OpenAIが先日発表したGLIDEにDiffusion Moldelが使用されているとのことで、最近話題のDiffusion Model（拡散モデル）について、まとめました。 サマリー 生成モデルとは Diffusion Model（拡散モデル）とは Forward diffusion process Reverse diffusion process 学習 応用例 画像生成 条件付き画像生成 画像変換 参考文献 サマリー ・Diffusion Model（拡散モデル）は、元データにノイズが徐々に付加されていき、最終的にガウシアンノイズとなるという前提を置き、その逆のプロセスをモデル化することでデータを生成する。 ・GANやVAEよりも高品質の画像を生成することに成功しており、様々な分野への応用が期待される。 生成モデルとは 生成モデルを使用することで、データ（ex. 画像）の生成プロセ
連載目次 用語解説 機械学習におけるみにくいアヒルの子の定理（醜いアヒルの子の定理： Ugly Duckling theorem）とは、何らかの「仮定（＝事前知識や偏向、帰納バイアス）」がないと「分類（＝類似性の判断）」は（理論上）不可能である、ということを主張する定理である。つまり分類やパターン認識において、あらゆる特徴量を客観的に同等に扱うことはできず、何らかの仮定に基づいて主観的に特徴量選択を行うことが本質的に必要であることを示す。 概念的にはノーフリーランチ定理に似ており、機械学習で必修の定理として一緒に学ぶことが多い。ノーフリーランチ定理は「あらゆる問題を効率よく解けるような“万能”の機械学習モデルや探索／最適化のアルゴリズムなどは存在しない」ことを主張する用語である。一方、みにくいアヒルの子の定理は「仮定／事前知識がない場合には、分類性能が高くなるような“最良”の特徴表現／特徴
Get started You can get started with MediaPipe Solutions by selecting any of the tasks listed in the left navigation tree, including vision, text, and audio tasks. If you need help setting up a development environment for use with MediaPipe Tasks, check out the setup guides for Android, web apps, and Python. Legacy solutions We have ended support for the MediaPipe Legacy Solutions listed below as
制約条件： \[\begin{cases} a_{11}x_1 + \cdots + a_{1n}x_n \le b_1 \\ a_{21}x_1 + \cdots + a_{2n}x_n \le b_2 \\ ~~~\vdots \\ a_{m1}x_1 + \cdots + a_{mn}x_n \le b_m \\ ~~x_1, \cdots, x_n \ge 0 \end{cases}\] 目的関数： $$z=c_1x_1 + \cdots + c_nx_n \to max$$ ここでは目的関数の最大化としているが、最小化問題の場合には-1を掛ければ等価である。 この線形問題を解くためには、次のようにすればよい。 スラック変数と標準形 まず、不等式で与えられた制約条件式に新たな変数を導入し、等式条件に変換する。 \[\begin{cases} a_{11}x_1 + \cdots +
実務に現れる多くの事例が組合せ最適化問題にモデル化できることが再認識されるようになりました． しかし，その多くはNP困難問題と呼ばれる計算困難な組合せ最適化問題であり，どのようにアプローチすれば良いか悩んでいる人は少なくないと思います． 本講演では，実務に現れる組合せ最適化問題に対する実践的なアプロ…
知っている人は知っていると思うが、Qiitaではたびたび大量のスパム記事が投稿されている。 深夜24~26時頃に記事一覧を確認してみて欲しい。 スパム記事がわんさか出てくるはず。 登録したてのQiitaユーザは不安よな。1 ———— @dcm_chida 動きます🧐 はじめに これはNTTドコモサービスイノベーション部AdventCalendar2019の1日目の記事です。 我々の部署では日頃から「KDDCUP2」や「論文読み会」に取り組んでおり、若手から中堅社員まで最先端の技術取得に励んでいます。 そうした活動をもっと外部へと発信していこうと始めたのがこのAdventCalendarです。社員一人一人が書いた記事を通して、少しでも多くの方に興味を持って頂ければ幸いです。 さて、僕は4年目社員ですがプログラミング初心者の頃から現在に至るまで、Qiitaにはかなりお世話になりました。 自分
