Toshi Sugi

機械学習・深層学習を勉強中です。 ゆくゆくは新モデルを提案したいです。 コンペ上位入賞…

Toshi Sugi

機械学習・深層学習を勉強中です。 ゆくゆくは新モデルを提案したいです。 コンペ上位入賞を目指します。
  • 固定された記事

異常音検知：ノイズに対するロバスト性の検証（CNN・AutoEncoder）

「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoderと教師なし学習による異常音検知～AutoEncoder色々～続きです。 背景　これまでノイズの無いクリアな信号で検証していました。しかし、実環境では周囲から生ずるノイズの影響を無視できません。そのため、ノイズ重畳信号に対する異常検知能力が重要になります。今回は、CNNとAutoEncoderについて、ノイズ重畳信号の正常・異常分類性能を比較します。 目的　CNN（教師あり学習）とAutoEncod

Toshi Sugi

    • 統計関係資格比較（統計検定・DS・QC）

      資格の大まかな位置関係を作成してみました。 ※厳格なものではないのではありません。 　ご意見があれば反映しますので、コメントいただければ幸いです。 資格位置関係おすすめコースデータサイエンティスト向け 統計２級からスタートして、DS発展/エキスパートまで取ればよい感じ。 統計検定の合間にDS試験を挟むと、理論と実装のバランスがとれると思う。 転職活動においてのイメージ： 　・統計２級は最低限の知識であればいいかな 　・統計準１級は選考が有利に進むケースあり 　・統計１級

      Toshi Sugi

      • QC検定 1級/2級 受験記（品質管理）

        受験動機　品質管理活動の手法や考え方を整理し、工場DX化による品質管理の進化をイメージするために受験しました。 　工場DX化により品質管理自体を自動化する流れが加速すると思います。その際に、データの流れや分析手法等の前提・理論的背景などを理解していないと、データを有効活用できないだけでなく・結果の解釈を誤り間違った処置を行う恐れがあります。 結果（合格発表日：10/12）　QC1級　準一級 合格見込み、一級結果待ち 　　→ 自己採点：7割 　　　全体：0.707(70/9

        Toshi Sugi

        • Pytorchなど

          PytorchCONV2D Continuous wavelet transform (CWT) in PyTorch GeM Pooling Explained with PyTorch Implementation and Introduction to Image Retrieval TimeSformer/timesformer/models/conv2d_same.py GPU/CUDAとPyTorch周りの様々なバージョンを理解する Python: Omega

          Toshi Sugi
        • 固定された記事

        異常音検知：ノイズに対するロバスト性の検証（CNN・AutoEncoder）

        Toshi Sugi

        マガジン

        • Tips
          6本
        • コンペティション関連
          0本
        • 異常検知
          5本

        記事

          【メモ】Kerasなど

          KerasThe Functional API Keras layers API Keras アプリケーション Transfer learning & fine-tuning SequentialモデルAPI Mergeレイヤー ImageDataGenerator TensorFlowtf.keras.preprocessing.image.ImageDataGenerator tf.keras.applications.mobilenet_v2.preprocess_i

          Toshi Sugi

          【メモ】Kerasなど

          Toshi Sugi

          スクレイピング

          簡易リンク集 スクレイピング（Beatifulsoup）PythonでWebスクレイピングする時の知見をまとめておく BeautifulSoupを用いたHTMLデータの検索方法 図解！Python BeautifulSoupの使い方を徹底解説！(select、find、find_all、インストール、スクレイピングなど) BeautifulSoupを使って、ブログ記事の情報をいろいろ絞り込んでみた Pythonでページ内の全リンク一覧と指定した子要素のリンクhrefを取得す

          Toshi Sugi

          スクレイピング

          Toshi Sugi

          Tips Python 数学モジュール/ライブラリ

          簡易的なメモです。 Sympy : 代数演算・sympy.var('x y')：シンボリック変数 ・sympy.logcombine()：対数の式をまとめる関数 対数公式 　$${log(x)+log(y)=log(x∗y)}$$ 　$${y∗log(x)=log(x^y)}$$ を確かめる。 # xとyをシンボリック変数とするsympy.var('x y') # シンボリック変数f = sympy.log(x) + sympy.log(y) # 式を定義symp

