獺祭 島耕作

たった今買ってきました。

もう在庫ないとのこと。でも再来週には入荷するとのこと。

15日に来徳するM氏のお土産に!!

獺祭
復興を願って

NeuralNetworkConsole

NeuralNetworkConsoleとは

Neural Network Console(ニューラルネットワーク コンソール)は、Deep Learning の統合開 発環境です。Deep Learning を用いた研究開発におけるネットワークの設計、ネットワーク構造 の探索による試行錯誤の大幅な効率化を実現します。ネットワークのデザインについて視覚的に 把握することができるため、Deep Learning の学習用途にも最適です。(NeuralNetworkConsole の manual_ja.pdf から抜粋)

 

  1. 新規プロジェクトを作成
  2. データセットの選択
  3. ネットワークの作成
    ・コンポーネントの配置
    ・コンポーネントのパラメータ設定
  4. 学習条件と最適化の設定
  5. NeuralNetworkConsole で学習の実行結果NeuralNetworkConsole
  6. 自動最適化で学習の実行結果
    NeuralNetworkConsole
  7. この後に評価の実行

← ソニー開発のNeural-Network-Console入門

Neural-Network-Console を利用して 指原莉乃を識別する という内容のグログがあって興味深い内容でした。

 

RapidMinerも入れてみた

RapidMiner

 

RapidMinerに関する連載が参考になるかも←連載はこちら

 

Pythonではじめる機械学習(O’REILLY)より

  • 最近傍法
    小さいデータに関しては良いベースラインとなる。説明が容易
  • 線形モデル
    最初に試してみるべきアルゴリズム。非常に大きいデータセットに適する。非常に高次元のデータに適する。
  • ナイーブベイズ
    クラス分類にしか使えない。線形モデルよりもさらに高速。非常に大きいデータセット、高次元データに適する。線形モデルよりも劣ることが多い。
  • 決定木
    非常に高速。データのスケールを考慮する必要がない。可視化が可能で説明しやすい
  • ランダムフォレスト
    ほとんどの場合単一の決定木よりも高速で、頑健で、強力、データのスケールを考慮する必要がない。高次元の疎なデータには適さない。
  • 勾配ブースティング決定木
    多くの場合ランダムフォレストよりも少し精度が高い。ランダムフォレストよりも訓練に時間がかかるが、予測はこちらのほうが早く、メモリ使用量も小さい。ランダムフォレストよりもパラメータに敏感。
  • サポートベクタマシン
    同じような意味を持つ特徴量からなる中規模なデータセットに対しては強力。データのスケールを調整する必要がある。パラメータに敏感。
  • ニューラルネットワーク
    非常に複雑なモデルを構築できる。特に大きなデータセットに有効。データのスケールを調整する必要がある。パラメータに敏感。大きなモデルは訓練に時間がかかる。 

← ㈳人工知能学会

← Visual Studio Tools for AI のインストール