参考論文1：GeoAI enabled urban computing: status and challenges, Dec 2024 GeoAIとはGeoAI（Geospatial Artificial Intelligence、地理空間人工知能）は、地理情報科学（GIS）と人工知能（AI）を統合した学際的な分野 目的AIとGISの分野を統合することでダウンストリームアプリケーションをよりサポートできるインテリジェントな技術的枠組みを確立すること GeoAIの歴史理論的黎明期 (1950s-1970s)◦ トブラーの地理学第一法則（「すべてのものは他のすべてのも...

イントロダクション前回はE資格のシラバスを見て、認定プログラムや黒本をどう活用していくかを考えていきました！今回は、早速黒本の中身を進めていこうと思います！…が、第一章の線形代数はシラバスの範囲から削除されてしまっているので、さらっとまとめるにとどめたいと思います。あらためて、E資格（JDLA Deep Learning for ENGINEER）はディープラーニング実装エンジニア向けの資格試験であり、出題範囲には数学の基礎知識が含まれます。ここでは、合格体験記や講師の解説をもとに、E資格の数学対策について最新情報を整理します。 1. E資格で重点的に求められる数学分野...

はじめにaccelerateを用いてマルチノードで学習を行うとりあえず実行できればという感じでほぼメモ書き状態githubに使用したコードを添付https://github.com/HToda0103/accelerate_multinode accelerateとはaccelerateは分散学習を可能にするライブラリhttps://huggingface.co/docs/accelerate/index 実行環境マルチノード環境NISでユーザが各ノードで共有されており，NFSでディレクトリも共有されている環境docker環境https...

はじめにTensorFlow（Keras）でニューラルネットワークを構築する方法は、大きく3つに分かれます。Sequential APIFunctional APISubclassing APIどの方法も最終的には同じ「モデル」を作りますが、柔軟性・可読性・拡張性の面で大きく異なります。この記事では、それぞれの特徴と書き方を整理し、さらに PyTorch での対応方法も比較して理解を深めます。 1. Sequential API：最もシンプルな構造Sequential は「層を順番に積み上げる」ための最も基本的な方法です。入力から出力までが一本道のシンプ...

イントロダクション前回はE資格勉強するぞ！と宣言をする記事を書きましました。今回はE資格に受かるための現実的な学習計画を作っていきます。「黒本」をどのように進めるか、そして認定プログラムをどう活用するかを、最新のシラバスと突き合わせながら具体的に学習計画を立てていきます。E資格は範囲が広く、すべてを同じ深さで学ぶのは効率的ではありません。そこでシラバスとAIを駆使して、効率的に合格に近づく戦略を考えます。 方針：最初に“浅く広く／深掘り”の線引きをする（AI活用）シラバス全体をAIで整理・マッピングし、まずは“浅く広く”全体をカバーするその中で、出題ウェイトが高...

イントロダクション社会人2年目、データサイエンティストとして働きつつ、来年2月に行われるE資格試験（JDLA Deep Learning for ENGINEER）を受けることにしました。このシリーズでは、ゼロから学習をスタートし、教材・進捗・つまづき・合格までの道のりをリアルに共有する予定です。そろそろ勉強しないとなと焦り始めた自分の学びを発信しながら、復習・フィードバック・モチベーション維持を目的に勉強記録を残していこうというのが本音だったりします。第一回となる今回は、「今の立ち位置」「なぜ発信するのか」「これからどう勉強していくか」をまとめ、読者の皆さまと一緒にスタート...

はじめに自然言語処理で大きな役割を果たすのが Attention です。とくに翻訳タスク（日本語 → 英語）では、Attention によって「どの入力をどれくらい参照するか」を学習できるため、語順や助詞の違いを越えて正しい対応づけができます。ここでは初心者がつまずきやすい点を丁寧にフォローしつつ、翻訳タスクにおける Attention の仕組みを説明します。 1. 単語はどう扱われるのか？入力文（例：「私はニンニクが好きです」）は次の流れでモデルに入ります。トークン化文を単語やサブワードに分割する（例：[私, は, ニンニク, が, 好き, です]）埋め...

