SlideShare ist ein Scribd-Unternehmen logo
1 von 47
Downloaden Sie, um offline zu lesen
ディープラーニング最近の進展と
ビジネス応⽤用への課題
株式会社 Preferred Networks
⼤大野健太 oono@preferred.jp
2015/5/26
ディープラーニングフォーラム2015
@ベルサール秋葉葉原
更更新履履歴
• 2015/5/26:ディープラーニングフォーラム2015にて講演
• 2015/6/4:加筆・修正の上公開
• 2015/6/10:更更新履履歴追加、ディープラーニングフレームワーク⽐比較表修正、Chainerロゴ・
URL追加
2
⾃自⼰己紹介
• ⼤大野健太(@delta2323_)
• 経歴:数理理科学研究科・修⼠士課程(共形幾何)
• → 2012.3 PFI
• → 2014.10 PFN
• 所属:研究班(担当領領域:理理論論解析・ライフサイエンス)
• ブログ:http://delta2323.github.io
• ⽇日経ビッグデータ様「ディープラーニングのビジネス活⽤用を探る」連載中
3
アジェンダ
• 会社紹介
• 分散深層学習の創薬への応⽤用(活性予測による候補化合物選定)
• 深層学習のビジネス応⽤用への課題
4
略略記
• NN:Neural Network
• DNN:Deep Neural Network
• CNN:Convolutional Neural Network
• RNN:Recurrent Neural Network
株式会社Preferred Networks
Preferred Infrastructure(PFI、2006年年創業)
l 検索索・機械学習のソフトウェア研究開発
Preferred Networks(PFN、2014年年設⽴立立)
l IoTにフォーカスするためスピンオフ
l 深層学習など最新技術を開発 代表取締役
⻄西川徹
取締役副社⻑⾧長
岡野原⼤大輔
機械学習
深層学習
検索索エンジン
/
分析ソフト
5
IoTアプリケーションの直⾯面する課題
データの中央集権的収集は困難になる
データ量量の問題:⽇日本にある監視カメラ・スマートフォンの⽣生成データは推定1000PB/Year
情報量量の問題:データ量量に反して⽣生成データの価値密度度は薄い
プライバシーの問題:機微データはクラウドへデータをアップロードしたくない・できない
6
エッジヘビーコンピューティング
データを⼀一カ所に集めない前提のもとで深い分析を実現する
7
ネットワークのエッジ上のデバイスでローカルにデータ解析
抽出された情報(学習モデル)をクラウドに上げグローバルな解析を⾏行行う
収集からアクションまで統合的なデータ活⽤用
Sense Organize Analyze Act
8
様々な分野への技術適⽤用のための連携
• ⽇日本電信電話株式会社(NTT)様と深層学習など
の次世代データ解析技術開発を⽬目的とした資
本・業務提携契約締結
• トヨタ⾃自動⾞車車社様と⾃自動運転技術研究開発を⽬目
的とした共同研究開発契約締結
• Cisco様 Entpreneurs in Residence (EIR)プロ
グラムへの参加
• 京都⼤大学iPS細胞研究所(CiRA)様とiPS細胞機
能メカニズムの解明・次世代シーケンサーデー
タの解析における機械学習技術の応⽤用を⽬目的と
した共同研究契約締結
9
深層学習を⽤用いた⾏行行動解析デモ(1/2)
10
位置推定+⼈人物追跡
⼈人物検出
属性推定
・向き(8⽅方向)
・性別(男⼥女女)
・帽⼦子(有無)
属性推定にDeep Learning
を⽤用いた分類器を利利⽤用
深層学習を⽤用いた⾏行行動解析デモ(2/2)
11
Intel様ブース内で出展
ITPRO EXPO AWARD 2014優秀賞を受賞
位置・属性推定結果
をUIで可視化
エリアごとに属性の
割合・頻度度を表⽰示
男⼥女女⽐比 スタッフの割合
年年齢構成 ジャケット
着⽤用の割合
⼈人物追跡
ファンネル解析
外界にアクションを⾏行行う深層学習
ゲームAI
⾛走⾏行行プラニング
12
• DNN+強化学習
• CNN+探索索(MCTS)
活性予測による候補化合物選定
分散深層学習の創薬への応⽤用
アッセイ ≒ 1実験
• 多数の化合物に対する、1つの特性の試験
定量量的構造活性相関 (QSAR)
この化合物は「薬」になるか?
• Quantitative Structure-Activity Relationship
• 化合物の構造と薬効・毒性の関係を解析
• 体内酵素に代謝されやすいか?
• 受容体を阻害しやすいか?
• 製薬⼤大⼿手MerckがQSARのデータマイニングコンペ
ティションを主催 (2012)
• ヒントングループがマルチタスク深層学習ベースの
⼿手法で勝利利 **
14
CYP3A4 *
⾼高精度度なQSAR
↓
⾼高精度度なHTS
(化合物スクリーニング)
↓
薬効を持つ化合物
発⾒見見確率率率上昇
* hERG potassium channels and cardiac arrhythmia, Michael C.
Sanguinetti & Martin Tristani-Firouzi, Nature 440, 463-469(23 March
2006) (doi:10.1038/nature04710) Fig. 5
** Dahl, George E., Navdeep Jaitly, and Ruslan Salakhutdinov. "Multi-
task Neural Networks for QSAR Predictions." arXiv preprint
arXiv:1406.1231 (2014).
*** http://blog.kaggle.com/2012/10/31/merck-competition-results-
deep-nn-and-gpus-come-out-to-play/
↑ コンペティション結果
アナウンス記事***
マルチタスクによる活性予測の精度度向上
15
• 全結合隠れ層2-3層
• 500-2500ユニット/層
• Dropout
• Minibatch SGD
10010011010100010
フィンガー
プリント
アッセイA
複数ターゲット
同時に活性予測
1
0
Active!!
1
0 Active!!
0
