec ではまるで単語の意味を捉えられているかのような演算を行うことができます。例えば King から Man を引き Woman を足すと Queen が得られる(King - Man + Woman = Queen)というのは有名な例です。 from https://www.tensorflow.org/get_started/embedd
はじめまして。ABEJAでリサーチャーをやっている藤本です。 今年もCVPRの季節がやってきました。CVPRとはコンピュータビジョンに関するトップカンファレンスです。毎年規模が大きくなってきており、今年は3300の論文投稿があり、979件がacceptされました。また、21のチュートリアル、48のワークショップ、115以上の企業展示と様々なイベントが行われています。今年度のCVPR2018の開催は6月なのですが、プログラム自体は４月に公開済みですので、今回のブログの記事では、オーラル発表予定の論文のうちarxivで公開されている内容について一気に紹介します。 論文の動向 Deep learningについて Deep Learningに関連する論文は毎年増え続けており、今年度についてはacceptされた論文979件のうちarxivで459件が公開されており、なんと424件（頑張って数えました
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く