回答 (5件中の1件目) ディープラーニングは昔ニューラルネット（神経回路網）と言われていました。 モデルとなった神経回路網において、神経の結合、処理状態がわかれば考えていることがわかるのか？と言われればそれは無理ですね。これはブラックボックスです。 じゃ、考えていることがわかるようなニューラルネットは作れるかと問われれば、できないと断言はできない。 ちなみに三十年くらい前のAIの主要トピックスは。 エキスパートシステム これは専門家の知識を記述するもので内容はわかります。 ファジーシステム どこ行ったんでしょうね？ ニューラルネット でした。
（注意：長いです。お時間のある時にどうぞ。） 私は「情報技術が私達の社会にどのような影響を与えるか」という問題に興味を持っています。ここでは、最近進歩が著しい深層学習が、科学の営みにどのように影響を与えるかを考えてみたいと思います。「高次元科学」とでも呼ぶべき新しい方法論が現れつつあるのではないか、と思うのです。 １．深層学習と科学 そもそも、この考えに行き着いた背景には、私が統計数理研究所で過ごした5年間がありました。統計数理研究所は大学共同利用機関として、自然科学の様々な研究を推進するための統計的手法を研究しています。ご存知の通り、統計的仮説検定や統計モデリングは、現代の科学における重要な道具立ての一部です。そのような道具立てが、科学の方法論の長い歴史の中でなぜそのような地位を占めるようになってきたか、に興味を持つようになったのです。 きっかけは、情報技術が科学の方法論をどのように変え
ＩｏＴ（モノのインターネット）が人工知能（ＡＩ）技術の主戦場になった。電子基板製造会社や組み込みソフト開発会社、システムインテグレーターなどがＡＩに参入している。オープンな開発環境が整い画像認識や人物検出は簡単にできるようになった。展示会のデモだけをみると、ＡＩ技術に投資してきた日本の大手に、中堅・中小企業が追いついたかのようだ。技術コンサルを生業としてきたＡＩベンチャーも価格競争に巻き込まれる可能性がある。 電子基板 周辺機器もサポート 「技術がオープンな時代なので、みな同じ提案になる」とＶ―ｎｅｔ ＡＡＥＯＮ（横浜市港北区）の伊勢友美執行役員は苦笑いする。同社は組み込み機器の電子基板を販売する。いわゆる“基板屋”だが、展示会ではＡＩによる人物認識や車両認識などを披露する。伊勢執行役員は「基板だけを紹介していても売れない。何ができるかＡＩのアプリを見せないと」と狙いを説明する。米ＮＶＩＤ
Word2Vecとは Word2Vecで演算処理する Word2Vecとニューラルネットワーク Word2Vecの仕組み CBoW Skip-gram Word2Vecを応用することができる分野 レコメンド 機械翻訳 Q&A・チャットボット 感情分析 Word2Vecの弱点 Word2Vecの派生系や類似ツール GloVe WordNet Doc2Vec fastText まとめ 参考 世界中のWebサイトの数は2014年に10億件を超えたようだ。そして、Facebookのユーザー数だけでも16億人を超えている。 そして、そのいずれもコンテンツの中身の大部分はテキストから成り立っていることだろう。 ということは、莫大に増大し続けるネット上のデータのほとんどはどこかの国の言葉だってことだ。世界中の人が毎日テキストデータを生成し続けたことはこれまでの歴史上無かったんじゃないだろうか。 もしそん
Photo by Horia Pernea こんにちは。谷口です。 最近「機械学習に興味がある」「いつかやろうと思ってるんだよね……」と言うエンジニアの方をよく目にします。また、その倍ぐらい「機械学習難しすぎて挫折した」という方も見ます。 弊社のITエンジニアにも機械学習を勉強中という人がいますが、特に最初は難しすぎて何から手を付けたらいいのかよく分からず、とても悩んだと言っていました。そこで同じような悩みを抱えている方の参考になればと思い、初心者の頃に参考になった機械学習入門者の方に役立ちそうな記事やスライドを聞いてきました。 また、Pythonには機械学習のためにデータを処理するライブラリ（数値演算をするためのライブラリや図を作成するためのライブラリなど……）がそろっていて、呼び出したり組み合わせて処理したり……といったことがしやすいため、多くの人が機械学習で使っています。コードも短く
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