1 Inactive!!
化合物
データ
バイオアッセイ
データ
PubChem
データベース
• 19アッセイ
• 20万化合物
DNN
を共有
ア
ッ
セ
イ
C
アッセイB
結果詳細 *
アッセイID シングルタスク マルチタスク 差
1851 (1a2) 0.926 0.938 0.012
1851 (2c19) 0.897 0.903 0.006
1851 (2c9) 0.889 0.907 0.018
1851 (2d6) 0.863 0.861 -0.002
1851 (3a4) 0.895 0.897 0.002
1915 0.756 0.752 -0.004
2358 0.738 0.751 0.013
463213 0.651 0.676 0.025
463215 0.613 0.654 0.041
488912 0.664 0.816 0.152
488915 0.723 0.873 0.15
488917 0.835 0.894 0.059
488918 0.784 0.842 0.058
アッセイID シングルタスク マルチタスク 差
492992 0.803 0.829 0.026
504607 0.684 0.67 -0.014
624504 0.871 0.889 0.018
651739 0.79 0.825 0.035
651744 0.886 0.9 0.014
652065 0.793 0.792 -0.001
• 15/19アッセイ(78.9%) で精度度向上(AUCで計測)
• タスク集合内に⾃自分と似たアッセイがあると精度度向
上の効果⼤大
16
* Dahl, George E., Navdeep Jaitly, and Ruslan Salakhutdinov.
"Multi-task Neural Networks for QSAR Predictions." arXiv preprint
Table 2から作成
さらなる精度度向上のために
マルチタスクで個々のタスクを独⽴立立に解くよりも精度度が向上した
↓
タスクの数を増やせばさらに精度度が向上するのではないか?
↓
でも、タスクを多くし過ぎると1台のマシンで学習できない
↓
深層学習を分散させよう
17
分散深層学習:マルチGPUとマルチノード
• 1ノード内での並列列計算
• マルチスレッド・マルチGPU
• ⼀一部の深層学習フレームはマルチGPU対応(FAIRなど)
• 複数ノード(マルチノード)での 並列列計算
• CPU上で分散機械学習:DistBelief, Project Adam, H2O
• GPU上で分散深層学習:COTS HPC, Minerva+Parameter Server
GPU GPU GPU
CPU
マルチGPU
G G G
C
G G G
C
G G G
C
マルチノード
18
「分散機械学習」と⾔言ったら
通常マルチノードの意味
分散深層学習:Model ParallelとData Parallel
• Model Parallel:NNを分割。各ノードはNNの各担当パーツを最適化。
• Data Parallel:訓練データセットを分割。各ノードはコピーしたNNを割り振られた訓練データ
で最適化。ノード間で学習結果を適宜共有する。
Model Parallelと
Data Parallelの
組み合わせも可能
Model Parallel Data Parallel
学習結果の共有
19
分散深層学習
既存⼿手法の主流流
「パラメータ取得 + 勾配計算 + パラメータ更更新」の分散
問題点
• 「全NNが同⼀一アーキテクチャ」の制限がつく
• スケーラビリティに限界
100台でも12倍
程度度の速度度向上
タスクによって
は全くスケール
しない
20
パラメータを交換せずに分散深層学習できないか?
↓
Dean, Jeffrey, et al. "Large scale distributed deep networks.”
Advances in Neural Information Processing Systems. 2012. Figure 2(左), Figure 3(右)
Distillation(蒸留留)
訓練済みNNの分類結果は正解データとして使える
蒸留留
NN1 NN2 NN3
0.80 0.65 0.50
0.10 0.25 0.30
0.10 0.10 0.20
Label
⾞車車 1
トラック 0
バイク 0
Hard Target
Soft Targets
(各NNの分類結果)
本来のラベルに加え、訓練済みNN
の分類結果を利利⽤用し、訓練しにくい
NNの学習を⾼高速化
21
「トラックはバイクよりも⾞車車っぽい」
という情報を持つ
Communication Learning
蒸留留技術を⽤用いた分散深層学習 • 各NNを正解ラベル(Hard Target)と⾃自分以
外のNNの分類結果(を焼きなましたもの)
(Soft Target)を⽤用いて学習する
メリット
• 以下の条件でノード間通信量量を削減
• 訓練データがノード間で共有
• NNのパラメータ >>分類結果
• 複数のアーキテクチャのNNを混ぜて分散学
習可能(⼊入出⼒力力の形式が⼀一致すれば良良い)
NN1 NN2 NN3
0.90 0.89 0.80
0.05 0.10 0.15
0.05 0.01 0.05
Label
⾞車車 1
トラック 0
⾃自転⾞車車 0
Hard Target
Soft Targets
0.80 0.65 0.50
0.10 0.25 0.30
0.10 0.10 0.20
予測結果
焼きなまし
22
訓練イメージ
GPUを⽤用いたCommunity Learningによる候補化合物選定
23
PubChem
データベース
5万化合物
5バイオアッセイ
Soft target
Soft target
クラスタ(~8ノード)
計算リソース
• 東京⼯工業⼤大学TSUBAMEを利利⽤用
• 3GPU(K40), メモリ54GB / ノード
ノード間通信
• MPIを利利⽤用
ライブラリ
• ⾃自社でスクラッチ開発
• テンソル計算にmshadowを利利⽤用
結果:Community Learningのスケーラビリティ
• 24個のNNによるModel Parallel
• 5アッセイマルチタスク
24
ノード数 所要時間(秒) 速度度向上
ノード間
通信 (秒)
1 10.5719 1 0.0318
