SlideShare ist ein Scribd-Unternehmen logo
1 von 47
Downloaden Sie, um offline zu lesen
機械学習モデルフォーマットの話:
さようならPMML
こんにちはPFA
⽐⼾将平
Preferred Networks America, Inc.
⾃⼰紹介
l  ⽐⼾将平(HIDO Shohei)
l  Twitter ID: @sla
l  専⾨:データマイニング、機械学習
l  経歴:
l  2006-2012: IBM東京基礎研究所データ解析グループ
l  機械学習のアルゴリズム研究開発(主に異常検知)
l  2012-2014: 株式会社Preferred Infrastructure
l  ⼤規模オンライン分散機械学習基盤Jubatusチームリーダー
l  2014-: 株式会社Preferred Networks
l  2015-: Preferred Networks America, Inc. @ シリコンバレー
l  Chief Research Officer
2
l  機械学習モデルフォーマットといえばPMML
l  使われているか?流⾏っているか?
l  サポートは⽼舗データ解析ソフトを中⼼にたくさん、だが…
l  Google trendで⾒ても、5年間ほぼ盛り上がりなし
l  ⽿にすることは無い(データサイエンティストブーム中すらも)
3
(これまで)機械学習モデル標準化とフォーマット
いちおうPMMLがあるけどぶっちゃけ残念な感じ
⽬次
l  機械学習モデルのプロダクション利⽤
l  PMMLの理想と現実
l  PFAの概要
l  PFA⼊⾨編
l  (おまけ)ディープラーニングモデルの標準化?
4
データサイエンティストが作ったモデルを
プロダクション環境で使いたい時
l  開発環境:RやPythonで試⾏錯誤
l  プロダクション環境:HadoopやSparkベースの解析基盤の中
5
Rと格闘してやっと最⾼精度の
オレオレモデルができました!
データサイエンティスト マネージャー
よし!でもRじゃ本番環境で
使えないから何とかしてね!
マジかよ…
Javaで再実装?
⼆つの分断された世界
6
DeathvalleyofMLmodels
⽬次
l  機械学習モデルのプロダクション利⽤
l  PMMLの理想と現実
l  PFAの概要
l  PFA⼊⾨編
l  (おまけ)ディープラーニングモデルの標準化?
7
PMMLとは
l  Predictive Model Markup Language
–  XMLベースの予測モデル交換フォーマット
–  1997年に初期v0.7公開、2016年に最新v4.3公開(14つめ)
8
<PMML xmlns="http://www.dmg.org/PMML-4_1" version="4.1">
<Header copyright="KNIME">
<Application name="KNIME" version="2.8.0"/>
</Header>
<DataDictionary numberOfFields="10">...</DataDictionary>
<TransformationDictionary/>
<ClusteringModel modelName="k-means" functionName="clustering"
modelClass="centerBased" numberOfClusters="4">
<MiningSchema>...</MiningSchema>
<LocalTransformations>...</LocalTransformations>
<ComparisonMeasure kind="distance">...</ComparisonMeasure>
<ClusteringField field="Age" compareFunction="absDiff"/>
<ClusteringField field="Male_Gender" compareFunction="absDiff"/>…
<Cluster name="cluster_0" size="289">...</Cluster>
<Cluster name="cluster_1" size="536">...</Cluster>
</ClusteringModel></PMML>
←特徴量定義
←モデル宣⾔
←前処理定義
←得られたクラスタ
←特徴量の使い⽅
←距離定義
←利⽤する特徴量宣⾔
←前処理適⽤
PMMLの理想
l  PMML利⽤者のメリット
–  様々な環境・ソフトウェアをまたいでモデルを共⽤可能
–  ⾯倒な実装は各ソフトウェアが対応して隠蔽してくれる
–  TransformationとTargetにより前処理・後処理もサポート
–  XMLかつschemaも与えることで⾔語を問わず簡単に操作
l  PMML対応ソフトウェア開発者のメリット
–  PMMLに対応することでユーザーが増える
–  既存ソフトウェアはImport and/ or Exportに対応すれば良い
–  PMMLバージョンアップへの対応はベストエフォートで良い
l  PMML標準化団体のメリット
–  PMMLが業界標準として広く使われる
–  アルゴリズムはSpecificationバージョンアップ毎に追加すればいよい
9
PMMLの現実
l  PMMLの弱点
–  拡張性が低く前処理が苦⼿
–  データフローを単⼀PMMLでは表現困難
–  各種PMMLモデルの「仕様」であり全実装が追従するのが⼤変なほど複雑化
–  独⾃拡張を必要とする新しいアルゴリズムの研究開発には使えない
l  PMMLのバージョン対応状況
–  各製品ごとにProducer / Consumerの対応バージョンがバラバラ
–  製品をまたいだ実⾏の保証はどれくらいできているのか…?
l  PMMLの利⽤実態
–  主にエンタープライズシステムの中で限定的に使われている
