Chrome拡張の高速な英語辞書ツールをつくりました(Mouse Dictionary) - Qiita
経緯 もともとMouseoverDictionaryという素晴らしいFirefox用辞書があったのですが、Quantumの登場とXULの死亡とともに使えなくなってしまったため、自分用にChrome拡張をつくった次第です。 ソースコード 実装に関わる技術寄りの用語: Babel, React, webpack, chrome.storage.local, chrome.storage.sync, Cross-extension messaging, Hogan, debounce, resizable/draggable, intl.v8BreakIterator, deinja, クロスブラウザ, など。 ※詳細は「Mouse Dictionaryの技術的な話」をご参照ください https://qiita.com/wtetsu/items/2a5568cb0b5a38c003fb 使い方
Wikipedia2Vec
Wikipedia2Vec Star Introduction Wikipedia2Vec is a tool used for obtaining embeddings (or vector representations) of words and entities (i.e., concepts that have corresponding pages in Wikipedia) from Wikipedia. It is developed and maintained by Studio Ousia. This tool enables you to learn embeddings of words and entities simultaneously, and places similar words and entities close to one another
[保存版]人間が読んで理解できるデザインパターン解説#1: 作成系（翻訳）｜TechRacho by BPS株式会社
こんにちは、hachi8833です。今回から3回に渡って『Design Patterns for Humans』の日本語訳を公開します。あえてクラス図などを使わず、デザインパターンをストーリーで理解できるように書かれた異色のデザインパターン解説です。 #1 作成系デザインパターン（本記事） #2 構造系デザインパターン #3 振舞い系デザインパターン 概要 原著者の許諾を得て、MITライセンスに基づき翻訳・公開いたします。 英語記事: Design Patterns for Humans™ - An ultra-simplified explanation 更新日: 2017/09/25 著者: Kamran Ahmed サイト: Hugobots -- 開発者向けのニュースレターを発行しています。 「Design Patterns for Humans」は商標（TM）です。 2017/1
![[保存版]人間が読んで理解できるデザインパターン解説#1: 作成系（翻訳）｜TechRacho by BPS株式会社](https://cdn-ak-scissors.b.st-hatena.com/image/square/9fddd1fb789a8e880cbf52eb47da2743bd896c5f/height=288;version=1;width=512/https%3A%2F%2Ftechracho.bpsinc.jp%2Fwp-content%2Fuploads%2F2020%2F12%2Fdesign_pattern_for_human1_eyecatch-min.png)
JSUT (Japanese speech corpus of Saruwatari Lab, University of Tokyo) - Shinnosuke Takamichi
JSUT (Japanese speech corpus of Saruwatari-lab., University of Tokyo) The JSUT Collection is Japanese speech corpora connecting speech, song, and audio events. The JSUT corpus is a part of the JSUT Collection. JSUT コレクションは，声・歌・音声模倣をつなげるための音声コーパスです．このJSUT コーパスは，JSUT コレクションの一部です． This corpus consists of Japanese text (transcription) and reading-style audio. The audio data is sampled at 48kHz and rec
MobileNet(v1/2)、ShuffleNet等の高速なモデルの構成要素と何故高速なのかの解説 - Qiita
はじめに MobileNet系の高速なモデルアーキテクチャに利用される構成要素と、それらを利用したモデルについて、何故高速なのか観点と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになされているかという観点で整理を行う。 高速なモデルアーキテクチャに利用される構成要素 まず、高速なモデルに利用される畳み込み構成要素について、計算量と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになっているかを説明する。 まず、一般的な畳み込みの計算量を確認する。 入力特徴マップのサイズを$H \times W$、入力チャネル数を$N$、カーネルサイズを$K \times K$、出力チャネル数を$M$とすると、一般的な畳み込み層の計算量は、$H W N K^2 M$となる。 これは、入力特徴マップの1箇所につき畳み込みのコストが$K^2 N$で、これを入力特徴マップの$H W$箇所に適用する
MemGEN: Memory is All You Need
We propose a new learning paradigm called Deep Memory. It has the potential to completely revolutionize the Machine Learning field. Surprisingly, this paradigm has not been reinvented yet, unlike Deep Learning. At the core of this approach is the \textit{Learning By Heart} principle, well studied in primary schools all over the world. Inspired by poem recitation, or by $\pi$ decimal memorization,
ディープラーニングを実装から学ぶ（6-1）学習手法（正則化） - Qiita
前回は、学習データ正解率が100%に達し、それ以上テストデータ正解率が向上しませんでした。学習データの誤差ではなく、本当のデータ誤差を最小にする正則化について試してみます。 正則化の手法として、早期終了、重み減衰、ドロップアウト、バッチ正規化について、確認してみます。データは、MNISTです。 早期終了 一番簡単な方法が、早期終了です。テストデータの誤差が減少しなくなった際に終了させるというものです。 前回作成した既定値で実行してみます。 # MNISTデータ読み込み x_train, t_train, x_test, t_test = load_mnist('c:\\mnist\\') _, _, _, _, train_rate, train_err, test_rate, test_err, total_time = learn("test", x_train, t_train, x
畳み込みニューラルネットワークの最新研究動向 (〜2017) - Qiita