2 5.2267 x 2.022 0.1377
3 3.9455 x 2.679 0.1284
4 2.5978 x 4.070 0.1367
8 1.5417 x 6.857 0.1281
結果:Community Learningによる精度度向上
• 全5アッセイでCommunity Learningにより精度度向上を達成
25
アッセイID シングルタスク マルチタスク Community
Learning
1851 (1a2) 0.926 0.938 0.9387
1851 (2c19) 0.897 0.903 0.9413
1851 (2c9) 0.889 0.907 0.9274
1851 (2d6) 0.863 0.861 0.8913
1851 (3a4) 0.895 0.897 0.9214
アプリケーション例例
Kinase、GPCRを標的とする低分⼦子化合物の探索索
l マルチタスクによる交差性、副作⽤用、毒性の発⾒見見
l 対象のタンパク質の⽴立立体構造は不不要
l 研究開発費⽤用の削減
26
候補化合物
バイオ
アッセイ
今後の課題
• Community Learningの⼤大規模化
• スケーラビリティーをどこまで保つことができるか?
• 何個のアッセイの活性予測をマルチタスクで扱えるか?
• ヘテロジニアスなCommunity Learning
• 様々なアーキテクチャーを持つNN達を⽤用いてCommunity Learningできるか?
• 特定のアッセイの予測に特化したNNの構築できるか?
27
⼤大規模分散深層学習の創薬への応⽤用
『みんなのスパコン』TSUBAMEによる⽇日本再⽣生 H27採択利利⽤用課題
28
PubChem
データベース
2億化合物
100万バイオアッセイ
Soft target
Soft target
クラスタ(>100ノード)
深層学習のビジネス応⽤用への課題
30
データ解析の典型的な流流れ
現象
⽣生データ
整形データ
情報
価値
Sense
Organize
Analyze
Action
S3
‘06/3
Simple DB
‘07/12
EBS
‘08/8
Glacier
‘12/8
RDS
‘09/10
Dynamo DB
‘09/10
Aurora
‘14/11
EMR
‘09/4
Red Shift
‘12/11
Kinesis
‘13/11
Storage
Database
Analytics
効⽤用
例例:AWS
プレーヤーの提供サービスは
データ解析の⾼高度度化に沿っている
Amazon ML
‘15/4
データ解析の各ステップで壁がある
現象
⽣生データ
整形データ
情報
価値
Sense
Organize
Analyze
Action
効⽤用
データが集められない
⼈人⼿手での解析が
ボトルネック
解析できる
⼈人材がいない
解析結果が経営の⾔言葉葉
に翻訳されていない
計測機器データが
そのまま廃棄される
データを機関外に
出したくない
データ前処理理が⾟辛い
データ粒粒度度が不不適切切
31
深層学習のビジネス応⽤用への課題
1. ⼤大量量のデータが必要
• 訓練データ例例
• ImageNet*:1400万枚の画像
• Sports1M**:100万本の動画
• ⼤大量量データを継続的に収集・管理理する仕組みが必要
32
* Deng, Jia, et al. "Imagenet: A large-scale hierarchical image database."
Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on.
IEEE, 2009. (左図)
** Karpathy, Andrej, et al. "Large-scale video classification with convolutional
neural networks." Computer Vision and Pattern Recognition (CVPR), 2014 IEEE
Conference on. IEEE, 2014. (右図)
深層学習のビジネス応⽤用への課題
2. 「常識識」が何度度も覆る → 技術が枯れにくい
• 1980年年代:LeCunら「画像認識識にはCNNが極めて有効」
• CNNの要素技術(MaxPoolingなど)を使わず同等の精度度を達成する⼿手法が登場
• 2006年年:Bengioら「事前学習を使えば深いNNを学習できる」
• NNの最適化技術が発達 → 事前学習なしでも同等の精度度を達成できるタスクも増えている
• これまでの情報科学にない速度度感での発展
• 「取材して2週間経つと新しい技術が現れる」
• 論論⽂文が公開されると1, 2ヶ⽉月でフレームワークに取り込まれる
33
深層学習のビジネス応⽤用への課題
3. 予測精度度は常に劣劣化する危険がある
• 外界環境の変化 → ⼊入⼒力力データの傾向変化
• ECサイト:メディアに紹介され、新しい年年齢層の訪問数が増加
• 「学習モデルの賞味期限は3ヶ⽉月から6ヶ⽉月」
• 精度度劣劣化を前提としたシステム設計が必要
• データ分布変化に強い技術の採⽤用(オンライン機械学習など)
• 予測できる変動(季節変動)を組み込んだ予測モデルの設計
• 予測性能劣劣化時のバックアップ・リカバリー⽅方法の準備
↑ 異異常検知でビニールハウス管理理*
(住友精密⼯工業様、ブリスコラ様)
オンライン機械学習(Jubatus)を⽤用いて
季節変動に対応
34
* みかん栽培に機械学習技術、住友精密がPFIのJubatusを採⽤用
http://itpro.nikkeibp.co.jp/article/NEWS/20140212/536349/
深層学習のビジネス応⽤用への課題
4. 要求を満たさない場合の原因追求が困難
システム構築時、機械学習の予測精度度が悪いことは
⼀一番最後(テスト・運⽤用時)に気づく
↓
原因の切切り分けが難しい
• 収集データが悪いのか?
• 機械学習の問題への落落とし込み⽅方が悪いのか?
• 機械学習のモデルが悪いのか?
• 予測精度度の問題かユーザーの要求との不不⼀一致か?
要求分析
基本設計
機能設計
詳細設計
実装
単体
テスト
結合
テスト
システム
テスト
受け⼊入れ
テスト
35
↑ V字モデル
システム構築の⼿手法の⼀一つ
チェックポイント
• 計画時の課題
• 意思決定者やシステム提案⾞車車がディープラー
ニングの特性を理理解しているか
