AI・機械学習・ディープラーニング

ディープラーニングのフレームワーク

投稿日:

名前 ユースケース メリット
TensorFlow google MNIST(手書き数字を判別)、CNN(画像認識)、Word2Vec(各単語の関係を学習)、RNN(文章から次の単語予測)、Seq2Seq Model(フランス語を英語に翻訳) CPU/GPU意識しない
CNTK Microsoft 高速
Chainer 国産
Caffe yahoo 画像分類
Amazon Machine Learning 構造化データをS3,RDS,Redshiftに入れて、二値分類、クラス分類、回帰予測ができる GUIで簡単

Tensorflowが公開されたときのコメントとして、機械学習のフレームワークやアルゴリズムよりも、「持っているデータ」が価値があるとのこと。

ある程度まで機械学習を使えるようになったら、「どんなデータを、どうやって集めるか」に注力した方がよさそう。

-AI・機械学習・ディープラーニング

執筆者:


comment

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です

関連記事

no image

ニューラルネットワーク

パーセプトロンのyに対して、活性化関数を掛けたもの。 活性化関数 シグモイド関数 ステップ関数 ReLU(Rectified Jiner Unit) 両者は非線形関数である。ニューラルネットワークでは …

no image

AIの俯瞰

AI=Artifical Inteligence=人口知能 AIの適用領域 画像認識 Visual Recognition ImageNet というコンテストがある。何の画像かAIが見極める競技である …

no image

AIはデータ分析の手法の1つ

に過ぎない。 AIと切っても切れない。AIが成立する大前提になってるのが、ビッグデータです。 ビッグデータを成立させているのが、大規模分散処理による高速化です。 今まで何十時間もかかっていたことが、数 …

no image

AWS、GCPで簡単な機械学習APIが提供されていると言えども

イルカ本など読み終えて、さあ、試しに簡単なアプリでも作ってみようか!と思っても、やはり実際にAIアプリを作れるかといえばそう簡単ではないことが分かった。 例えばAmazon Machine Learn …

no image

AWS Amazon Machine Learning で MNISTを分類

実際に機械学習アプリを使用するにあたってはAWSとGCPで最も簡単に作る方法を調査した。 GCPでは Cloud ML Engineというのがあるが、あくまでEngineであり、GUIで簡単にアプリを …