PyTorch 各種ドキュメント翻訳 | 簡単な応用例 (2021/3Q, 4Q)

<< prev page next page >> | TensorFlow & Keras Transformers

◆ 2021/4Q (10/04/2021 〜 12/30/2021)

MONAI 0.8 (医用画像処理) : 概要 (README)

MONAI (Medical Open Network for AI) は PyTorch エコシステムの一部で、医療・ヘルスケア画像における深層学習のための PyTorch ベースのオープンソースのフレームワークです。

MONAI の設計原理は様々な専門知識を持つユーザのために柔軟で軽量な API を提供することです。総てのコアコンポーネントは独立したモジュールで、これらは任意の既存の PyTorch プログラムに容易に統合できます。

11 月にリリースされた 0.8.0 をベースに幾つかドキュメントを翻訳します。最初は README を概要として翻訳します。
MONAI の目標は (1) 共通基盤で協力して取り組める学術的、産業的そして臨床的な研究者のコミュニティの構築、(2) ヘルスケア画像化のための最先端 end-to-end な訓練ワークフローの作成、(3) 深層学習モデルを作成して評価するために研究者に最適化され標準化された方法の提供です。

[詳細] (12/30/2021)

MONAI 0.7 : tutorials : 3D セグメンテーション – 脳腫瘍 3D セグメンテーション

MONAI (Medical Open Network for AI) は PyTorch エコシステムの一部で、医用・ヘルスケア画像における深層学習のための PyTorch ベースのオープンソースのフレームワークです。9 月にリリースされた 0.7.0 をベースに幾つかドキュメントを翻訳しています。

今回はチュートリアルから「脳腫瘍 3D セグメンテーション」です。このチュートリアルは、MSD 脳腫瘍データセットに基づくマルチラベル・タスクの訓練ワークフローを構築する方法を示します。

[詳細] (11/08/2021)

MONAI 0.7 : tutorials : 3D セグメンテーション – UNet による 3D セグメンテーション

今回はチュートリアルから「UNet による 3D セグメンテーション」です。このチュートリアルは、合成データセットに基づく 3D セグメンテーションの end-to-end な訓練 & 評価サンプルです。サンプルは PyTorch Ignite プログラムで MONAI の幾つかの主要な機能を示します、特に医療ドメイン固有の変換とプロファイリングのためのイベントハンドラを使用します。

[詳細] (11/06/2021)

MONAI 0.7 : tutorials : 3D セグメンテーション – MONAI と Catalyst による 3D セグメンテーション

今回はチュートリアルから「MONAI と Catalyst による 3D セグメンテーション」です。このチュートリアルは MONAI が Catalyst フレームワークと連携して使用される場合の方法を示します。

[詳細] (11/05/2021)

MONAI 0.7 : tutorials : 高速化 – MONAI 機能による高速訓練

今回はチュートリアルから「MONAI 機能による高速訓練」です。このチュートリアルは訓練パイプラインをプロファイルする方法、データセットを分析して適切なアルゴリズムを選択する方法、そしてシングル GPU、マルチ GPU 更にはマルチノードで GPU 利用を最適化する方法の詳細を紹介します。

[詳細] (10/17/2021)

PyTorch 1.10.0 リリースノート

PyTorch 1.10 ステーブル版がリリースされましたので、リリースノートのハイライトを翻訳しておきました。前バージョン (1.9) から丁度 4 ヶ月が経過しています。このリリースは 426 contributors により行なわれた、1.9 からの 3,400 コミット以上から構成されます。

ハイライトされている機能は : 1) CUDA グラフ API が統合されて CUDA ワークロードのための CPU オーバーヘッドを削減、2) FX, torch.special と nn.Module Parametrization のような幾つかのフロントエンド API がベータからステーブルに移行、3) JIT コンパイラの自動融合のサポートが GPU に加えて CPU に拡大され、そして 4) Android NNAPI サポートがベータで利用可能です。

[詳細] (10/23/2021)