はじめに 機械学習モデルのブラックボックスという課題機械学習、とりわけ深層学習は多岐にわたる分野で高い性能を達成している一方で、これらの高度なモデルはブラックボックス[1]という根本的な課題を抱えています。この不透明性は、ミッションクリティカルな領域では容認することが難しく、モデルの予測根拠を解釈し、検証できる能力が求められています。そのための取り組みとして、AIの振る舞いを解釈し、信頼できるようにするための技術 "eXplainable AI"（略してXAI）に関する研究がさまざまな観点で行われています。かねてから現在[2]にかけて、XAIは、LIME[3]やSHAP[4]...

はじめにこの度、E資格に合格しました。すこし前に「E資格に挑戦しました：勉強方法と体験のまとめ」と題して記事を公開しましたが、合格したので、改めて自信を持って「合格までの道」と題して記事を残します。 E資格とは「E資格」とは日本ディープラーニング協会（JDLA）が認定するAIエンジニア向け資格試験です。正式名称は 「JDLA Deep Learning for ENGINEER 」（E資格） と呼ばれます。主にディープラーニングを実装・応用するエンジニアや研究者に向けたものです。JDLAの認定資格といえば、AIのジェネラリスト向けのG検定などもありますが、E資格は...

要旨近年のディープラーニングフレームワークは，大きく Define-and-Run（静的計算グラフ）方式と Define-by-Run（動的計算グラフ）方式の二つに大別される．前者は大規模展開や最適化に強みを持つ一方で，後者は柔軟性・可読性・研究開発における俊敏性に優れる．本稿では，Define-by-Run方式の理論的基盤，設計原則，研究への影響について概説し，Define-and-Run方式との比較を行う． はじめにディープラーニングの研究においては，計算グラフという抽象化が長らく重要な役割を担ってきた．従来の Define-and-Run フレームワーク（TensorF...

こんにちは、クロガネです。今回はDINOv3を用いて画像から特徴量を抽出します。わかる人はここを読めばいいと思います。facebookresearch/dinov3また、この記事は主に以下のノートブックを参考にしました。https://colab.research.google.com/github/facebookresearch/dinov3/blob/main/notebooks/foreground_segmentation.ipynb公式ではtransformersに対応しているようなことを書いていますが、2025/09/25の執筆時点で自環境(transforme...

はじめにGenerative Adversarial Networks（GANs）は2010年代後半に登場し、画像生成・変換の分野で一躍注目を集めました。特にStyleGANシリーズなどはフォトリアリスティックな画像生成を可能にし、多くの研究や応用に繋がっています。しかし近年はDiffusion Models（拡散モデル）の台頭により、GANは最先端ではなくなりつつあります。それでも、GANは生成モデル研究の重要な基盤であり、理解する価値は十分にあります。そこで本記事では、MITの講義TinyML and Efficient Deep Learning ComputingのLe...

はじめに：E資格、合格しました！こんにちは！現在大学4年生の とうふ と申します。Zennへの投稿は今回8回目になります。先日、【準備・学習編】の記事を公開しましたが、この度、E資格（2025#2）に無事合格することができました！https://zenn.dev/dem3860/articles/bd0016643945b4応援してくださった皆様、そして準備編の記事を読んでくださった皆様、本当にありがとうございました。この記事では【結果・考察編】として、試験の結果と本番の体感合格できた勝因と、今だからこそ思う反省点これから受験する方への具体的なアドバイスなどを...

はじめにhttps://ai.meta.com/dinov3/遅ればせながら、DINOv3 について読んで動かしてみた記事です。解説というほどではないですが、DINOシリーズの改善点や使い方のメモを残しています。Meta AI DINOv3 よりhttps://arxiv.org/abs/2508.10104前半は論文についての内容で、後半は実装についての内容です。CV領域が専門ではないので間違っていたいらお許しください><!引用が記載されていないものについては、DINOv3からの引用になります。 おさらい!「おさらい」は読む前の事前知識や導...