–  PMMLが今の⼈⼯知能ブームで勢いを増すことは考えづらい
10
⽬次
l  機械学習モデルのプロダクション利⽤
l  PMMLの理想と現実
l  PFAの概要
l  PFA⼊⾨編
l  (おまけ)ディープラーニングモデルの標準化?
11
PFA: Portable Format for Analytics
l  開発状況
–  仕様はv0.8.1が2015年11⽉に初めて公開
–  オリジナル開発者はJim Pivarski
–  PMMLと同じData Mining Group (dmg.org)コンソーシアムが主導
–  実際にはOpen Data Group(という会社)がコア開発&主要プロモーター
l  公開実装
–  RのAurelius: 主にモデル開発⽤
–  Scala (JVM)のHadrian: 主にモデル実⾏⽤
–  PythonのTitus: 両⽤
l  PMMLとの関係
–  KDD2016で“Standards in Predictive Analytics”ワークショップ
–  PMML関係者のトークの後にPFAの紹介
–  同じDMG下なのに対⽴関係にあるように⾒えた
12
What is the advantage of PFA over PMML?
l  Itʼs JSON!
13
{"input": "string",
"output": {"type": "array", "items": "string"},
"cells": {
"accumulate": {"type": {"type": "array", "items": "string"},
"init": []}},
"method": "map”,
"action":
{"cell": "accumulate",
"to": {"fcn": "u.addone", "fill": {"newitem": "input"}}},
"fcns":
{"addone":
{"params": [{"old": {"type": "array", "items": "string"}},
{"newitem": "string"}],
"ret": {"type": "array", "items": "string"},
"do": {"a.append": ["old", "newitem"]}}},
"name": "ExampleScoringEngine”
}
PFAの特徴
l  ユーザー定義関数
–  対応ソフトウェア開発者だけでなくユーザーもが新しいモデル、
さらに前処理や後処理を定義できるような拡張性
–  モデルの連鎖や階層化など、複数モデルを組み合わせた
ワークフローの表現が可能
l  JSON (もしくはYAML) & Avroスキーマ
–  HadoopやSpark、Stormなどの現代的な分散/ストリームデータ処理基盤に容
易に統合可能
–  ⼈間可読と機械可読の丁度良いバランス
l  ファイルI/O無し、型付けなど
–  プロダクション環境で任意のPFAドキュメントを実⾏する安全性を確保
14
What is the advantage of PFA over PMML?
(contd.)
l  特定モデル毎のパラメータテーブルではなく
l  PMMLよりもさらに柔軟で拡張性が⾼い
l  なおかつ汎⽤⾔語よりは事前検証が容易で安全
15
2つの世界の架け橋としてのPFA
16
⽬次
l  機械学習モデルのプロダクション利⽤
l  PMMLの理想と現実
l  PFAの概要
l  PFA⼊⾨編
l  (おまけ)ディープラーニングモデルの標準化?
17
⾔語としてのPFA:
各実装はこれらをサポートすれば良い
l  基本的な機能
–  プリミティブな型(Avro)
–  条件分岐
–  関数
–  Map / Emit / Fold
l  安全
–  静的型付け
–  ファイルI/Oなど無し
l  便利
–  Immutable data structure
–  バイトコードにコンパイル可能
(⼊⼒以外の型チェック不要)
18
PFA
Primitive
⾔語機能
UDF
拡張性
Common
モデル
Avroによる型システム
l  Apache Avro
–  JSONベースのSerializationとRPCのフレームワーク
–  MessagePack, Thrift, Protocol Bufferと同様
l  Avro schema
–  Primitives: boolean, integer, floating-point, and string
–  Null type
–  Arrays of homogeneous, sequential items
–  Maps of homogeneous, unordered key-value pairs
–  Named records of heterogeneous named fields
–  Named enumeration sets,
–  Byte sequences (raw strings),
–  Named, fixed-width byte sequences,
–  Tagged unions.
19
基本:input-action-output
20
算術関数
21
Map
22
Emit
23
Fold
24
If-then-else
25
While
検証できないので実⾏側でWhile⼊りPFAを拒絶可
能
26
For
27
Function call
28
Function例: ベルヌーイ列
29
PrettyPFA: C-like syntax for PFA
PFAを⼿で書きたくない⼈のために
30
その他
l  関数オブジェクトサポート
–  インライン引数のみ
–  グローバルなUDFメイを持つ
l  制限なし関数オブジェクトは許さない
–  事前に呼び出し関係は決定できデッドロックは起きない
–  UDFはバイトコードになっていてもよい
l  Null型で⽋損値も安全に扱える