MONAI 0.7 : tutorials : モジュール – 脾臓セグメンテーション・タスクの後処理変換

MONAI (Medical Open Network for AI) は PyTorch エコシステムの一部で、医療・ヘルスケア画像における深層学習のための PyTorch ベースのオープンソースのフレームワークです。9 月にリリースされた 0.7.0 をベースに幾つかドキュメントを翻訳しています。

今回はチュートリアルから「脾臓セグメンテーション・タスクの後処理変換」です。このチュートリアルは脾臓セグメンテーション・タスクのモデル出力に基づいて幾つかの後処理変換の使用方法を示します。

[詳細] (10/17/2021)

MONAI 0.7 : tutorials : 3D セグメンテーション – 脾臓 3D セグメンテーション

今回はチュートリアルから「脾臓 3D セグメンテーション」です。このチュートリアルは MSD 脾臓データセットに基づいた 3D セグメンテーションの end-to-end な訓練と評価サンプルです。このサンプルは PyTorch ベースのプログラムで MONAI モジュールの柔軟性を示します。

[詳細] (10/16/2021)

MONAI 0.7 : tutorials : モジュール – 3D 画像変換 (幾何学的変換)

今回はチュートリアルから「3D 画像変換 (幾何学的変換)」です。このチュートリアルは 3D 画像のための MONAI の変換モジュールが紹介されます。

[詳細] (10/16/2021)

MONAI 0.7 : tutorials : モジュール – GAN ワークフロー・エンジン (辞書版)

今回はチュートリアルから「GAN ワークフロー・エンジン (辞書版)」です。このチュートリアルでは GanTrainer、モジュール化された敵対的学習のための MONAI ワークフロー・エンジンを示します。MedNIST ハンド CT スキャン・データセットを使用して医療画像再構築ネットワークを訓練します。辞書バージョン。

[詳細] (10/14/2021)

MONAI 0.7 : tutorials : モジュール – 最適な学習率

今回はチュートリアルから「最適な学習率」です。このチュートリアルでは、MONAI の LearningRateFinder を調べるために MedNIST データセットを使用し、学習率の初期推定値を取得するためにそれを使用します。

[詳細] (10/13/2021)

MONAI 0.7 : tutorials : モジュール – 層単位の学習率設定

今回はチュートリアルから「層単位の学習率設定」です。このチュートリアルでは、想定されるネットワーク層を選択あるいはフィルタリングしてカスタマイズされた学習率の値を設定する方法を実演します。

[詳細] (10/13/2021)

MONAI 0.7 : tutorials : モジュール – 2D 画像変換デモ

今回はチュートリアルから「2D 画像変換デモ」です。このチュートリアルは GlaS Contest データセットを使用して組織の画像上の画像変換を実演します。

[詳細] (10/12/2021)

MONAI 0.7 : tutorials : モジュール – MedNIST で GAN

今回はチュートリアルから「MedNIST で GAN」です。このチュートリアルはランダムな入力テンソルから画像を生成するネットワークを訓練するための MONAI の使用方法を示します。単純な GAN は Generator と Discriminator ネットワークから成ります。

[詳細] (10/11/2021)

MONAI 0.7 : tutorials : 2D レジストレーション – 2D XRay レジストレーション・デモ

今回はチュートリアルから「2D XRay レジストレーション」です。このチュートリアルは MONAI のレジストレーション機能を紹介するために、学習ベースの 64 x 64 X-Ray ハンドのアフィン・レジストレーションの素早いデモを示します。

[詳細] (10/10/2021)

MONAI 0.7 : tutorials : モジュール – MedNIST データセットによる Autoencoder ネットワーク

今回はチュートリアルから「MedNIST データセットによる Autoencoder ネットワーク」です。このチュートリアルは MONAI の autoencoder クラスを実演するために MedNIST ハンド CT スキャン・データセットを使用します。ぼかしやノイズの除去の使用方法として実演します。

[詳細] (10/09/2021)

