AI/MachineLearning 畳み込みニューラルネットワーク（CNN）の魅力とウォーリーを探せプロジェクトその２
この記事では、Pythonの機械学習ライブラリChainerを使って、人気絵本「ウォーリーを探せ」の主人公ウォーリーを自動認識するプロジェクトに挑戦します。画像認識の基礎から教師データの収集、モデル構築、学習プロセスまでを詳しく解説しています。
Python
AI/MachineLearning 
AI/MachineLearning 畳み込みニューラルネットワーク（CNN）の魅力とウォーリーを探せプロジェクトその１
このブログ記事では、畳み込みニューラルネットワーク（CNN）について解説しています。初めに、CNNの基本的な概念について説明し、その後に実際の題材として、CNNを用いて「ウォーリーを探せ」の絵本のキャラクターを検出するプロジェクトに取り組む構想を紹介しています。また、題材選定の経緯や教師データの収集についても触れています。この記事を通じて、機械学習におけるCNNの応用や実践的な活用方法について興味を持つ読者に向けた情報提供を行っています。
AI/MachineLearning AIはtotoを当てられるようになるのか？その２（スクレイピング編）
この記事では、Webスクレイピングという技術に焦点を当て、機械学習を用いてスポーツの勝敗を予測する試みについて解説しています。Webスクレイピングは、ウェブサイトから情報を収集し、機械学習モデルに入力するためのデータセットを作成するための重要な手法です。PythonのrequestsとBeautifulSoupを使用したWebスクレイピングの実装例も紹介しています。
AI/MachineLearning AIはtotoを当てられるようになるのか？その１
このブログ記事シリーズでは、AIがtotoを当てる可能性に迫ります。totoはスポーツ予測やギャンブルの不確実性の高い領域であり、AIがそのような予測を行うことは一般的に難しいとされています。記事では、まずtotoの概要について説明し、次にこれまでのAIによるtoto予測の試みや結果について検証します。
AI/MachineLearning StableDiffusionとは？AIの次世代画像生成技術
本記事では、StableDiffusionという注目されている生成モデルについて詳しく解説します。StableDiffusionは、画像や動画の生成に用いられ、従来の手法と比較して高品質な画像生成が可能であるとされています。基本原理から各ブロックの役割、そして応用例までをわかりやすく説明します。StableDiffusionの仕組みや特徴に興味がある方、または生成モデルに関心がある方にとって、参考になる情報を提供します。
AI/MachineLearning 【DCGAN】AIはピクセルアートを描けるようになるのか
DCGAN（Deep Convolutional GAN）についての解説と、ピクセルアート生成の実験結果を通じて、生成モデルの構築や学習のプロセスを紹介しました。初めは乱雑な画像から始まり、学習を進めるごとにキャラクターらしい特徴が現れてきますが、一定の学習回数を超えると過学習が起こり、意図しない結果が生じることもあります。今後はさらに高度な生成モデルを探求し、新たなアート作品の創造に挑戦していきます。
matplotlib matplotlibの応用: グラフを複数配置する
この記事では、matplotlibのsubplot機能を使用して、1つの図に複数のプロットを配置する方法について詳しく解説しました。subplotを使用することで、データの比較や関係性の可視化を容易に行うことができます。応用として、上の行に1つのグラフを配置し、下の行に2つのグラフを並べる方法を示しました。これにより、より実践的に1つの図にグラフを自由に配置することができます。
PEP 【Python】PEPを訳して読むｰPEP10
この記事では、PEP10の和訳を行い概要やその重要性、そしてPEPの詳細な構造や内容について理解していきます。本記事を通じて、PEPの理解を深め、Pythonの発展に貢献する一助となれば幸いです。
PEP 【Python】PEPを訳して読むｰPEP1
この記事では、PEP1の和訳を行い概要やその重要性、そしてPEPの詳細な構造や内容について理解していきます。本記事を通じて、PEPの理解を深め、Pythonの発展に貢献する一助となれば幸いです。
Kaggle Seabornの基礎：データの可視化をより美しく、効果的に
この記事では、Seabornの基本的な使い方として、pairplot、catplot、countplot、FacetGridの4つの例を紹介しました。これらの機能を活用することで、データの傾向や関係性を視覚的に把握できることを実演しました。