• ⼗十分な量量のデータを継続的に⼊入⼿手・管理理する
仕組みがあるか
• 技術の枯れ具合を認識識できているか
• 技術検証に時間的・⾦金金銭的な投資ができるか
• 設計・構築時の課題
• 探索索的な設計・構築ができる計画となっているか
• 予測精度度の劣劣化を前提とした設計となっているか
• チューニング技術を持っている⼈人はいるか(機械
学習・深層学習フレームワーク・GPUプログラ
ミング)
• 運⽤用時の課題
• 予測性能を監視する仕組みがあるか
• システムが提供できるサービスの特性を利利⽤用者が
⼗十分に理理解できるか
36
まとめ
• 分散深層学習の創薬への応⽤用
• マルチタスク深層学習により化合物活性予測の精度度が向上しました
• 主流流の分散深層学習⼿手法はスケーラビリティとアーキテクチャーへの制限の課題があります
• Community Learningが8ノードでスケールすることと、化合物活性予測での精度度向上を実証
しました
• 今後の課題はCommunity Learningの⼤大規模化、ヘテロジニアス化です
• 深層学習のビジネスへの応⽤用
• 深層学習のビジネス応⽤用には⼤大量量データの管理理、技術の枯れていなさ、予測精度度劣劣化への対
応、原因の切切り分けの困難など様々な課題が存在します
37
深層学習フレームワーク:Chainer
http://chainer.org
深層学習フレームワークの現状
固定⻑⾧長データから可変⻑⾧長データへ
x
1
x
N
h
1
h
H
k
M
k
1
⼊入出⼒力力 応⽤用 機械学習⼿手法 アーキテクチャ
これまでの主流流 固定⻑⾧長 画像・⾳音声 分類・回帰 全結合, CNN
これからの主流流 可変⻑⾧長 映像・⾳音声
⾃自然⾔言語・センサー
強化学習
プログラム実⾏行行
RNN, LSTM,
NTM
CNN(LeNet)*
RNN LSTM **
39
* Deep Learning Tutorials http://deeplearning.net/tutorial/lenet.html
** Graves, Alex, et al. "A novel connectionist system for unconstrained handwriting recognition.
" Pattern Analysis and Machine Intelligence, IEEE Transactions on 31.5 (2009): 855-868. Figure 11
LSTM=Long Short-term Memory
NTM=Neural Turing Machine
深層学習フレームワークの現状
アーキテクチャの複雑化
• 深層学習で扱われるアーキテクチャーの複雑化
• GoogLeNet, NTM, Recursive Net, LSTM …
• 既存フレームワークではネットワーク記述が困難
Chainer Caffe
167⾏行行 2058⾏行行
GoogleNetのアーキテクチャ定義の必要⾏行行数
(2012)AlexNet*, 7層 ↑
(2014) GoogLeNet**, 22層→
40
* ImageNet Classification with Deep Convolutional Neural Networks
http://www.image-net.org/challenges/LSVRC/2012/supervision.pdf
** Szegedy, Christian, et al. "Going deeper with convolutions." arXiv preprint arXiv:1409.4842 (2014).
Chainer : 深層学習フレームワーク
ü Python + CUDA (cuDNN対応)
ü 系列列・可変⻑⾧長データの学習固有のアルゴリズムをネイティブにサポート
ü 任意のアーキテクチャを実現可能
ü マルチGPU対応(Model Parallel / Data Parallel)
PFI / PFN開発 新深層学習フレームワーク
6⽉月ごろOSS公開予定
41
既存フレームワークとの⽐比較
主要実装⾔言語 Python C++ Lua Python
主要開発者 Preferred
Networks Inc.
BVLC Idiap Research
Institute, DeepMind
Univ. of Montreal
コミュニティ - ◎ ○ ○
RNN/LSTM対応 ◎ × ○ ○
動的ネットワーク構
築
○ × × ×
拡張性 ○ △ ○ ○
ネットワーク設計 ⾔言語内DSL 設定ファイル
(prototxt)
⾔言語内DSL 設定ファイル
(YAML)
特徴 ネットワーク動的構
築による省省リソース
画像認識識が得意 LuaJITによる⾼高速化 ⾃自動微分機構
42
Pylearn2
Copyright  ©  2014-‐‑‒
Preferred  Networks  All  Right  Reserved.
補⾜足資料料
45
⽤用語解説(1/3):アーキテクチャ関連
• Net:Neural Net(NN)のアーキテクチャ全体
• Node = Neuron、Unit
• Nodeの集まりを(ややこしいが)○○層とも⾔言う
• Layer:異異なる階層のNodeをつなぐモジュール
x
1
x
N
h
1
h
H
k
M
k
1
y
M
y
1
t
M
t
1
Forward
Backward
Net Node
Layer
⽤用語解説(2/3):Layerに関する注意
• 論論⽂文ではNodeの中で活性化関数を含む事が多いが、実装では活性化関数をLayerで実現すること
が多い
Y=σ(WX)
W
X
X
WX
Y
W
σ
46
minibatch j
⽤用語解説(3/3)
:訓練関連
Epoch 1
Epoch N
Epoch 2
Epoch i
Epoch i
全訓練データを
シャッフル
minibatch 1
訓練データ 2
minibatch 2
minibatch M
minibatch j
訓練データ 1
訓練データ B
パラメータ更更新
時刻
• Epoch (Iteration):全訓練データを1巡する事
→ 各訓練データはNetにN回与える
• Solver:Netを訓練するモジュール
• minibatch:少数の訓練データをまとめてNNに
与えた後にパラメータ更更新
47