l  JavaScriptからのコンバータもサポート予定
31
PFAの既存実装
l  現在はR、Python、Scala
l  何故か全部Hadrianレポジトリに
–  https://github.com/opendatagroup/
hadrian
32
モデル開発 PFA検証 スコアリングエンジン実⾏
Aurerius
R
Titus
Python
Hadrian
Scala (JVM)
rPython呼び出し
スコアリングエンジンのマイクロサービス化
l  Dockerを使ってより既存データ解析基盤への統合を容易に
–  例:前処理、後処理、モデル毎のContainerの集合としてデプロイ
–  REST APIアクセス、スケジューラ、pub-sub…
–  実装はこれから(?)
33
https://channel9.msdn.com/Events/useR-international-R-User-conference/useR2016/Helping-R-Stay-in-the-Lead-by-Deploying-Models-with-PFA
PFAの使⽤例: AureliusのrandomForest (1/3)
l  ⽬的: simpleTreeがある他⾔語実装でもRのrandomForestを動か
す
l  RのrandomForestモデルのパラメータを抽出
–  randomForestオブジェクトforestObjectをlist-of-lists形式のforestに変換
–  pfa.randomForest.*の関数はRのrandomForestオブジェクト⽤に⽤意
34
forest <- list()
for (i in 1:forestObject$nTree) {
treeTable <- pfa.randomForest.extractTree(forestObject,
i, labelVar = TRUE) forest[[length(forest) + 1]] <-
pfa.randomForest.buildOneTree(treeTable, 1,
labelVar, dataLevels,
lapply(dataLevels, function (v) avro.string))
$TreeNode
}
PFAの使⽤例: AureliusのrandomForest (2/3)
l  Inputのスキーマ作成
l  全体のインタフェース作成
35
fieldNames <- as.list(forestObject$xNames)
fieldTypes <- rep(avro.double, length(fieldNames))
names(fieldTypes) <- fieldNames
for (n in names(dataLevels))
fieldTypes[[n]] <- avro.string
inputSchema <- avro.record(fieldTypes, "Input")
tm <- avro.typemap(
Input = inputSchema,
Output = avro.string,
TreeNode = avro.record(list(
field = avro.enum(fieldNames),
operator = avro.string,
value = avro.union(avro.double, avro.string,
avro.array(avro.string)),…),
"TreeNode"))
PFAの使⽤例: AureliusのrandomForest (3/3)
l  ランダムフォレストモデルのPFA定義
l  ランダムフォレストモデルの読み込みと実⾏
–  他⾔語実装でもmodel.tree.simpleTreeが実装されていて動くはず
36
pfaDocument <- pfa.config(
input = tm("Input"),
output = tm("Output"),
cells = list(forest =
pfa.cell(avro.array(tm("TreeNode")), forest)),
action = expression(
treeScores <- a.map(forest,
function(tree = tm("TreeNode") -> avro.string)
model.tree.simpleTree(input, tree)),
a.mode(treeScores)))
engine <- pfa.engine(pfaDocument
engine$action(list(field1 = 3.14, field2 = "hello"))
ところで:本当にPFAは使われるようになるのか?
l  個⼈的な感想:まだ道のりは遠い
–  開発リソースが圧倒的に⾜りていない印象
–  モチベーションと設計はモダンで理にかなっているように⾒える
–  すでにGithubでドキュメントと実装が不整合
–  新しい⾔語に完璧なPFA実装を⽤意するコストはどれくらいなのか?
–  新しいアルゴリズムをPFA⽂書で表現するコストはどれくらいなのか?
–  PMMLは20年の歴史、PFAはまだ1年ちょっとなのですぐには無理だろう
l  まず2つの世界をまたいだコミュニティの拡⼤が期待される
37
https://github.com/opendatagroup/hadrian/graphs/contributors
⽬次
l  機械学習モデルのプロダクション利⽤
l  PMMLの理想と現実
l  PFAの概要
l  PFA⼊⾨編
l  (おまけ)ディープラーニングモデルの標準化?
38
GPUクラスタ作った深層学習モデルを
端末に近い組み込み環境で使いたい時
l  開発環境:GPUクラスタ+⼤容量ストレージ
l  プロダクション環境:⾮⼒なCPUマシン(+電⼒の制約下)
39
GPUクラスタぶん回して最強の
深層学習モデルができました!