MONAI 0.7 : 概要 (README)

9 月にリリースされた 0.7.0 をベースに幾つかドキュメントを翻訳します。最初は README を概要として翻訳します。
MONAI の目標は (1) 共通基盤で協力して取り組める学術的、産業的そして臨床的な研究者のコミュニティの構築、(2) ヘルスケア画像化のための最先端 end-to-end な訓練ワークフローの作成、(3) 深層学習モデルを作成して評価するために研究者に最適化され標準化された方法の提供です。

[詳細] (10/04/2021)

◆ 2021/3Q (06/30/2021 〜 10/01/2021)

PyTorchVideo 0.1 : Tutorials : 検出 – Torch Hub による事前訓練済み検出モデルの実行

PyTorchVideo は PyTorch のエコシステムで、ビデオ理解研究のための深層学習ライブラリです。Facebook Research によりオープンソース化され、ビデオに特化したモデル、データセット、訓練パイプライン等を含みます。

今月リリースされた 0.1.3 ベースでドキュメントを幾つか翻訳します。PyTorchVideo は Torch Hub を通して幾つかの事前訓練済みモデルを提供しています。このチュートリアルでは PyTorchVideo の事前訓練済み動画検出モデルをロードしてそれをテスト動画で実行する方法を示します。

[詳細] (10/01/2021)

PyTorchVideo 0.1 : Tutorials : 分類 – Torch Hub による事前訓練済み分類モデルの実行

今月リリースされた 0.1.3 ベースでドキュメントを幾つか翻訳します。PyTorchVideo は Torch Hub を通して幾つかの事前訓練済みモデルを提供しています。このチュートリアルでは PyTorchVideo で事前訓練済み動画分類モデルをロードしてそれをテスト動画で実行する方法を示します。

[詳細] (10/01/2021)

PyTorchVideo 0.1 : Tutorials : 分類 – PyTorchVideo 分類モデルの訓練

今月リリースされた 0.1.3 ベースでドキュメントを幾つか翻訳します。このチュートリアルでは PyTorchVideo モデル、データセットと変換を使用して単純な動画分類訓練パイプラインを構築する方法を示します。モデルは 3D ResNet、データセットは Kinetics そして標準的なビデオ変換増強レシピを使用していきます。

[詳細] (09/30/2021)

PyTorchVideo 0.1 : 概要 (README)

今月リリースされた 0.1.3 ベースでドキュメントを幾つか翻訳します。最初は README です。

[詳細] (09/28/2021)

Detectron2 0.5 : Tutorials : 配備

Detectron2 は最先端物体検出とセグメンテーション・アルゴリズムを PyTorch で実装した FAIR (Facebook AI Research) の次世代ソフトウェア・システムです。以前のバージョン Detectron と maskrcnn-benchmark の後継でゼロから書き直しています。

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「配備」です。Python で書かれたモデルは配備可能なアーティファクトになるためには export プロセスを通り抜ける必要があります。このプロセスについての幾つかの基本概念を説明します。

[詳細] (09/05/2021)

Detectron2 0.5 : Tutorials : Lazy 構成

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「Lazy 構成」です。従来の yacs ベースの構成システムは基本的な、標準的な機能を提供しますが、多くの新しいプロジェクトに対して十分な柔軟性を提供しません。そこで代わりの構成システムを開発しました、これは detectron2 あるいは他の複雑なプロジェクトで利用できます。

[詳細] (09/04/2021)

Detectron2 0.5 : Tutorials : Yacs 構成

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「Yacs 構成」です。Detectron2 は、標準的で一般的な動作を取得するために使用できる、キーバリューベースの config システムを提供します。このシステムは YAML と yacs を使用します。

[詳細] (08/31/2021)

Detectron2 0.5 : Tutorials : 評価

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「評価」です。評価は多くの入力/出力ペアを取りそれらを集約するプロセスです。モデルをいつでも直接利用して評価を実行するために手動で入力/出力を解析できます。また、DatasetEvaluator インターフェイスを使用して detectron2 で評価が実装されます。