Weitere ähnliche Inhalte

Was ist angesagt?

深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開Seiya Tokui
 
生成モデルの Deep Learning
生成モデルの Deep Learning生成モデルの Deep Learning
生成モデルの Deep LearningSeiya Tokui
 
実装ディープラーニング
実装ディープラーニング実装ディープラーニング
実装ディープラーニングYurie Oka
 
Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)
Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)
Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)Kotaro Nakayama
 
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組みDeep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組みKenta Oono
 
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装PythonによるDeep Learningの実装
PythonによるDeep Learningの実装Shinya Akiba
 
Caffeのデータレイヤで夢が広がる話
Caffeのデータレイヤで夢が広がる話Caffeのデータレイヤで夢が広がる話
Caffeのデータレイヤで夢が広がる話Masaki Saito
 
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習Preferred Networks
 
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1NVIDIA Japan
 
20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来
20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来
20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来Preferred Networks
 
Deep Learning基本理論とTensorFlow
Deep Learning基本理論とTensorFlowDeep Learning基本理論とTensorFlow
Deep Learning基本理論とTensorFlowTadaichiro Nakano
 
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編Etsuji Nakai
 
Chainer の Trainer 解説と NStepLSTM について
Chainer の Trainer 解説と NStepLSTM についてChainer の Trainer 解説と NStepLSTM について
Chainer の Trainer 解説と NStepLSTM についてRetrieva inc.
 