JAX は、GPU/TPU での高速計算や自動微分が魅力的な Google 製の数値計算ライブラリです。また、関数型プログラミングのスタイルを採用しており、副作用のない純粋関数を基本としているという点も特徴的です。JAX は特に深層学習の分野で活用されており、Haiku や Flax といった深層学習ライブラリが JAX を基盤として構築され、利用されてきました。これらのライブラリは、init-apply 式の API を採用しており、モデルとそのパラメータを明確に分離する「関数型」の考え方に基づいています。このおかげで JAX の自動微分や JIT コンパイルといった強力な機能を最大...

誤差逆伝播チートシート誤差逆伝播（Backpropagation）は、計算グラフにチェインルールを適用することで各パラメータの勾配を求める仕組みである。ここでは、ニューラルネットワークで頻出するパターンを計算グラフと数式で整理する。 基本原則：チェインルール\frac{dL}{da} = \frac{dL}{dy} \cdot \frac{dy}{da}誤差は中間変数を経由して伝わる。すべての逆伝播はこの形に帰着する。 足し算（加算ノード）y = a + b逆伝播:\frac{dL}{da} = \frac{dL}{dy}, \quad \frac...

Webエンジニアとして7年、これまで機械学習とは無縁でしたが、手札を増やすべくディープラーニングの勉強を始めました！「機械学習で使う数学をいまさら勉強する」シリーズでは、「ロジスティック回帰モデル」および「ニューラルネットワーク」の理解を目標にします。 本シリーズで目指す目標本記事は微分に続き、第2回として「ベクトル・行列」をまとめます。公開済み : 【微分】機械学習で使う数学をいまさら勉強する⭐️ 本記事：【ベクトル・行列】機械学習で使う数学をいまさら勉強する未公開：【指数関数・対数関数】機械学習で使う数学をいまさら勉強する未公開：【多変数関数の微分】機械学習で使う数...

はじめにこんにちは！現在大学4年生の とうふ と申します。Zennへの投稿は今回で7回目になります。この記事では、先日2025年8月末に受験した E資格(2025#2) の体験記【準備・学習編】として、記録を残していこうと思います。AIに関して実務ほぼ未経験の学生である私が、どのように学習計画を立てたかどの教材をどう使ったかモチベーションをどう維持したかといった具体的な工夫についてお話ししていきます。今回この記事を書こうと思ったのには、2つの理由があります。E資格の、特に「学生目線」の受験体験記がまだ少ないこと私自身が受験前の情報収集で、もっと具体的な情報...

Webエンジニアとして7年、これまで機械学習とは無縁でしたが、手札を増やすべくディープラーニングの勉強を始めました！高校以来10年以上ぶりの数学で、眠くなりながら学んでおります（笑）ここでは、その学習過程を記録していきます。数学の知識はゆとり教育の高校生レベルですので、温かい目でお気づきの点があればコメントくださいませ。 🤖 機械学習になぜ数学の知識が必要なのか？はじめに、機械学習モデルとはなにか？の定義を確認します。機械学習の定義機械学習モデルとは入力データに対して出力データを返す関数のような振る舞いをもつ機械学習モデルの振る舞いは、学習により規定される次...

はじめに先日E資格を受験しました。ここでは、E資格の受験に至るまでを振り返って記事にしたいと思います。私はソフトウェアエンジニア6年目です。学生時代からゲーム制作をしたりなどしてプログラミングやソフト開発を色々やってきました。ですが近年のAIブームによって、これまでのソフト開発の形が変わりそうだし、なにかスキルを身に着けたいなと思い、2024年9月あたりから深層学習技術を勉強し始めました。 G検定合格勉強すると言ってもなにか目標がないとモチベーションを上げにくいなと思い、最初の目標としてG検定に目をつけました。何年も前に応用情報技術者試験に合格して以来、資格試験と...