[詳細] (08/31/2021)

Detectron2 0.5 : Tutorials : 訓練

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「訓練」です。これまでのチュートリアルでカスタムモデルとデータローダを持つことができます。訓練を実行するために、ユーザは通常は 2 つのスタイルの一つを選択します : 訓練ループをユーザ自身が自由に作成することができます。また、標準的な訓練動作を簡素化するのに役立つフックシステムを備えた標準「トレーナー」抽象も提供します。

[詳細] (08/30/2021)

Detectron2 0.5 : Tutorials : モデルの作成

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「モデルの作成」です。新しい何かを試みる場合、モデルをスクラッチから実装することを望むかもしれませんが、多くの場合、既存のモデルの幾つかのコンポーネントを変更するか拡張することも可能です。標準モデルの内部コンポーネントの動作をユーザに override させる仕組みも提供しています。

[詳細] (08/29/2021)

Detectron2 0.5 : Tutorials : モデルの利用

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「モデルの利用」です。モデルを利用するために必要な、モデルの構築方法や入出力形式が説明されます。

[詳細] (08/28/2021)

Detectron2 0.5 : Tutorials : データ増強

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「データ増強」です。このチュートリアルは新しいデータローダを作成するとき増強をどのように使用するか、そして新しい増強をどのように作成するかにフォーカスします。

[詳細] (08/26/2021)

Detectron2 0.5 : Tutorials : データローダ

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「データローダ」です。Dataloader はデータをモデルに提供するコンポーネントです。データローダは通常はデータセットから生情報を取り、それらをモデルにより必要とされる形式に変換処理します。

[詳細] (08/23/2021)

Detectron2 0.5 : Tutorials : カスタムデータセットの利用

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「カスタムデータセットの利用」です。このドキュメントはデータセット API (DatasetCatalog, MetadataCatalog) がどのように動作するか、そしてカスタムデータセットを追加するためにそれらをどのように利用するかを説明します。

[詳細] (08/22/2021)

Detectron2 0.5 : Tutorials : Detectron2 のデフォルトを拡張する

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「Detectron2 のデフォルトを拡張する」です。標準的な動作だけを必要とする場合には、Beginner’s チュートリアルで十分ですが、貴方自身のニーズに合わせて detectron2 を拡張する必要がある場合のために各種ドキュメントが用意されています。

[詳細] (08/22/2021)

Detectron2 0.5 : Tutorials : 組込みデータセットの利用

Detectron2 は最先端物体検出とセグメンテーション・アルゴリズムを PyTorch で実装した FAIR (Facebook AI Research) の次世代ソフトウェア・システムです。以前のバージョン Detectron と maskrcnn-benchmark の後継でゼロから書き直しています。それは多くのコンピュータビジョン研究プロジェクトと Facebook の製品アプリケーションをサポートしています。

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから「組込みデータセットの利用」です。Detectron2 は幾つかのデータセットのための組込みサポートを持ちます。データセットはそのデータのために DatasetCatalog、あるいはメタデータ (クラス名等) のために MetadataCatalog にアクセスすることにより利用できます。このドキュメントは組込みデータセットをどのようにセットアップするか説明します。

[詳細] (08/21/2021)

Detectron2 0.5 : Tutorials : Getting Started

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳しています。今回はチュートリアルから Getting Started です。このドキュメントは detectron2 の組込みコマンドライン・ツールの使用方法の簡潔なイントロを提供します。

[詳細] (08/20/2021)

Detectron2 0.5 : 初心者 Colab チュートリアル

7 月にリリースされた 0.5 をベースに幾つかのドキュメントを翻訳します。最初に初心者向けの Colab チュートリアルです。このチュートリアルでは、以下を含む、detectron2 の幾つかの基本的な使用方法を概説します : (1) 既存の detectron2 モデルで画像や動画で推論を実行します。(2) 新しいデータセットで detectron2 モデルを訓練します。