Kerasで深層学習を実践する
Kerasで深層学習を実践するKerasで深層学習を実践する
Kerasで深層学習を実践するKazuaki Tanida
 
Chainerで学ぶdeep learning
Chainerで学ぶdeep learningChainerで学ぶdeep learning
Chainerで学ぶdeep learningRetrieva inc.
 
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン第1回 Jubatusハンズオン
第1回 JubatusハンズオンYuya Unno
 
はじめての人のためのDeep Learning
はじめての人のためのDeep Learningはじめての人のためのDeep Learning
はじめての人のためのDeep LearningTadaichiro Nakano
 
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~Yasutomo Kawanishi
 
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使うSensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使うDaisuke Tanaka
 

Was ist angesagt? (20)

深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開
 
生成モデルの Deep Learning
生成モデルの Deep Learning生成モデルの Deep Learning
生成モデルの Deep Learning
 
実装ディープラーニング
実装ディープラーニング実装ディープラーニング
実装ディープラーニング
 
Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)
Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)
Deep Learning Implementations: pylearn2 and torch7 (JNNS 2015)
 
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組みDeep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組み
 
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装PythonによるDeep Learningの実装
PythonによるDeep Learningの実装
 
Caffeのデータレイヤで夢が広がる話
Caffeのデータレイヤで夢が広がる話Caffeのデータレイヤで夢が広がる話
Caffeのデータレイヤで夢が広がる話
 
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習
 
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
 
20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来
20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来
20171212 gtc pfn海野裕也_chainerで加速する深層学習とフレームワークの未来
 
Deep learning入門
Deep learning入門Deep learning入門
Deep learning入門
 
Deep Learning基本理論とTensorFlow
Deep Learning基本理論とTensorFlowDeep Learning基本理論とTensorFlow
Deep Learning基本理論とTensorFlow
 
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
 
Chainer の Trainer 解説と NStepLSTM について
Chainer の Trainer 解説と NStepLSTM についてChainer の Trainer 解説と NStepLSTM について
Chainer の Trainer 解説と NStepLSTM について
 
Kerasで深層学習を実践する
Kerasで深層学習を実践するKerasで深層学習を実践する
Kerasで深層学習を実践する
 
Chainerで学ぶdeep learning
Chainerで学ぶdeep learningChainerで学ぶdeep learning
Chainerで学ぶdeep learning
 
第1回 Jubatusハンズオン
第1回 Jubatusハンズオン第1回 Jubatusハンズオン
第1回 Jubatusハンズオン
 
はじめての人のためのDeep Learning
はじめての人のためのDeep Learningはじめての人のためのDeep Learning
はじめての人のためのDeep Learning
 
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
 
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使うSensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
 

Ähnlich wie ディープラーニング最近の発展とビジネス応用への課題

[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A SurveyDeep Learning JP
 
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラムビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラムRecruit Technologies
 
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and mafDevelopment and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and mafKenta Oono
 
Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界Takahiro Inoue
 
MySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdfMySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdfMachiko Ikoma
 
ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展Recruit Technologies
 
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜Preferred Networks
 
#経済学のための実践的データ分析 11. データのビジュアライゼーション
#経済学のための実践的データ分析 11. データのビジュアライゼーション#経済学のための実践的データ分析 11. データのビジュアライゼーション
#経済学のための実践的データ分析 11. データのビジュアライゼーションYasushi Hara
 
経済学のための実践的データ分析 4.SQL ことはじめ
経済学のための実践的データ分析 4.SQL ことはじめ経済学のための実践的データ分析 4.SQL ことはじめ
経済学のための実践的データ分析 4.SQL ことはじめYasushi Hara
 
大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術RyuichiKanoh
 
企業等に蓄積されたデータを分析するための処理機能の提案
企業等に蓄積されたデータを分析するための処理機能の提案企業等に蓄積されたデータを分析するための処理機能の提案
企業等に蓄積されたデータを分析するための処理機能の提案Toshiyuki Shimono
 
20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術Preferred Networks
 
ICDE 2014参加報告資料
ICDE 2014参加報告資料ICDE 2014参加報告資料
ICDE 2014参加報告資料Masumi Shirakawa
 
増加するコアを使い切れ!!
増加するコアを使い切れ!!増加するコアを使い切れ!!
増加するコアを使い切れ!!guestc06e54
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Preferred Networks
 
Using Deep Learning for Recommendation
Using Deep Learning for RecommendationUsing Deep Learning for Recommendation
Using Deep Learning for RecommendationEduardo Gonzalez
 
20180723 PFNの研究基盤 / PFN research system infrastructure
20180723 PFNの研究基盤 / PFN research system infrastructure20180723 PFNの研究基盤 / PFN research system infrastructure
20180723 PFNの研究基盤 / PFN research system infrastructurePreferred Networks
 