          Toshi Sugi

          Tips Python 数学モジュール/ライブラリ

          Toshi Sugi

          リンク（異常音検知など）

          AI-Scholar情報が少ない異常検知でこそ学習済みモデルを活かせ（論文紹介） 　１．異常検知の際に一切データベース固有の学習を行っていないこと。 　２．異常検知での識別に利用される特徴量は、正常クラス内では大きな違いがないという示唆。 SkillupAI深層学習による異常検知一覧 <- 概要説明（論文リンクあり） 　【深層学習（ディープラーニング）による異常検知】シリーズその1 　【自己符号化器による異常検知】シリーズその2 　【敵対的生成ネットワークによる異常検知】シ

          Toshi Sugi

          リンク（異常音検知など）

          Toshi Sugi

          教師なし学習による異常音検知～AutoEncoder色々～

          「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoderの続きです。 背景CNN（教師あり学習）とAutoEncoder（教師なし学習）を比較した場合、f1-score、Recall（再現率）・Precision（適合率）・学習時間において、CNNがAutoEncoderよりも優れている結果となりました。一方で、異常検知というタスクでは、未知の異常モードが存在するため教師なし学習の方が望ましいです。そのため、教師なし学習AutoEncoderの複数のモデ

          Toshi Sugi

          教師なし学習による異常音検知～AutoEncoder色々～

          Toshi Sugi

          Tips

          TensorFlowtf.Dataset　　<-　解説（本家） tf.TensorShape() <- Represents the shape of a Tensor. A TensorShape represents a possibly-partial shape specification for a Tensor. It may be one of the following: Fully-known shape: has a known number

          Toshi Sugi

          Tips

          Toshi Sugi

          「ToyADMOS:異常音検知」：CNN

          「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder の続きです。CNNのコードと実行結果サンプルを以下に示します。 概要この例では、CNNをトレーニングします。 データセットは、ToyADAMOSのToyCar、Case4、CH１です。 このデータセットには、1335 の正常データ、263個の異常データが含まれ、それぞれに 528000 のデータポイントがあります。各例には、0（正常音）または1（異常音）のいずれかのラベルが付けられています。ここ

          Toshi Sugi

          「ToyADMOS:異常音検知」：CNN

          Toshi Sugi

          「ToyADMOS:異常音検知」：AutoEncoder

          「ToyADMOS:異常音検知」手法比較：CNN＋DNN と AutoEncoder　の続きです。AutoEncoderのコードと実行結果サンプルを以下に示します。 概要この例では、オートエンコーダーをトレーニングして異常を検出します。 データセットは、ToyADAMOSのToyCar、Case4、CH１です。 このデータセットには、1335 の正常データ、263個の異常データが含まれ、それぞれに 528000 のデータポイントがあります。各例には、0（正常音）または1（

          Toshi Sugi

          「ToyADMOS:異常音検知」：AutoEncoder

          Toshi Sugi

          「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder

          はじめに機械学習（ML）やディープラーニング（DL）の発展が目覚ましいため、この分野に関心を持っておりました。基礎から学ぶためにAidemyプレミアム（データ分析：6か月）を受講しました。 略歴： 半導体前工程データ分析（８年）⇒産業用ロボットの故障予知など（5年） 背景産業用機器の予兆・異常検知では振動計やモータ電流等を用いた手法が中心です。最近、音を用いた検出技術についても実用化されてきていますが、まだまだ事例が少ないです。従来の異音検査では検査員の勘や経験に頼る部分

          Toshi Sugi

          「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder

          Toshi Sugi

          Aidemy Premium：データ分析講座を終えて

          時系列分析に興味があったのでAidemy Premium「データ分析コース（6か月）」を、4月25日～10月23日の期間に受講しました。 給付金で最大70%の返還は大変魅力的なので、給付金を利用しました。ハローワークでのカウンセリングが面倒ですね。 アイデミーを選んだ理由アイデミーを選んだ理由は下記3点です。 時系列分析の学習（時系列分析を学べる講座が少なかった） 成果物作成　　　（アウトプットすることで実践的スキルを身に着ける） 学び放題システム（6か月内であれば

          Toshi Sugi

          Aidemy Premium：データ分析講座を終えて

          Toshi Sugi