AIエンジニア(?) マネージャー
よし!じゃああとはそれが
組込みで動くようにしてね!
マジかよ…
Cで再実装?
ディープラーニングならではのデプロイ課題
l  訓練時:予測精度最優先・バッチ処理・電⼒やコストは許容
l  予測時:実⽤性最優先・オンライン処理・低消費電⼒
–  間に訓練済みモデルのCompactionが⼊ることもある
40
https://devblogs.nvidia.com/parallelforall/production-deep-learning-nvidia-gpu-inference-engine/
(1/4) PFAにおけるNeural Network
l  あるといえばある: model.neural
–  定義されているのはmodel.neural.simpleLayersのみ
l  Weight⾏列とBiasを持つLinear + 任意のActivation function
–  Multi-layer perceptronであれば実装可能
l  Deep learningモデル…?
–  全ての処理をイチから全部PFAでフラットに書けば表現可能(⾔語だから)
–  あるいはmodel.neuralを拡張してConvolutionなどを追加する
–  PFA論⽂著者に⽈く「DLフレームワーク開発チームにはコンタクトしてない」
41
(2/4) NVIDIA TensorRT (旧GPU Inference
Engine)
l  Interence時の⾼速化
–  TensorRT が計算グラフをGPU実⾏のために最適化してくれる
l  学習モデルのフォーマット
–  Caffe model (.prototxt)
l  サポート済み(主に画像認識⽤)
–  Convolution2D, Deconv, Fully-connected, Pooling, ReLU, Softmax, …
l  TensorRT 2.0からはINT8サポートなども導⼊
42
https://devblogs.nvidia.com/parallelforall/production-deep-learning-nvidia-gpu-inference-engine/
(3/4) DLチップ開発競争
l  アプローチ
–  ☆汎⽤的に訓練済みNNモデルを読み込んで実⾏→モデルフォーマットと関連
–  特定のNNモデルを焼き込む
l  NVIDIA
–  DL向けGPUではほぼ独占状態(TitaxX、GTX1080、DGX-1…)
–  ⾞載AI応⽤向けにARM SoCのXavierを発表
l  Intel
–  IntelのAVX-512命令セットに深層学習⽤サブセットが追加
–  買収したNervana Systemsが2017年にチップ発売予定
l  その他
–  Google TPU
–  東芝&デンソーの⾃動運転⽤DNN-IP
43
(c) Intel & Nervana Systems
(4/4) フレームワーク⾮依存の標準化の動き
l  Khronos Groupから2つのイニシアチブ発表
–  OpenGL/OpenCL/OpenVX/WebGLなどを束ねるコンソーシアム
l  NNEF: Neural Network Exchange Format
–  Inference Engineのために学習済みモデルを表現するフォーマット
–  主要なレイヤー定義などは⽤意される(convolution, pooling, etc…)
l  OpenVX Neural Network Extension
–  OpenVXのグラフとしてCNNを表現して実⾏する拡張
44
https://www.khronos.org/news/press/khronos-launches-dual-neural-network-standard-initiatives
まとめ
l  機械学習フォーマットの標準化は業界の要請であり悲願である
l  PMMLは(それなりに)使われているが今後の発展は期待できない
l  PFAはPMMLの弱点を考慮して考案されたフォーマットである
l  原理的にPFAは⾔語なので任意のモデルを表現可能である
l  まだ活動としては⼩規模だがコンセプトとしては参考になる
l  Deep Learningについては標準的なCNNについては陰に陽に
標準化が進んでいるが汎⽤的なものはまだこれからである
45
参考⽂献
l  PFA Specification v0.8.1
–  http://github.com/datamininggroup/pfa/releases/download/0.8.1/pfa-
specification.pdf
l  Deploying Analytics with the Portable Format for Analytics
(PFA)
–  http://www.kdd.org/kdd2016/papers/files/adp0884-pivarskiAcb.pdf
l  PFA Function Library
–  http://dmg.org/pfa/docs/library/
l  Aurelius randomForest
–  https://github.com/opendatagroup/hadrian/wiki/Aurelius-randomForest
46
l  NVIDIA TensorRT
–  https://developer.nvidia.com/tensorrt
–  https://devblogs.nvidia.com/parallelforall/production-deep-learning-
nvidia-gpu-inference-engine/
l  Khronos
–  https://www.khronos.org/news/press/khronos-launches-dual-neural-
network-standard-initiatives
47

