「メガトレンド」を追いかけ、「5分後の未来を展望する」ことを理想します。
上記の広告は1ヶ月以上更新のないブログに表示されています。
新しい記事を書く事で広告が消せます。


ゲームミュージックみたいですね。

甲子園の応援歌、調べてたら行き当たりました。

智辯さんのジョックロックって有名なんですね。

智弁和歌山の“魔曲”育てた緻密な戦略

ジョックロックとは






https://youtu.be/UnImkRYMxDI

https://youtu.be/3H_F2lnLd_Q



確かにこれは押せ押せムードになりますね。
スポンサーサイト
ファーウェイ、年内にも日本国内に大型工場を新設―中国企業では初

久々に「おっ」と思ったニュースです。
ようやく外資による日本生産。
ファーウェイだけにどこまで真実か本気か、わかりませんが。
今後の動向が興味深い。




日本に工場を建設する中国企業ファーウェイの初任給40万円が話題に
ファーウェイが千葉に作るのは「工場」ではない —— 新設するのは特殊な研究施設だ
Google Cloud Platform

Google Compute Engine の料金

Always Free の使用制限

Google Cloud Platform の無料階層として、
Compute Engine は、特定の制限まで無料で使用できる使用量を提供します。
Always Free の使用制限は、無料トライアル期間中と期間終了後も、常に存在します。
使用制限を超えた場合や無料トライアル期間を過ぎた場合、価格表に沿って課金されます。

1 つの f1-micro VM インスタンス(1 か月あたり、バージニア州北部を除く米国リージョン)
30 GB の HDD 永続ディスク ストレージ(1 か月あたり)
5 GB のスナップショット ストレージ(1 か月あたり)
1 GB の北米から他のリージョン宛て下り(1 か月あたり、中国およびオーストラリアを除く)
f1-micro インスタンスの場合、
当月内の合計時間数と同等の使用量(1 つのインスタンスを
1 か月間中断せずに実行するのに十分な使用量)が無料で提供されます。
たとえば、3 月の時間数が 744 時間(31 日 x 24 時間)であるとします。
この場合、その月の無料使用量として 744 インスタンス時間を受け取ることができます。

すべての使用量は、すべてのリージョンにわたって集計されます。Always Free の使用制限は、変更される場合があります。資格要件とその他の制限については、FAQ をご覧ください。



マシンタイプ
クロモリクロスのバッソ・レスモを購入しました。

2014年11月に購入してから2年半。
横振れ縦振れするようになりました。
タイヤが経年劣化で間延びするようになり、繊維が飛び出ているのが原因かと。
タイヤ交換を機に初めての自転車整備をしました。




Vittoria(ビットリア) zaffiro 3

タイヤは今ついているものと同じものにしました。
耐久性もよかったですし、値段も安かったから。
初期装備としてついているのも納得のスペック。

タイヤは固くて取り付け大変でしたが、こちらの動画を参考にしました。

https://www.youtube.com/watch?v=tZoGXbHjEW




2年半も整備しなかっただけあってチェーンが真っ黒で、
ギアとかもごみを拾っていて結構大変でした。

パーツクリーナーもほぼ使い果たしてしまいました。

半年に一回くらい整備は必要ですね。

人工知能、機械学習、ディープラーニングの違いとは


ここ数年(特に2015年以降)、AIは急速な成長を遂げることになります。
その理由の大半は、かつてないほど速く、安く、強力な並列処理を実現できるGPUの普及によるものです。
また、「実質的に無限のストレージ」と、「イメージ、テキスト、トランザクション、マッピング・データなど、
あらゆる種類の膨大なデータ(あるいは、そうしたビッグデータ全体の動き)」という
2つの重要な要素が同時に登場したことにも関係しています。

「汎用AI」(General AI)
――つまり、人間のあらゆる(あるいはそれ以上の)感覚と、あらゆる判断力を備え、人間と同じように考える、驚異のマシン――
として私たちが考えるものです。

汎用AIマシンが映画やサイエンス・フィクション小説でいまだに登場するのには、もっともな理由があります。
なぜなら、人類はそれらを(少なくともまだ)実現できていないからです。


これまでに人類が実現したことは、「特化型AI」(Narrow AI)の概念に当てはまります。
これは、特定のタスクについて、人間と同等(あるいはそれ以上)の処理をこなすことができるテクノロジです。

本質的に「機械学習」とは、世の中の特定の事象についてデータを解析し、
その結果から学習して、判断や予測を行うためのアルゴリズムを使用する手法だといえます。
つまり、機械学習では、特定のタスクを完了するための明確な手順に沿って
手作業でソフトウェア・ルーチンをコーディングするのではなく、
大量のデータと、タスクを実行する方法を学習できる能力を提供するアルゴリズムに基づいて、
マシンの「トレーニング」が行われます。

つい最近までコンピューター・ビジョンや画像検出が人間に対抗できるほど進化しなかった理由は、
きわめて不安定で、エラーを起こしやかったためです。


ディープラーニング ? 機械学習を実装するための手法

各ニューロンは、それぞれの入力に対して重み(実行されるタスクに対する正誤の確率)を割り当てます。
そして、最終的な出力がそれらの重みの合計によって決まります。
問題は、もっとも基本的なニューラル・ネットワークでさえ計算処理上の要求が非常に高く、
単純に実用的なアプローチではなかったということにあります。
ネットワークの最適化、つまり「トレーニング」を行っている間は、
間違った答えを(大量に)示す可能性が大いにあります。
その解決には、トレーニングあるのみです。
ニューロンの入力に対する重みが徹底して最適化され、
ほぼ毎回正しい答えを出せるようになるまで、
何十万枚、あるいは何百万枚もの画像を読み込む必要があります。



一般的にAIというと「汎用AI」を思い浮かべますが、現状は「特化型AI」のこと。
「ディープラーニング」とは仰々しい名前ですが、パターンを読み込ませ、
各種選択肢に対しおもりをつける行為。
パターンが多ければ多いほど、おもりの精度が向上し、正解に近づく可能性が上がる。

つまり数え切れない選択肢の中でどれが一番正解に近づくか、その速さを競う。
そういうことですね。
それならコンピューターの得意分野。

AIのシンギュラリティが近いといいますが、
コンピューターが0から1を生み出せない限りその日は来ないです。
ビッグデータ・検索・データマイニングのような技術に頼る限り、
無理じゃないかと思います。
上記広告は1ヶ月以上更新のないブログに表示されています。新しい記事を書くことで広告を消せます。