Skip to content

Instantly share code, notes, and snippets.

View GINK03's full-sized avatar
🌴
On vacation

catindog/nardtree GINK03

🌴
On vacation
239 followers · 22 following
View GitHub Profile
@GINK03
GINK03 / ibmwatsonsummit2017report.md
Last active May 1, 2017 08:59
IBM Watson サミット 2017 レポート

dTVの映像配信サービスにおけるおすすめ・商品揃えデータへの活用

KPIの定義

どうやら、dTVでは多くの動画を見るほど脱会率が低いという点に注目して、多く動画を見せれば脱会率が下がるだろうという逆の関係におきなおして対応することにしたようだ。 多くの動画を見せるには、ユーザ行動を分析し、正しくその人が見たい動画をレコメンドする必要がある。

　二つのアプローチで動画をレコメンドする方法を記載する。

1.見た動画に対して似た動画をみてる内容をレコメンドする

  • もっとも単純な方法で、人間の評価者を用意しておき、そのシーンの状況を説明するベクトルを取り出す。
@GINK03
GINK03 / file0.sh
Created May 4, 2017 13:35
ディープラーニングでスリーサイズを予想 ref: http://qiita.com/nardtree/items/a2a5ec50e3b17c662864
(B80cm, W52cm, H82cm) -> (0.80, 0.52, 0.82)
@GINK03
GINK03 / 人工知能学会.md
Created May 11, 2017 07:42
人工知能学会予定

ホテル予約

  • ホテル：名古屋サミットホテル
  • 会場まであるいて行ける
  • 5/22 - 5/26 mon 10:00
@GINK03
GINK03 / google_cloud_next.md
Last active May 11, 2017 10:19
行きたいgoogle cloud next

6月14日

  • 12:00 - 12:40, ルーム H / D1-1-X1, 【ハンズオンセッション】速習： Google Cloud Platform 上で実現する機械学習とビッグデータ解析
  • 14:05 - 14:45, ルーム C / D1-3-S2, No-Ops で大量データ処理基盤を簡単に構築する - Google Cloud Platform で実現する次世代データ処理基盤
  • 13:00 - 13:40, ルーム B / D1-2-S2, Google におけるディープラーニングの活用と Google Cloud Platform の機械学習サービス
  • 15:10 - 15:50, ルーム B / D1-4-S2, Google のデータサイエンティストが語る現場で使える機械学習入門 (中休み)
  • 17:20 - 18:00, ルーム B / D1-6-S2, API.AI とチャットボットで実現する、会話型ユーザー エクスペリエンス

6月15日

@GINK03
GINK03 / DeepFurigana.md
Last active May 17, 2017 08:45
DeepFurigana

DeepFurigana

DeepFuriganaは、日本語の漢字に特殊な読み方を割り当てて、中二心をくすぐるものです。 特殊な読み方（発音でなく文脈的な表現をふりがな）とすることが多く、外国人にとって日本語の学習の障害になっているということです。

図1. Fate Grand Orderのアルテラの場面、生命と文明を（おまえたち）と呼ばせる
@GINK03
GINK03 / s&b.csv
Created May 20, 2017 04:54
シュガーソングとビターステップのCSV
We can't make this file beautiful and searchable because it's too large.
ボーン名 フレーム 位置X 位置Y 位置Z 回転X 回転Y 回転Z X_x1 X_y1 X_x2 X_y2 Y_x1 Y_y1 Y_x2 Y_y2 Z_x1 Z_y1 Z_x2 Z_y2 R_x1 R_y1 R_x2 R_y2
センター 0 2.8 0 0.75 0 0 0 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
上半身 0 0 0 0 2.439002 -13.537052 10.023719 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
上半身2 0 0 0 0 -3.782947 -2.2365 -11.399502 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
首 0 0 0 0 -3.437746 0 0 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
頭 0 0 0 0 -6.302536 0 0 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
左目 0 0 0 0 0 0 0 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
右目 0 0 0 0 0 0 0 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
両目 0 0 0 0 0 0 0 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
左肩 0 0 0 0 -14.8969 -11.459153 0.000001 20 20 107 107 20 20 107 107 0 20 107 107 0 20 107 107
@GINK03
GINK03 / jsai2017.md
Last active May 24, 2017 06:08
JSAI2017

レポート

2017/05/23-1J1

出現頻度と機械学習手法を利用した分類システムの検討

内容

  • 特許の提案した課題にたいして、何かしら提案を行う
  • 分類済みの文章から、単語を取り出し、ベクトル表現（BoW）にしてマッチングをする -> うまくいかなかったみたい
  • 古典的なニューラルネット（ANN）
  • 要約に着目
@GINK03
GINK03 / unsupervised fast image search and clustering.md
Last active June 11, 2017 05:14
Unsupervised Fast Image Search and clustering.

教師なし画像のベクトル化と、ベクトルからタグを予想したり類似度を計算したりする

はじめに

ISAI2017でPCAnetと呼ばれる、教師なし画像の特徴量の抽出方法が紹介されていました   興味深い実装になっており、CNNをバックプロパゲーションで結合の太さを学習していくのではなく、予めフィルタを組み込んでおき、使うことで、高い精度を達成しているようです[1]  

これを見ていて、AutoEncoderでも同等のことができるのではないかと思いました。
AutoEncoderでは、ディープラーニング学習する必要がありますが、やはり、教師データは必要ないです。画像だけあれば良いです。  

AutoEncoder

@GINK03
GINK03 / gradle_kotlinc.md
Last active June 25, 2017 10:40
＃　コトリン　グレードる

gradle install

$ sdk install gradle

build

When you want to build with local binary.

$ ./gradlew run
@GINK03
GINK03 / venv.md
Created June 26, 2017 13:46
venc

venv

あれ

やむおえず

KerasやTensorFlowのアップグレードを続けていくと、できなくなってくる

venv

cd virtualenv/
virtualenv -p python3.5 py-keras
source py-keras/bin/activate