20160409_Validating Product Ideas_yukio yoshida_cp04
20160409_Validating Product Ideas_yukio yoshida_cp0420160409_Validating Product Ideas_yukio yoshida_cp04
20160409_Validating Product Ideas_yukio yoshida_cp04Japan Culture Creation
 
Tableau Drive、企業に導入する新しい方法
Tableau Drive、企業に導入する新しい方法Tableau Drive、企業に導入する新しい方法
Tableau Drive、企業に導入する新しい方法Tableau Software
 

Ähnlich wie ディープラーニング最近の発展とビジネス応用への課題 (20)

[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey
 
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラムビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラム
 
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and mafDevelopment and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
 
Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界Tableauが魅せる Data Visualization の世界
Tableauが魅せる Data Visualization の世界
 
MySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdfMySQLで学ぶ機械学習ことはじめ.pdf
MySQLで学ぶ機械学習ことはじめ.pdf
 
ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展
 
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
 
#経済学のための実践的データ分析 11. データのビジュアライゼーション
#経済学のための実践的データ分析 11. データのビジュアライゼーション#経済学のための実践的データ分析 11. データのビジュアライゼーション
#経済学のための実践的データ分析 11. データのビジュアライゼーション
 
経済学のための実践的データ分析 4.SQL ことはじめ
経済学のための実践的データ分析 4.SQL ことはじめ経済学のための実践的データ分析 4.SQL ことはじめ
経済学のための実践的データ分析 4.SQL ことはじめ
 
大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術大規模並列実験を支えるクラウドサービスと基盤技術
大規模並列実験を支えるクラウドサービスと基盤技術
 
企業等に蓄積されたデータを分析するための処理機能の提案
企業等に蓄積されたデータを分析するための処理機能の提案企業等に蓄積されたデータを分析するための処理機能の提案
企業等に蓄積されたデータを分析するための処理機能の提案
 
20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術
 
ICDE 2014参加報告資料
ICDE 2014参加報告資料ICDE 2014参加報告資料
ICDE 2014参加報告資料
 
増加するコアを使い切れ!!
増加するコアを使い切れ!!増加するコアを使い切れ!!
増加するコアを使い切れ!!
 
JAWS DAYS 2022
JAWS DAYS 2022JAWS DAYS 2022
JAWS DAYS 2022
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
 
Using Deep Learning for Recommendation
Using Deep Learning for RecommendationUsing Deep Learning for Recommendation
Using Deep Learning for Recommendation
 
20180723 PFNの研究基盤 / PFN research system infrastructure
20180723 PFNの研究基盤 / PFN research system infrastructure20180723 PFNの研究基盤 / PFN research system infrastructure
20180723 PFNの研究基盤 / PFN research system infrastructure
 
20160409_Validating Product Ideas_yukio yoshida_cp04
20160409_Validating Product Ideas_yukio yoshida_cp0420160409_Validating Product Ideas_yukio yoshida_cp04
20160409_Validating Product Ideas_yukio yoshida_cp04
 
Tableau Drive、企業に導入する新しい方法
Tableau Drive、企業に導入する新しい方法Tableau Drive、企業に導入する新しい方法
Tableau Drive、企業に導入する新しい方法
 

Mehr von Kenta Oono

Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...Kenta Oono
 
Deep learning for molecules, introduction to chainer chemistry
Deep learning for molecules, introduction to chainer chemistryDeep learning for molecules, introduction to chainer chemistry
Deep learning for molecules, introduction to chainer chemistryKenta Oono
 
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017Kenta Oono
 
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Comparison of deep learning frameworks from a viewpoint of double backpropaga...Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Comparison of deep learning frameworks from a viewpoint of double backpropaga...Kenta Oono
 
深層学習フレームワーク概要とChainerの事例紹介
深層学習フレームワーク概要とChainerの事例紹介深層学習フレームワーク概要とChainerの事例紹介
深層学習フレームワーク概要とChainerの事例紹介Kenta Oono
 
20170422 数学カフェ Part2
20170422 数学カフェ Part220170422 数学カフェ Part2
20170422 数学カフェ Part2Kenta Oono
 
20170422 数学カフェ Part1
20170422 数学カフェ Part120170422 数学カフェ Part1
20170422 数学カフェ Part1Kenta Oono
 
情報幾何学の基礎、第7章発表ノート
情報幾何学の基礎、第7章発表ノート情報幾何学の基礎、第7章発表ノート
情報幾何学の基礎、第7章発表ノートKenta Oono
 
GTC Japan 2016 Chainer feature introduction
GTC Japan 2016 Chainer feature introductionGTC Japan 2016 Chainer feature introduction
GTC Japan 2016 Chainer feature introductionKenta Oono
 
On the benchmark of Chainer
On the benchmark of ChainerOn the benchmark of Chainer
On the benchmark of ChainerKenta Oono
 