[詳細] (08/19/2021)

GPyTorch 1.5 Examples : Exact GP (回帰) – 不確かな入力による GP 回帰

ガウスノイズモデルによる回帰はガウス過程の標準的な例題です。中小サイズのデータセットのために動作する幾つかの例をあげますが、総て exact GP 推論を利用しています。今回は訓練データの不確かさを扱う一つの方法を実演していきます。

GPyTorch は PyTorch を使用して実装されたガウス過程ライブラリです。GPyTorch はスケーラブルで柔軟でそしてモジュール化されたガウス過程モデルを容易に作成できるように設計されています。1.5 リリースをベースにドキュメントを幾つか翻訳します。

[詳細] (08/18/2021)

GPyTorch 1.5 Examples : Exact GP (回帰) – Fully Bayesian GP : NUTS でハイパーパラメータをサンプリング

ガウスノイズモデルによる回帰はガウス過程の標準的な例題です。中小サイズのデータセットのために動作する幾つかの例をあげますが、総て exact GP 推論を利用しています。今回は GP ハイパーパラメータをサンプリングするために GPyTorch と NUTS をどのように統合するか、そして完全に Bayesian な方法で GP 推論を遂行するかを実演します。

[詳細] (08/17/2021)

GPyTorch 1.5 Examples : Exact GP (回帰) – スペクトル混合カーネルによる GP 回帰

ガウスノイズモデルによる回帰はガウス過程の標準的な例題です。中小サイズのデータセットのために動作する幾つかの例をあげますが、総て exact GP 推論を利用しています。今回のスペクトル混合回帰はより複雑なカーネルで前の例の上で拡張します。

[詳細]

GPyTorch 1.5 Examples : 基本使用方法

今回は Examples から「基本使用方法」です。このドキュメントはパッケージの基本的な使用方法のためのノートブックを含みます。ハイパーパラメータ、パラメータ制約と事前分布の処理、そしてモデルのセーブとロード等を扱います。

[詳細] (08/15/2021)

GPyTorch 1.5 Tutorials : GPyTorch 回帰

最初は、GPyTorch 回帰を題材とするチュートリアルです。最も単純な例を使用して単純な関数上で RBF カーネル・ガウス過程を訓練し、GPyTorch の多くの設計の特徴を実演します。

[詳細] (08/14/2021)

Pyro 1.7 : Examples : 変分オートエンコーダ

変分オートエンコーダ (VAE) は深層確率的モデリングを実現する最も単純なセットアップです。VAE はそれ自体がモデルではなく、VAE はモデルの特定のクラスのために変分推論を行なうためのセットアップです。モデルのクラスは非常に幅広く、基本的には潜在確率変数を持つ任意の (教師なし) 密度推定器です。

Pyro は PyTorch 上に構築された柔軟でスケーラブルな深層確率的プログラミング・ライブラリです。Pyro は元々は Uber AI で開発されましたが現在は Broad Institute の専門チームを含むコミュニティの貢献者により活発に保守されています。2019 年には、Pyro は Linux Foundation のプロジェクトになりました。

[詳細] (08/12/2021)

Pyro 1.7 : Examples : ベイジアン回帰 – イントロダクション (Part 1)

回帰は機械学習における最も一般的で基本的な教師あり学習タスクの一つです。このチュートリアルでは最初に PyTorch で線形回帰を実装してパラメータのための点推定を学習します。そしてベイジアン回帰を実装するために Pyro を使用することによりどのように不確かさを推定に組み込むかを見ます。

Pyro は PyTorch 上に構築された柔軟でスケーラブルな深層確率的プログラミング・ライブラリです。特に、普遍性・スケーラビリティ・最小限・柔軟性の原則を念頭に置いて設計されました。

Pyro は元々は Uber AI で開発されましたが現在は Broad Institute の専門チームを含むコミュニティの貢献者により活発に保守されています。2019 年には、Pyro は Linux Foundation のプロジェクトになりました。

