本書は、Scratchを使っている小学校高学年くらいの年齢から読める、機械学習入門です。Scratchの拡張機能を使い、画像認識や音声認識、姿勢検出、文章生成を利用したプログラムを作りながら、機械学習の仕組みを楽しく学ぶことができます。Pythonなどのテキストプログラミング言語や、難しい数学の知識は必要ありません。作りながら学ぶことで、実際の世の中で機械学習がどのように生かされているかを想像し、自分でも機械学習を使った仕組みを考えられる力を養います。プログラミングの楽しさを覚えはじめた子どもたちの次のステップとしてもぴったりの一冊です。 はじめに この本について 序章 10分で体験できる機械学習 ImageClassifier2Scratchで画像認識を体験してみよう 1章 ［画像認識編］ジャンケンゲームを作ろう 1-1 ML2Scratchの準備をする 1-2 ML2Scratchで画
人気シリーズの第4弾。今回のテーマは強化学習です。実際のコードを提示し動かしながら学ぶという本シリーズのスタイルを踏襲し、外部ライブラリに頼らず、強化学習を支える基本的な技術やアイデアをゼロから実装しながら学びます。本書では読者が強化学習独特の理論を確実にマスターできるように、強化学習という難解なテーマの構成要素の一つひとつを「理論」と「実践」の双方から丁寧に解説します。数式だけで説明する理論書とは異なり、読者はコードを通してハッとする気づきを数多く得られるでしょう。 関連ファイル サンプルコード 正誤表 ここで紹介する正誤表には、書籍発行後に気づいた誤植や更新された情報を掲載しています。以下のリストに記載の年月は、正誤表を作成し、増刷書籍を印刷した月です。お手持ちの書籍では、すでに修正が施されている場合がありますので、書籍最終ページの奥付でお手持ちの書籍の刷版、刷り年月日をご確認の上、ご
The First Rule of Machine Learning: Start without Machine Learning [ machinelearning career 🔥 ] · 8 min read Update: This made the top of Hacker News (~600 points). Comments here. Applying machine learning effectively is tricky. You need data. You need a robust pipeline to support your data flows. And most of all, you need high-quality labels. As a result, most of the time, my first iteration doe
🌍 Travel around the world as we explore Machine Learning by means of world cultures 🌍 Cloud Advocates at Microsoft are pleased to offer a 12-week, 26-lesson curriculum all about Machine Learning. In this curriculum, you will learn about what is sometimes called classic machine learning, using primarily Scikit-learn as a library and avoiding deep learning, which is covered in our AI for Beginners
What is wrong with you, Python?!Python is by far the most used language in machine learning, and Google has a ton of machine learning libraries and tools written in it. So, why Swift? What's wrong with Python? To put it bluntly, Python is slow. Also, Python is not great for parallelism. To get around these facts, most machine learning projects run their compute-intensive algorithms via libraries w
顔コレデータセット（KaoKore Dataset）は、日本の絵巻物や絵本に登場する様々な顔貌画像「顔コレ（顔貌コレクション）」を、機械学習に利用しやすい形式で提供するデータセットです。データセットをご利用の際には、引用、ライセンス、利用ガイドラインなどをご確認ください。 顔コレデータセットは、複数の組織がIIIF (International Image Interoperability Framework)形式で公開する絵巻物・絵本に登場する様々な顔貌画像の所在情報とメタデータをまとめたものです。 2022年5月現在、最新バージョン（v1.3）のデータセットは、9,683件の顔貌データを提供します。データセットの内容は以下の通りです。 顔貌画像（画素：256×256）の所在情報（URL）をまとめたテキストファイル 専門家が付与した属性情報（メタデータ）をまとめたテキストファイル 機械学
If you want to test out these ML algorithms, check out Saturn Cloud, a scalable, flexible data science platform with free and enterprise tiers. In my previous article, I explained what regression was and showed how it could be used in application. This week, I’m going to go over the majority of common machine learning models used in practice, so that I can spend more time building and improving mo
In the not-so-distant past, a data science team would need a few things to effectively use deep learning: A novel model architecture, likely designed in-houseAccess to a large, and likely proprietary, data setThe hardware or funds for large-scale model trainingThis had the effect of bottlenecking deep learning, limiting it to the few projects that met those conditions. Over the last couple years,
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