Tokyo Webmining Talk1
Tokyo Webmining Talk1Tokyo Webmining Talk1
Tokyo Webmining Talk1Kenta Oono
 
VAE-type Deep Generative Models
VAE-type Deep Generative ModelsVAE-type Deep Generative Models
VAE-type Deep Generative ModelsKenta Oono
 
Common Design of Deep Learning Frameworks
Common Design of Deep Learning FrameworksCommon Design of Deep Learning Frameworks
Common Design of Deep Learning FrameworksKenta Oono
 
Stochastic Gradient MCMC
Stochastic Gradient MCMCStochastic Gradient MCMC
Stochastic Gradient MCMCKenta Oono
 
Chainer Contribution Guide
Chainer Contribution GuideChainer Contribution Guide
Chainer Contribution GuideKenta Oono
 
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用 2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用 Kenta Oono
 
提供AMIについて
提供AMIについて提供AMIについて
提供AMIについてKenta Oono
 
Chainerインストール
ChainerインストールChainerインストール
ChainerインストールKenta Oono
 
Caffeインストール
CaffeインストールCaffeインストール
CaffeインストールKenta Oono
 
Techtalk:多様体
Techtalk:多様体Techtalk:多様体
Techtalk:多様体Kenta Oono
 

Mehr von Kenta Oono (20)

Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
Minimax statistical learning with Wasserstein distances (NeurIPS2018 Reading ...
 
Deep learning for molecules, introduction to chainer chemistry
Deep learning for molecules, introduction to chainer chemistryDeep learning for molecules, introduction to chainer chemistry
Deep learning for molecules, introduction to chainer chemistry
 
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
Overview of Machine Learning for Molecules and Materials Workshop @ NIPS2017
 
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Comparison of deep learning frameworks from a viewpoint of double backpropaga...Comparison of deep learning frameworks from a viewpoint of double backpropaga...
Comparison of deep learning frameworks from a viewpoint of double backpropaga...
 
深層学習フレームワーク概要とChainerの事例紹介
深層学習フレームワーク概要とChainerの事例紹介深層学習フレームワーク概要とChainerの事例紹介
深層学習フレームワーク概要とChainerの事例紹介
 
20170422 数学カフェ Part2
20170422 数学カフェ Part220170422 数学カフェ Part2
20170422 数学カフェ Part2
 
20170422 数学カフェ Part1
20170422 数学カフェ Part120170422 数学カフェ Part1
20170422 数学カフェ Part1
 
情報幾何学の基礎、第7章発表ノート
情報幾何学の基礎、第7章発表ノート情報幾何学の基礎、第7章発表ノート
情報幾何学の基礎、第7章発表ノート
 
GTC Japan 2016 Chainer feature introduction
GTC Japan 2016 Chainer feature introductionGTC Japan 2016 Chainer feature introduction
GTC Japan 2016 Chainer feature introduction
 
On the benchmark of Chainer
On the benchmark of ChainerOn the benchmark of Chainer
On the benchmark of Chainer
 
Tokyo Webmining Talk1
Tokyo Webmining Talk1Tokyo Webmining Talk1
Tokyo Webmining Talk1
 
VAE-type Deep Generative Models
VAE-type Deep Generative ModelsVAE-type Deep Generative Models
VAE-type Deep Generative Models
 
Common Design of Deep Learning Frameworks
Common Design of Deep Learning FrameworksCommon Design of Deep Learning Frameworks
Common Design of Deep Learning Frameworks
 
Stochastic Gradient MCMC
Stochastic Gradient MCMCStochastic Gradient MCMC
Stochastic Gradient MCMC
 
Chainer Contribution Guide
Chainer Contribution GuideChainer Contribution Guide
Chainer Contribution Guide
 
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用 2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
2015年9月18日 (GTC Japan 2015) 深層学習フレームワークChainerの導入と化合物活性予測への応用
 
提供AMIについて
提供AMIについて提供AMIについて
提供AMIについて
 
Chainerインストール
ChainerインストールChainerインストール
Chainerインストール
 
Caffeインストール
CaffeインストールCaffeインストール
Caffeインストール
 
Techtalk:多様体
Techtalk:多様体Techtalk:多様体
Techtalk:多様体
 

Kürzlich hochgeladen

UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdfUPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdffurutsuka
 
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxIoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxAtomu Hidaka
 
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directoryosamut
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略Ryo Sasaki
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Danieldanielhu54
 
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。iPride Co., Ltd.
 
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ       2024/04/12の勉強会で発表されたものです。新人研修のまとめ       2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。iPride Co., Ltd.
 
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000Shota Ito
 
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムsugiuralab
 

Kürzlich hochgeladen (9)

UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdfUPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdf
 
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxIoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
 
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
 
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
 
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ       2024/04/12の勉強会で発表されたものです。新人研修のまとめ       2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
 
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
 
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
 

ディープラーニング最近の発展とビジネス応用への課題