[詳細] (08/10/2021)

Pyro 1.7 : SVI (2) 条件付き独立、サブサンプリングと償却

このドキュメントでは Pyro で SVI (確率的変分推論) を大規模データセットにどのようにスケールするかを扱います。

[詳細] (08/09/2021)

Pyro 1.7 : SVI (1) 確率的変分推論へのイントロダクション

Pyro は確率的変分推論を汎用目的推論アルゴリズムとしてサポートするために特別な注意が払われてデザインされています。Pyro で変分推論を行なうことをどのように取り扱うかを見てみましょう。

[詳細] (08/08/2021)

Pyro 1.7 : Pyro の推論へのイントロダクション

現代的な機械学習の大半は近似推論として位置づけられて Pyro のような言語で簡潔に表現できます。このチュートリアルの残りを動機づけるために、単純な物理問題のための生成モデルを構築す、その結果それを解くために Pyro の推論機構が利用できます。

[詳細] (08/03/2021)

Pyro 1.7 : Pyro モデルへのイントロダクション

Pyro は元々は Uber AI で開発されましたが現在は Broad Institute の専門チームを含むコミュニティの貢献者により活発に保守されています。2019 年には、Pyro は Linux Foundation のプロジェクトになりました、これはオープンソース・ソフトウェア、オープンスタンダード、オープンデータそしてオープンハードウェア上の協力のための中立的な空間です。

確率的プログラムの基本ユニットは確率関数です。これは次の 2 つの構成要素を組み合わせた任意の Python callable (呼び出し可能オブジェクト) です : 決定論的な Python コード、そしてプリミティブ確率関数です。これは乱数 generator を呼び出します。

[詳細] (08/03/2021)

Pyro 1.7 : 概要 (README)

[詳細] (08/02/2021)

NeuralProphet 0.2 : ノートブック : 変化するトレンドへの適合 / トレンドの調整

NeuralProphet は Facebook Prophet と AR-Net にインスパイアされて PyTorch 上に構築された、時系列モデル・ベースのニューラルネットワークです。AR-Net を通した自己相関モデリング、自動変化点検知を持つ区分的線形トレンド、年次/月次/週次のような期間のフーリエ項季節性などの特徴を持ちます。幾つかドキュメントを翻訳しています。

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「変化するトレンドへの適合 / トレンドの調整」です。変化するトレンドにどのように適合させるかを示すための例として Peyton Manning の Wikipedia ページのログ daily ページビューの時系列を使用します。デフォルト値はこの例ではかなり上手く機能しますが、5 変更点のデフォルトはトレンドの実際の変化がポイント間の領域にたまたま収まる場合には十分ではないかもしれません。

[詳細] (07/25/2021)

NeuralProphet 0.2 : ノートブック : Sub-daily データ

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「Sub-daily データ」です。NeuralProphet は sub-daily 観測を持つ時系列のための予測を行なうことができます。sub-daily データが使用されるとき daily 季節性は自動的に適合しています。ここでは NeuralProphet を 5 分解像度のデータに適合させます (Yosemite の毎日の気温)。

[詳細] (07/24/2021)

NeuralProphet 0.2 : ノートブック : スパースな自己回帰

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「スパースな自己回帰」です。ここでは NeuralProphet を 5 分解像度のデータに適合させます (Yosemite の毎日の気温)。これはスパース性にフォーカスした、example ノートブック「自己回帰」の続編になっています。

[詳細] (07/21/2021)

NeuralProphet 0.2 : ノートブック : 乗法的季節性

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「乗法的季節性」です。デフォルトでは NeuralProphet は加法的季節性に適合します、これは予測を得るために季節効果がトレンドに追加されることを意味します。航空旅客数の時系列は加法的季節性が機能しない場合の例です。

[詳細] (07/21/2021)

