【再増枠】ITエンジニアのためのDeepLearning #12 with AMD
2018/06/25(月)19:00
〜
21:45
開催
ブックマーク
イベント内容
ITエンジニアのためのDeep Learning
以前から好評いただいているこのDeepLearningイベントもついに12回目になりました。 今回はAMD様、Acube様にご協賛いただき開催します。
会場
- 場所: TKP東京駅前カンファレンスセンター 東京都中央区八重洲1丁目5-20石塚八重洲ビル (Google Map)
- アクセス
- JR東京駅八重洲北口から徒歩1分
- 東京メトロ銀座線 日本橋(東京都)駅 A3出口 徒歩3分
- 都営浅草線 日本橋(東京都)駅 A3出口 徒歩3分
- 東京メトロ丸ノ内線 大手町駅 B9出口 徒歩3分
- 東京メトロ千代田線 大手町駅 B9出口 徒歩3分
- 東京メトロ半蔵門線 大手町駅 B9出口 徒歩3分
- 都営三田線 大手町駅 B9出口 徒歩3分
12の内容(今回の内容)
- 日本人工知能学会 全国大会2018の概要紹介
- ROCm-TensorFlow RadeonGPUでのセットアップ方法
- リアルタイム StyleTransformデモ on RadeonGPU
- リアルタイム YoloV3デモ on RadeonGPU
- NeuralStyleTransferとリアルタイム変換に使う仕組み
- GPUを取り巻く状況とGPUEater
- AMD GPUドライバROCｍの現状を知る
- Radeon GPUでのDeepLearning対応ライブラリの状況 ◯✕表
- Radeon GPUでの最新のDeepLeanringモデルの表現評価と◯✕表
- AMDGPUとNVIDIAGPUとCPUの数百以上のテストケースと動作状況
- AMDGPUとNVIDIAGPUとCPUの最新のDeepLearningモデルのベンチマークとアノマリ
DeepLearning、機械学習には様々な落とし穴があります。 メディアやトレンドに惑わされずしっかりとしたリテラシーを持ち、適材適所に施行しなければその落とし穴にハマり、多くの時間とお金を無駄にします。このDeepLearningのイベントを通じて、参加者との意見交換を通じ正確なリテラシーを持つことを目的としていますので、ぜひぜひ懇親会で様々な方々とお話をしてみてください！
*一部の登壇者のスライドは撮影禁止となっていますので、ご協力をお願い致します。
タイムスケジュール
| 時間 | 内容 |
|---|---|
| 18:30〜19:00 | 開場 |
| 19:00〜19:05 | イントロダクション |
| 19:05〜20:00 | 登壇者発表 |
| 20:00〜21:45 | 懇親会 |
参加費
無料
今までのセッションの内容
#11の内容
- Darkflowの使い方とYoloV2/Yolo9000
- 転移学習について
- Radeon GPU＋DeepLearningの現状
- 永続化コンテナとGPUの利便性
- NVIDIA EULA事件について
- GPU Eater クラウドと最新のGPUテクノロジー
- AMD-Radeon/NVIDIA GPUでの学習と推論ベンチマーク
- "TensorCore" 120TFlopsの正体を見極める
- TensorFlow on OpenCL
- Keras on PlaidML
- フレーム問題
- Findyのスキル偏差値算出アルゴリズムについて
- Findy Scoreの求人票解析アルゴリズムについて
- 身近な学習パラメータの決定例、「最小二乗法」の意味を考える
#9の内容
- DeepLearning Summit in San Francisco レポート
- 技術＜データの重要性
- アンサンブル学習の重要性
- 認識に於ける２つの谷
#8-2の内容
Microsoftフィリピン本社にて英語登壇
- 料理認識デモ
- AI技術の限界の紹介
- アウトオブフレーム問題
- 予算、費用対効果について
#8の内容
- 1~7までのダイジェスト
- DCNNの派生系DCGAN(Deep Convolutional Generative Adversarial Network)
- 生成モデルの概要
- DCGAN実践
- 変換モデルの概要
- スタイル変換実践
#7の内容
- DeepLearningの精度と計算時間
- ニューラルネットは分散しにくい
- パラメータ探査の困難さ（モンテカルロ法、遺伝的アルゴリズム、Q学習）
- CPUとGPUの性質
- GPGPUとトレードオフ（台所事情）