Weitere ähnliche Inhalte

Was ist angesagt?

GAN(と強化学習との関係)
GAN(と強化学習との関係)GAN(と強化学習との関係)
GAN(と強化学習との関係)Masahiro Suzuki
 
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...西岡 賢一郎
 
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)Ayako_Hasegawa
 
最適化超入門
最適化超入門最適化超入門
最適化超入門Takami Sato
 
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向についてLong-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向についてPlot Hong
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門Takuji Tahara
 
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」西岡 賢一郎
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Yoshitaka Ushiku
 
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)Shota Imai
 
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018Takahiro Kubo
 
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介Takashi Suzuki
 
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? 【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? Deep Learning JP
 
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)Masakazu Iwamura
 
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明Satoshi Hara
 
adversarial training.pptx
adversarial training.pptxadversarial training.pptx
adversarial training.pptxssuserc45ddf
 
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知画像処理AIを用いた異常検知
画像処理AIを用いた異常検知Hideo Terada
 
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計Takahiro Kubo
 

Was ist angesagt? (20)

GAN(と強化学習との関係)
GAN(と強化学習との関係)GAN(と強化学習との関係)
GAN(と強化学習との関係)
 
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
 
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
実践 Amazon Mechanical Turk ※下記の注意点をご覧ください(回答の質の悪化・報酬額の相場の変化・仕様変更)
 
最適化超入門
最適化超入門最適化超入門
最適化超入門
 
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向についてLong-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向について
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門
 
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
 
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
 
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
 
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
 
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? 【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
 
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
 
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
 
adversarial training.pptx
adversarial training.pptxadversarial training.pptx
adversarial training.pptx
 
一般向けのDeep Learning
一般向けのDeep Learning一般向けのDeep Learning
一般向けのDeep Learning
 
研究効率化Tips Ver.2
研究効率化Tips Ver.2研究効率化Tips Ver.2
研究効率化Tips Ver.2
 
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
 
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
 
Data-Centric AIの紹介
Data-Centric AIの紹介Data-Centric AIの紹介
Data-Centric AIの紹介
 

Andere mochten auch

ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術Shohei Hido
 
Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...
Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...
Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...Shinya Takamaeda-Y
 
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 TokyoSoftware for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 TokyoShohei Hido
 
差分プライベート最小二乗密度比推定
差分プライベート最小二乗密度比推定差分プライベート最小二乗密度比推定
差分プライベート最小二乗密度比推定Hiroshi Nakagawa
 
"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA
"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA
"Challenges in Object Detection on Embedded Devices," a Presentation from CEVAEdge AI and Vision Alliance
 
