#3 【Generative Art】 iPhone X Wallpapers (Pink Theme)

#2 【Generative Art】 iPhone X Wallpapers (Green Theme)

#1 【Generative Art】 iPhone X Wallpapers (Blue Theme)

#2 【非日常の数学】 なぜ怪人は単独で活動するのか？

ヒーローものの映画や番組を観てみると、毎度新しい怪人が街で暴れ、ヒーローと戦い、最後はヒーローにやられるという展開がおなじみです。でも、もし怪人どうしが協力すれば、やられずに済むかもしれません。少なくとも１人の時よりは街を破壊することはできるはずです。では、なぜ怪人は協力し合わずに単独行動をするのでしょうか？この疑問に答えるべく、怪人の行動をモデル化してみました。 ※ いわゆるギャグ的な内容ですので、ゆる〜くお楽しみください。 ※ 本内容をPDFでキレイにまとめたものを本文

#3 【頭の体操】 乱数 ✕ 確率： ３つの一様乱数の大小の確率

前回は２つの一様乱数の大小の確率を求めてみましたが、今回は３つを対象にしてみましょう。 ※ 本文は全て読めますが、「投銭」として最後に購入ボタンを設定していますので、気に入っていただけましたら応援宜しくお願いします。 それでは、今回の問題はこちらです。 【問題】 答えは 0.5 (50%) になります。この答えはなんとなくイメージはできるかと思いますが、きちんと式計算で考えてみましょう。 では、解説に入っていきます。 【解説】前回同様、それぞれの乱数がある値を取っ

#2 【頭の体操】 乱数 ✕ 確率： ２つの一様乱数の大小の確率

アルゴリズムを実装する際によくお世話になる乱数。今回はこの乱数を用いて、頭の体操として確率計算をしてみましょう。 ※ 本文は全て読めますが、「投銭」として最後に購入ボタンを設定していますので、気に入っていただけましたら応援宜しくお願いします。 それでは、以下の問を考えてみてください。 【問題】 答えは、0.3 (30%) になります。直観的にイメージできたでしょうか？ 解析解が求められなかったとしても、実装でサンプリングをしてみると、0.3に近い解が得られることが分

#1 【頭の体操】 機械学習 ✕ 数学： Accuracy と Recall から F-measure を求める

機械学習 ✕ 数学 の頭の体操として、下記の問題を考えてみましょう。 確率の問題として考えてみてください。 【問題】ある２クラス分類のタスクを機械学習で取り組んだとする。モデルの学習後、テストデータを用いて評価をしたところ、正解率 (Accuracy) が 81.0%、再現率 (Recall) が 90.0% という結果が得られた。このとき、 F値 (F-measure) も評価していたとすると、その値はいくらとなるか答えなさい。ただし、テストデータのうち10.0%が正例、

#1 【非日常の数学】 ゾンビはどれくらいのペースで増えていくのか？

日常の中の非日常を、数式で表してみるとどうなるかを考えてみました。今回はゾンビの数についての数式です。 ※ いわゆるギャグ的な内容ですので、ゆる〜くお楽しみください。 ※ note内では数式を画像化して表示しているため、大きさにバラツキがあり見にくいと感じることがあるかもしれません。 ※ 本内容をPDFでキレイにまとめたものを本文の最後にリンク掲載していますので、そちらもぜひ御覧ください。 ※ 本文は全て読めますが、「投銭」として最後に購入ボタンを設定していますので、気に入

詳説ディープラーニング（生成モデル編） 付録２： 変分オートエンコーダ TensorFlow 2.X 実装

詳説ディープラーニング（生成モデル編）の付録２として、今回は変分オートエンコーダ (VAE) をTensorFlow 2.X で実装していきたいと思います。データローダに関しては、前回の付録１に記述したものと同じものを用いますので、今回は割愛します。 モデルまずは用いるライブラリから。こちらはオートエンコーダの時と同じです。 import osimport numpy as npimport tensorflow as tffrom tensorflow.keras im

#1 【アーカイブ】 ディープラーニング講義資料 2017年12月版

2017年末に行ったディープラーニング集中講座（８時間）の資料をアップしています。 ※ 購入をすると、教材のリンクが表示されます。 ※ 法人での利用を検討している方は別途お問い合わせください。 シラバス： ・数学・Pythonの復習 ・ニューラルネットワークの理論・実装 ・ディープニューラルネットワークの理論・実装 ・畳み込みニューラルネットワークの理論・実装 ・リカレントニューラルネットワークの理論・実装 ※ 実装は TensorFlow および Keras で行って

詳説ディープラーニング（生成モデル編） 付録１： オートエンコーダ TensorFlow 2.X 実装

詳説ディープラーニング（生成モデル編）が好評でしたので、付録としてTensorFlow 2.X による実装を紹介していきたいと思います（本文では PyTorch 1.X）。今回は、本文でも紹介したシンプルなオートエンコーダを実装していきます。 データローダ本文では PyTorch で用意されているデータローダをそのまま使いましたが、TensorFlow では自前で用意する必要があります。そこで、PyTorch のデータローダとほぼ同じ挙動をするよう、下記のように実装しました