昨年に引き続きDeep Learningやっていき Advent Calendar 2017の25日目の滑り込み記事で，畳み込みニューラルネットワークの歴史および最新の研究動向についてのサーベイです．2017年12月のPRMU研究会にて発表した，畳み込みニューラルネットワークについてのサーベイをベースに追記を行ったものになります． はじめに 畳み込みニューラルネットワーク (Convolutional Neural Networks; CNN) （以降CNN）は，主に画像認識に利用されるニューラルネットワークの一種である．CNNの原型は，生物の脳の視覚野に関する神経生理学的な知見1を元に考案されたNeocognitron2に見ることができる．Neocognitronは，特徴抽出を行なう単純型細胞に対応する畳み込み層と，位置ずれを許容する働きを持つ複雑型細胞に対応するpooling層とを交互
2017年のディープラーニング論文100選 - Qiita
これはFujitsu Advent Calendar 2017の18日目の記事です。 掲載内容は富士通グループを代表するものではありません。ただし、これまでの取り組みが評価されて、富士通がQiitaに正式参加することになりました[リンク]。なお、内容の正確性には注意を払っていますが、無保証です。 はじめに この記事では今年発表されたディープラーニング論文（ArXivでの発表時期、発表された国際会議が2017年開催またはジャーナル掲載が2017年のもの）から私が個人的に重要だと思った論文を収集しています。また、2016年末ごろの論文も重要なものは採用しています。 以下の投稿も合わせてご覧ください。 2016年のディープラーニング論文100選[リンク] ディープラーニングにとっての2017年 2017年のディープラーニング技術は主に画像系技術で革新的な進歩がありました。それをけん引したのは敵対
アカデミックヤクザにキレられないためのLaTeX論文執筆メソッド - Qiita
注意：アカデミックヤクザとはフィクションであり，実在の人物・団体とは一切関係ありません． この記事はeeic （東京大学工学部電気電子・電子情報工学科） Advent Calendar 2017 - Qiitaの22日目の記事として書かれたものです． はじめに 私はこれまでLaTeXを使って論文執筆をしてきました． その際に何度も調べてしまうこと・後輩に何度も繰り返し教えていることをまとめておくことで，誰かの役に立てればと思いこの記事を書いています． 執筆する論文の内容には触れず，あくまでも最低限ちゃんとした文章っぽく見せるため体裁をどう整えるかに主眼を置いています． これさえ守っておけば，パイセンや先生に論文添削を頼むときに小言を言われる可能性が低くなるのではないでしょうか．（多分． 責任はとれない．） また，これからLaTeXで論文執筆したいけど，環境構築とかめんどくさい・・・という人
Optimization for Deep Learning Highlights in 2017
Optimization for Deep Learning Highlights in 2017 Different gradient descent optimization algorithms have been proposed in recent years but Adam is still most commonly used. This post discusses the most exciting highlights and most promising recent approaches that may shape the way we will optimize our models in the future. This post discusses the most exciting highlights and most promising direct
Deep Image Prior
Example results on several image restoration problems. We use deep neural networks, but we never train/pretrain them using datasets. We use them as a structured image prior. Deep convolutional networks have become a popular tool for image generation and restoration. Generally, their excellent performance is imputed to their ability to learn realistic image priors from a large number of example ima
Neural Text Embeddings for Information Retrieval (WSDM 2017)
Neural Text Embeddings for Information Retrieval (WSDM 2017)1. WSDM 2017 Tutorial Neural Text Embeddings for IR Bhaskar Mitra and Nick Craswell Download slides from: http://bit.ly/NeuIRTutorial-WSDM2017 2. Check out the full tutorial: https://arxiv.org/abs/1705.01509 3. SIGIR papers with title words: Neural, Embedding, Convolution, Recurrent, LSTM 1% 4% 8% 11% 20% 0% 5% 10% 15% 20% 25% SIGIR 2014
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
[KDD 2018 tutorial] End to-end goal-oriented question answering systems![[KDD 2018 tutorial] End to-end goal-oriented question answering systems](https://cdn-ak-scissors.b.st-hatena.com/image/square/5ea7226c21d715a8a9a19710707613522d8cabbd/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fkdd2018tutorialend-to-endgoal-orientedquestionansweringsystems-180821081440-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
GitHub - tiberiu44/TTS-Cube: End-2-end speech synthesis with recurrent neural networks
GitHub - librosa/librosa: Python library for audio and music analysis
GitHub - sebastianruder/NLP-progress: Repository to track the progress in Natural Language Processing (NLP), including the datasets and the current state-of-the-art for the most common NLP tasks.
GitHub - espnet/espnet: End-to-End Speech Processing Toolkit
https://summari.es/
http://python.zombie-hunting-club.com/entry/2017/11/03/224202