統計的学習手法よる人検出
統計的学習手法よる人検出統計的学習手法よる人検出
統計的学習手法よる人検出Hironobu Fujiyoshi
 
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知Yuya Takashina
 
効果が出る「仕事の教え方」
効果が出る「仕事の教え方」効果が出る「仕事の教え方」
効果が出る「仕事の教え方」Mariko Hayashi
 
SAT/SMT solving in Haskell
SAT/SMT solving in HaskellSAT/SMT solving in Haskell
SAT/SMT solving in HaskellMasahiro Sakai
 
Run-time Code Generation and Modal-ML の紹介@PLDIr#2
Run-time Code Generation and Modal-ML の紹介@PLDIr#2Run-time Code Generation and Modal-ML の紹介@PLDIr#2
Run-time Code Generation and Modal-ML の紹介@PLDIr#2Masahiro Sakai
 
RClassify: Classifying Race Conditions in Web Applications via Deterministic ...
RClassify: Classifying Race Conditions in Web Applications via Deterministic ...RClassify: Classifying Race Conditions in Web Applications via Deterministic ...
RClassify: Classifying Race Conditions in Web Applications via Deterministic ...Masahiro Sakai
 
Writing a SAT solver as a hobby project
Writing a SAT solver as a hobby projectWriting a SAT solver as a hobby project
Writing a SAT solver as a hobby projectMasahiro Sakai
 
自然言語をラムダ式で解釈する体系PTQのHaskell実装
自然言語をラムダ式で解釈する体系PTQのHaskell実装自然言語をラムダ式で解釈する体系PTQのHaskell実装
自然言語をラムダ式で解釈する体系PTQのHaskell実装Masahiro Sakai
 
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出hoxo_m
 
自動定理証明の紹介
自動定理証明の紹介自動定理証明の紹介
自動定理証明の紹介Masahiro Sakai
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量takaya imai
 
Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)
Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)
Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)Shinya Takamaeda-Y
 
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るなシンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るなhoxo_m
 
Pythonを使った機械学習の学習
Pythonを使った機械学習の学習Pythonを使った機械学習の学習
Pythonを使った機械学習の学習Kimikazu Kato
 

Andere mochten auch (20)

ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
 
Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...
Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...
Veriloggen.Thread & Stream: 最高性能FPGAコンピューティングを 目指したミックスドパラダイム型高位合成 (FPGAX 201...
 
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 TokyoSoftware for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
 
差分プライベート最小二乗密度比推定
差分プライベート最小二乗密度比推定差分プライベート最小二乗密度比推定
差分プライベート最小二乗密度比推定
 
"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA
"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA
"Challenges in Object Detection on Embedded Devices," a Presentation from CEVA
 
統計的学習手法よる人検出
統計的学習手法よる人検出統計的学習手法よる人検出
統計的学習手法よる人検出
 
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
 
効果が出る「仕事の教え方」
効果が出る「仕事の教え方」効果が出る「仕事の教え方」
効果が出る「仕事の教え方」
 
ゼロピッチ: MOOC
ゼロピッチ: MOOCゼロピッチ: MOOC
ゼロピッチ: MOOC
 
SAT/SMT solving in Haskell
SAT/SMT solving in HaskellSAT/SMT solving in Haskell
SAT/SMT solving in Haskell
 
Run-time Code Generation and Modal-ML の紹介@PLDIr#2
Run-time Code Generation and Modal-ML の紹介@PLDIr#2Run-time Code Generation and Modal-ML の紹介@PLDIr#2
Run-time Code Generation and Modal-ML の紹介@PLDIr#2
 
RClassify: Classifying Race Conditions in Web Applications via Deterministic ...
RClassify: Classifying Race Conditions in Web Applications via Deterministic ...RClassify: Classifying Race Conditions in Web Applications via Deterministic ...
RClassify: Classifying Race Conditions in Web Applications via Deterministic ...
 