NeuralProphet 0.2 : ノートブック : 休日と特殊イベントのモデリング

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「休日と特殊イベントのモデリング」です。モデル化したい休日や他のイベントを持つ場合、データフレームを作成しなければなりません。イベントは加法的か乗法的コンポーネントのいずれかとして追加できて、更にイベントの前後の日を含めるためにウィンドウを定義できます。例として Peyton Manning の Wikipedia のログ daily ページビューの時系列を使用します。

[詳細] (07/21/2021)

NeuralProphet 0.2 : ノートブック : PV 予測データセットの例

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「PV 予測データセットの例」です。太陽放射度データの 1 ステップ先の予測器を訓練します。前の 24 ステップを考慮して neuralprophet に他のパラメータを自動的に選択させて、この予測器を訓練できます。

[詳細] (07/21/2021)

NeuralProphet 0.2 : ノートブック : 自己回帰

NeuralProphet には Jupyter ノートブックによるサンプルが幾つか用意されています。今回は「自己回帰」です。ここでは NeuralProphet を 5 分解像度のデータ – Yosemite の毎日の気温データに適合させます。

[詳細] (07/19/2021)

NeuralProphet 0.2 : クイックスタート

幾つかドキュメントを翻訳しています。今回は「クイックスタート」です。このページは最小限の機能で NeuralProphet を使用して単純なモデルを構築する方法の詳細を説明しています。NeuralProphet は完全にモジュール化アーキテクチャで開発されていて、将来的に任意のコンポーネントを追加することをスケーラブルにします。

[詳細] (07/17/2021)

NeuralProphet 0.2 : モデルの概要

幾つかドキュメントを翻訳しています。今回は「モデルの概要」です。NeuralProphet は完全にモジュール化アーキテクチャで開発されています、これは将来的に任意のコンポーネントを追加することをスケーラブルにします。

[詳細] (07/18/2021)

NeuralProphet 0.2 : 概要 (README)

幾つかドキュメントを翻訳します。最初は README です。

[詳細] (07/19/2021)

Alibi Detect 0.7 : Examples : VAE 外れ値検知 on CIFAR10

Alibi Detect は外れ値、敵対的そしてドリフト検知にフォーカスしたオープンソース Python ライブラリです。このパッケージは表形式データ、テキスト、画像と時系列のためのオンラインとオフライン検知の両者をカバーすることが目的です。TensorFlow と PyTorch バックエンドの両者がドリフト検知のためにサポートされます。

CIFAR10 の画像を題材に VAE 外れ値検知器の利用方法を説明します。摂動された画像を利用した外れ値の予測も調べます。

[詳細] (07/10/2021)

Alibi Detect 0.7 : Examples : AEGMM と VAEGMM 外れ値検知 on TCP dump

AEGMM と VAEGMM 外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/09/2021)

Alibi Detect 0.7 : Examples : VAE 外れ値検知 on TCP dump

VAE 外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/08/2021)

Alibi Detect 0.7 : Examples : Isolation Forest 外れ値検知 on TCP dump

Isolation Forest 外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/08/2021)

Alibi Detect 0.7 : Examples : マハラノビス外れ値検知 on TCP dump

マハラノビス外れ値検知器の利用方法をサンプルを通して説明します。題材として米国空軍 LAN をシミュレートした LAN の TCP dump データを使用し、外れ値検知器はコンピュータ・ネットワーク侵入を検知する必要があります。

[詳細] (07/06/2021)

Alibi Detect 0.7 : Examples : 外れ値、敵対的 & ドリフト検知 on CIFAR10

今回は CIFAR-10 を題材に、外れ値、敵対的 & ドリフト検知の手法について学習します。

[詳細] (07/05/2021)

Alibi Detect 0.7 : 概要

最初に README を概要として翻訳しました。サポートされるアルゴリズムや利用可能なデータセットについて概説されています。

[詳細] (06/30/2021)

Next >>

※ ClassCat は株式会社クラスキャットの登録商標です。
※ その他、記載されている会社名・製品名は各社の登録商標または商標です。

2025年6月
月	火	水	木	金	土	日
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30