- DeepLearningに於けるアクセラレートポイント
- 失敗したOpenCLと、囲い込みのCUDA
- 設備投資について
- 費用対効果と相場
- 持つものと持たざるもので分かれる機械学習
#6の内容
- ニューラルネットワーク基礎
- 偏微分連鎖律と数式を無視する型破りなバックプロパゲーションの理解
- 教師あり学習のデモ
- Weightsを視覚化してみる
- DCNN(DeepConvolutionalNeuralNetwork)を徹底解剖します！
- Convolution層とMaxPoolingの働きについて
- Convolution層とMaxPoolingのバックプロパゲーションの理解
- Convolution層の多層化の意味について
- Convolution層のWeightsを視覚化してみる
- DCNNの派生系についてのお話
#5の内容
- ニューラルネットワーク基礎
- 偏微分連鎖律と数式を無視する型破りなバックプロパゲーションの理解
- 教師あり学習のデモ
- Weightsを視覚化してみる
- 教師なし学習のデモ
- 主成分分析を視覚化してみる
- DeepLearningの深さの利点について
- 失敗から学ぶ。勾配消失問題を味わってみよう！
- チューニングの全体像
- プレトレーニングは時代遅れ
- 失敗から学ぶニューラルネットワーク
- MLPに於ける失敗するパラメータの事例
- StackedAutoEncodersに於ける失敗するパラメータ事例
- DCNNに於ける失敗するパラメータ事例
#4の内容
- 多クラス分類について
- 教師ありデータ収集について
- オントロジーとは？
- オントロジーの定義の難しさ
- ImageNetやコンペティションの公共のデータ
- WEBクローラーの作り方
- BOT対策について
- データ解析ツールの作り方とOpenCV
- 漫画やサムネイル、別サイズの同じ画像の除去
- ラベル貼り付けとコストについて
#3の内容
大枠の概要
- DeepLearningの歴史と重要なネットワーク
- 選択すべきネットワークの形とそのメリット＆目的の理解
- ライブラリの選択とセットアップ
- DCNNじゃなくてフルコネクションネットワークと画像解析
技術詳細
- 教師あり学習の基礎(Perceptron/MLP)
- 教師なし学習について
- 教師なし学習の役割と活用例
- AutoEncoder/StackedAutoEncodersで次元圧縮と分析
- AdamとSGDとAutoEncoderの成功と失敗パラメータ
#2の内容
大枠の概要
- DeepLearningの歴史と重要なネットワーク
- 選択すべきネットワークの形とそのメリット＆目的の理解
- ライブラリの選択とセットアップ
- DCNNのパラメータ設定
技術詳細
- DCNNの形の理解
- PerceptronとMLPとDCNNの関係
- ニューラルネットワークの基礎
- PerceptronとMLPの予測計算を絵で理解する
- PerceptronとMLPのバックプロパゲーション計算を絵で理解する
#1の内容
大枠の概要
- DeepLearning専門用語解説
- 選択すべきネットワークの形とそのメリット＆目的の理解
- ライブラリの選択とセットアップ
- データ読み込み機構とアウトプット機構（画像編）
- データ収集とWEBクローラー（画像編）
- ラベル付の効率化（画像編）
- DCNNのパラメータ設定
技術詳細
- データの水増し編 (アフィン変換、ノイズ、ディストーション、プロジェクション、カラー)
- データランダマイズサンプル
- ランダムデータと正規分布データ
- データ正規化(ZCA/PCA Whitening)
- 活性化関数の選択
- MaxOut実装方法
- バッチ正規化と最新の活性化関数ELU(ReLuじゃないヨ)
- L1/L2正則化とAdaGrad/RMSProp/AdaDelta/Adam/AdaMax
- オントロジーとデータ整頓
- 平均予測
- GPGPUの台所事情
注意事項
※ こちらのイベント情報は、外部サイトから取得した情報を掲載しています。
※ 掲載タイミングや更新頻度によっては、情報提供元ページの内容と差異が発生しますので予めご了承ください。
※ 最新情報の確認や参加申込手続き、イベントに関するお問い合わせ等は情報提供元ページにてお願いします。
※ 掲載タイミングや更新頻度によっては、情報提供元ページの内容と差異が発生しますので予めご了承ください。
※ 最新情報の確認や参加申込手続き、イベントに関するお問い合わせ等は情報提供元ページにてお願いします。