Writing a SAT solver as a hobby project
Writing a SAT solver as a hobby projectWriting a SAT solver as a hobby project
Writing a SAT solver as a hobby project
 
自然言語をラムダ式で解釈する体系PTQのHaskell実装
自然言語をラムダ式で解釈する体系PTQのHaskell実装自然言語をラムダ式で解釈する体系PTQのHaskell実装
自然言語をラムダ式で解釈する体系PTQのHaskell実装
 
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
 
自動定理証明の紹介
自動定理証明の紹介自動定理証明の紹介
自動定理証明の紹介
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
 
Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)
Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)
Pythonによるカスタム可能な高位設計技術 (Design Solution Forum 2016@新横浜)
 
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るなシンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
 
Pythonを使った機械学習の学習
Pythonを使った機械学習の学習Pythonを使った機械学習の学習
Pythonを使った機械学習の学習
 

Ähnlich wie 機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA

2010 icse-an analysis of the variability in forty preprocessor-based software...
2010 icse-an analysis of the variability in forty preprocessor-based software...2010 icse-an analysis of the variability in forty preprocessor-based software...
2010 icse-an analysis of the variability in forty preprocessor-based software...n-yuki
 
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜Yasutomo Kawanishi
 
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォームJubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォームPreferred Networks
 
Silkによる並列分散ワークフロープログラミング
Silkによる並列分散ワークフロープログラミングSilkによる並列分散ワークフロープログラミング
Silkによる並列分散ワークフロープログラミングTaro L. Saito
 
Rubyとプログラミング言語の潮流
Rubyとプログラミング言語の潮流Rubyとプログラミング言語の潮流
Rubyとプログラミング言語の潮流Kazuhiko Kato
 
.NET micro FrameWork for TOPPERS (.NET基礎)@基礎勉強会
.NET micro  FrameWork for TOPPERS  (.NET基礎)@基礎勉強会.NET micro  FrameWork for TOPPERS  (.NET基礎)@基礎勉強会
.NET micro FrameWork for TOPPERS (.NET基礎)@基礎勉強会Kiyoshi Ogawa
 
今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しました今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しましたShohei Hido
 
20221226_TITECH_lecture_ishizaki_public.pdf
20221226_TITECH_lecture_ishizaki_public.pdf20221226_TITECH_lecture_ishizaki_public.pdf
20221226_TITECH_lecture_ishizaki_public.pdfKazuaki Ishizaki
 
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
 
プロダクトマネージャのお仕事
プロダクトマネージャのお仕事プロダクトマネージャのお仕事
プロダクトマネージャのお仕事Shohei Hido
 
きつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjava
きつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjavaきつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjava
きつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjavabitter_fox
 
第4回 SoftLayer勉強会 資料
第4回 SoftLayer勉強会 資料第4回 SoftLayer勉強会 資料
第4回 SoftLayer勉強会 資料Naoki Shibata
 
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka -
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka  - 初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka  -
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka - Daiyu Hatakeyama
 
大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~
大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~
大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~infinite_loop
 
Drawing Dataflow On Dalvik Bytecodes
Drawing Dataflow On Dalvik Bytecodes Drawing Dataflow On Dalvik Bytecodes
Drawing Dataflow On Dalvik Bytecodes Takahiro Yoshimura
 
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
 

Ähnlich wie 機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA (20)

2010 icse-an analysis of the variability in forty preprocessor-based software...
2010 icse-an analysis of the variability in forty preprocessor-based software...2010 icse-an analysis of the variability in forty preprocessor-based software...
2010 icse-an analysis of the variability in forty preprocessor-based software...
 
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
 
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォームJubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
 
Silkによる並列分散ワークフロープログラミング
Silkによる並列分散ワークフロープログラミングSilkによる並列分散ワークフロープログラミング
Silkによる並列分散ワークフロープログラミング
 
Rubyとプログラミング言語の潮流
Rubyとプログラミング言語の潮流Rubyとプログラミング言語の潮流
Rubyとプログラミング言語の潮流
 
Introduction of Python
Introduction of PythonIntroduction of Python
Introduction of Python
 
.NET micro FrameWork for TOPPERS (.NET基礎)@基礎勉強会
.NET micro  FrameWork for TOPPERS  (.NET基礎)@基礎勉強会.NET micro  FrameWork for TOPPERS  (.NET基礎)@基礎勉強会
.NET micro FrameWork for TOPPERS (.NET基礎)@基礎勉強会
 
今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しました今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しました
 
20221226_TITECH_lecture_ishizaki_public.pdf
20221226_TITECH_lecture_ishizaki_public.pdf20221226_TITECH_lecture_ishizaki_public.pdf
20221226_TITECH_lecture_ishizaki_public.pdf
 
Spring3.1概要x di
Spring3.1概要x diSpring3.1概要x di
Spring3.1概要x di
 
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
 
プロダクトマネージャのお仕事
プロダクトマネージャのお仕事プロダクトマネージャのお仕事
プロダクトマネージャのお仕事
 
きつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjava
きつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjavaきつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjava
きつねさんと学ぶ Lambda式&StreamAPIハンズオン[関ジャバ2015/7/11] #kanjava
 
CMSI計算科学技術特論A (2015) 第3回 OpenMPの基礎
CMSI計算科学技術特論A (2015) 第3回 OpenMPの基礎CMSI計算科学技術特論A (2015) 第3回 OpenMPの基礎
CMSI計算科学技術特論A (2015) 第3回 OpenMPの基礎
 
第4回 SoftLayer勉強会 資料
第4回 SoftLayer勉強会 資料第4回 SoftLayer勉強会 資料
第4回 SoftLayer勉強会 資料
 
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka -
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka  - 初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka  -
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka -
 
大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~
大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~
大規模ソーシャルゲームを支える技術~PHP+MySQLを使った高負荷対策~
 
Tokyo r38
Tokyo r38Tokyo r38
Tokyo r38
 
Drawing Dataflow On Dalvik Bytecodes
Drawing Dataflow On Dalvik Bytecodes Drawing Dataflow On Dalvik Bytecodes
Drawing Dataflow On Dalvik Bytecodes
 
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
 

Mehr von Shohei Hido

CuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPUCuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPUShohei Hido
 
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Shohei Hido
 
Chainer GTC 2016
Chainer GTC 2016Chainer GTC 2016
Chainer GTC 2016Shohei Hido
 
How AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industriesHow AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industriesShohei Hido
 
NIPS2015概要資料
NIPS2015概要資料NIPS2015概要資料
NIPS2015概要資料Shohei Hido
 
あなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイントあなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイントShohei Hido
 
PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料Shohei Hido
 
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...Shohei Hido
 
機械学習CROSS 後半資料
機械学習CROSS 後半資料機械学習CROSS 後半資料
機械学習CROSS 後半資料Shohei Hido
 
機械学習CROSS 前半資料
機械学習CROSS 前半資料機械学習CROSS 前半資料
機械学習CROSS 前半資料Shohei Hido
 
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門Shohei Hido
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Shohei Hido
 
さらば!データサイエンティスト
さらば!データサイエンティストさらば!データサイエンティスト
さらば!データサイエンティストShohei Hido
 
ICML2013読み会 開会宣言
ICML2013読み会 開会宣言ICML2013読み会 開会宣言
ICML2013読み会 開会宣言Shohei Hido
 
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?Shohei Hido
 
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方Shohei Hido
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」Shohei Hido
 
データサイエンティストのつくり方
データサイエンティストのつくり方データサイエンティストのつくり方
データサイエンティストのつくり方Shohei Hido
 
Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"
Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"
Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"Shohei Hido
 

Mehr von Shohei Hido (20)

CuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPUCuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPU
 
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
 
NIPS2017概要
NIPS2017概要NIPS2017概要
NIPS2017概要
 
Chainer GTC 2016
Chainer GTC 2016Chainer GTC 2016
Chainer GTC 2016
 
How AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industriesHow AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industries
 
NIPS2015概要資料
NIPS2015概要資料NIPS2015概要資料
NIPS2015概要資料
 
あなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイントあなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイント
 
PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料
 
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
 
機械学習CROSS 後半資料
機械学習CROSS 後半資料機械学習CROSS 後半資料
機械学習CROSS 後半資料
 
機械学習CROSS 前半資料
機械学習CROSS 前半資料機械学習CROSS 前半資料
機械学習CROSS 前半資料
 
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤
 
さらば!データサイエンティスト
さらば!データサイエンティストさらば!データサイエンティスト
さらば!データサイエンティスト
 
ICML2013読み会 開会宣言
ICML2013読み会 開会宣言ICML2013読み会 開会宣言
ICML2013読み会 開会宣言
 
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?
 
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」
 
データサイエンティストのつくり方
データサイエンティストのつくり方データサイエンティストのつくり方
データサイエンティストのつくり方
 
Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"
Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"
Travis E. Oliphant, "NumPy and SciPy: History and Ideas for the Future"
 

機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA