
Outline
裁判所がfaxを使う運用を変更し、新しいシステムを導入するらしいという噂を聞きました。
米国では2001年からPACERがweb閲覧できて、シンガポールでは2世代目のシステム構築が進んでおり、韓国の裁判のIT化のシステムはベトナムへ輸出されているというのに、未だfaxを使っているとは。失われた20年。わたくしが一番きれいだったとき、裁判所はfaxを使っていたことを知りました。
少し調査をしたところ、日本の裁判所がfaxをやめるということは、いわゆる一行を変えるだけの問題とも関連していそうでした。ただ裁判所の運用が少し変わるだけではなく、もっと根本的な大きな変更が必要となってしまうような、そんな感じがしました。
少なくとも、議論の展開によってはオンライン会議/VR/ビックデータ/自然言語処理/機械学習が重要になってくる可能性があると思われたので、以下に自分が調べたことを共有させて頂きます。
結論的なこと
裁判所がfaxをヘビーに使っているのは事実。
faxを使うオペレーションは裁判所の細分化されたシステムに強く根付いている。
この機会に裁判のIT化だけでなく裁判業務そのものを変えても良いのではという議論も多い。
興味深い議論:
1. 裁判資料の価値と可能性
2. tv/vr裁判の可能性
3. スマートコントラクトと新しい執行、VirtualDataRoom、etc
世界の裁判のあり方は多種多様。
様々な選択肢がありえるなかで、日本に適した新しい裁判を追求して行く上でも、
エンジニアももっと議論に参加した方が良さそう。
特に、「データの保管」と「データの定型化」と「APIへの要望」周り。
今議論されていること
2017年10月に内閣官房に裁判手続き等のIT化検討会が設置
され、そこでfaxやめるやめないみたいな話が議論されることになり、既に3回開催されていました。この検討会は閣議決定により設置された日本経済再生本部の下部組織のような位置付けです。なお、検討会は非公開ですが、資料は公開されています。
ざっくりといえば、今まで議論されてきたことは、
– 今の裁判所の非効率性
– 諸外国の事例
– その他要望
といったところです。
12月27日に開催された第3回で論点が整理されたので、2018年3月までに何らかの結論が出てくると思われます。
【追記】2018/3/31に裁判手続等のIT化に向けた取りまとめが発表されました。
裁判所の非効率性
日本の裁判所で裁判を傍聴すれば、その非効率性は当事者でなくても、感じられます。
民事裁判の場合、ほとんどの裁判が5分ぐらいで終わります。書面にて提出した内容を口頭で「陳述」したことにする及び次回期日の調整をするだけだからです。重たそうな資料を出しては戻しては次の裁判所に行く弁護士の方々を見ていると、web上で書面・資料の提出(e-filling)やスケジュール管理(e-case management)やそもそもweb上で裁判(e-court)出来ても良いのでは、と素直に感じます。
また、控訴審でどれほど資料が読み込まれているのかも疑問です。
諸外国の事例
議事録を見ると諸外国に20年ほど遅れているという感傷的な意見も見受けられましたが、逆に言えば諸外国の事例のコピペをすれば良いだけとも言えます。参考までにいくつかの国のe-fllingはこんな感じです:シンガポール(elitigation)、スペイン(lexnet)、ロシア、フランス(町村北大教授のブログ)、韓国(町村北大教授のブログ)、米国(再度、町村北大教授のブログ)…
【追加】クラウドサインの橘弁護士の韓国裁判レポートはmustで読む価値あります。
日本でそうしたシステムを作ると、マイナンバーを思い出すまでもなくあまり良い予感はしませんが、上記検討会第2回でも紹介されていたスペインのARCONTEというシステムは日本の富士通社が関わっているようです。 結局は仕様の問題 なのかもしれません。現段階では、日本の新しい裁判システムはAPI化を想定しているフシがありますが、 どのようなAPIがあるべきなのかに関してエンジニア側がもっと発信していく必要がある
と思います。
新しい裁判
faxは裁判所のオペレーションに深く根ざしている、というかIT化をすることは根本的に新しい裁判を必要とする可能性があるのです。つまりパンドラの箱を開けてしまいかねないのです。
特に、注目するべきなのは、「裁判の公開」や「裁判のあり方」などの根本的or理論的議論がちらほらと見受けられることです
(第一回議事要旨)。議事録や資料を読んでいると、ある種の熱意というか、諸外国の事例のコピペだけでは終わらない可能性を感じます。現段階では(弁護士用の)民事裁判のシステムを作る程度のスモールスタートなのですが、議論の行く末次第では、刑事裁判や行政審判なりもしくは根本的に新しい裁判の追求への発展もあり得ると思います。
そういう意味で今のうちから多くのエンジニアがこの議論に参加して行くことで、この議論もより豊穣なものになると思いました。
面白そうなテーマ
1. 裁判資料と自然言語処理(e-filling周り)
裁判資料の価値
裁判資料の価値は、注目に値します。 裁判資料には、一般的な契約書や各種書類だけでなく、裁判中の音声データ及び調書など、(自然言語処理)エンジニアの垂涎の的となるような豊富なデータがあります。
比較的裁判資料が公開されている米国では裁判資料を用いたchatbotが幾つか(ROSS,セクハラ検知ボットetc)開発されています。EUだとこんなのがありました。日本でも弁護士ドットコム社が交通事故chatbotを開発していますが、こうしたアプリがどんどん生まれる予感がします。
なお、 音声データに関してですが、議事録を見ると裁判中のリアルタイム速記モニター(映画『否定と肯定』では導入されていますね!)の需要はかなり高そうです。また、書記官により議事録が「調書」としてまとめられますので一種の正解データとして使えると思います。
裁判資料の第三者公開
裁判のIT化に関する議論で最も興味深い議論の一つは裁判資料をどこまで公開していくか、ということになると思われます。
少なくとも、諸外国のコピペでe-filling(裁判資料のファイルシステム)的なシステムは稼働するのでしょうが、裁判資料がクラウド上にあるならば、それをweb閲覧することも可能にしたいと思うのは自然な流れです。米国ではすでにPACERというシステムでそれを実現しています。とはいえ、個人情報をどのように保護するか・匿名化の作業コストは誰が払うのか
等難しい議論になりそうです。
判決の公開
また、議事録を読んでいると、判決の予測可能性の向上への需要が相当程度高い
ことが見受けられます。
しかしこれを実現するには、全判決のデータが必要になると思われます。今のように良く分からない基準で一部の判決を公開するのではなく、全判決をweb公開するべきというのは一見正論なのですが、同時に日本には驚くほど様々な法律雑誌があり、全判決をweb公開した場合それらの法律雑誌の経営基盤に影響が出る可能性があります。これらの法律雑誌の戦後日本の法秩序への多大なる貢献や紙媒体でのアクセスを確保する重要性など、豊穣な出版文化があるだけに議論が難しいところです
。
資料分析やディスカバリー制度
ディスカバリー制度とは、裁判に於いて原告・被告が証拠を開示し合う制度のことです。
コモンロー諸国に比べディスカバリー制度は充実していませんが、日本でもaos社やfronteo社など開示された資料の分析サービスを提供している会社がいくつかあります。ディスカバリー制度の本場英米圏で調べて見たところ、英国のravn社は分析だけでなく予測も可能にするシステムを開発しているようです。米国の契約分析サービスであるkirasystemsやcasetextも面白そうなサービスです。
恐らく、上記のような裁判資料の当事者・第三者公開の方針が定まるにつれ、日本でもディスカバリー的資料分析的なサービスも増えて行くと思われます
。
また、セキュリティーの話題とも関連しますが、VirtualDataRoomの技術や運用が成熟して行くことで、日本の刑事裁判でもディスカバリー制度が発展して行く可能性があります。
AI裁判官
議事録にはありませんでしたが、裁判資料の公開が進んでいる米国で、AI裁判官の流れが進むのは容易に想像出来ます
。実際に少し調査すると、米国では裁判官を補佐する為に、COMPASなるシステムを使用している州もあるようです(判決例はこちら)。このシステムでは以前までの統計や被告が入力する書類をもとにアルゴリズムが結論を出し、それを参考に判決を出すみたいです(Amazon Mechanical Turkで集めた400人とほぼ同じ結論という記事)。いかにも米国らしいですが、このシステムが黒人への人種差別をしている可能性に関する議論もありました。中国でも同様の試みをしているようです。【2018/1/30追記】韓国も破産関係の訴訟で司法AIの導入を予定(2020年)のようです。
こうした諸外国の方向性からも、上記のような裁判資料の当事者・第三者公開の方針は、日本の裁判のあり方を大きく変える可能性があります。
データの整備やデータの定型化
裁判資料にしろ、判決にしろ、音声データにしろ、それらを使い開発するには包括的なデータの整備やデータの定型化が重要になってきます。
今の日本の裁判所でも確かに判決を部分的に公開しているのですが(最高裁の場合、判決から判決文のuploadはとても早いです)、なかなか使い辛いデータとなっています。また、その判決に至る文脈的なデータ・メタデータがあまり整備されていません
。検察の起訴・不起訴に関するデータも整備されていません。
米国ではこのような民間の判決サイトやデータベース(や判決予想サイト)があります。米国のある判決予測に関する論文(Daniel Martin Katz,Michael J. Bommarito II,Josh Blackman (2017) A general approach for predicting the behavior of the Supreme Court of the United States)ではこれらのデータを使っていました(自然言語処理はしていない!?)。
Competition on Legal Information Extraction/Entailment (COLIEE)の、何故か日本の民法を使う国際法律人工知能コンペ!?に提出された各論文も興味深いです(日本の大学の研究チームも多数参加しています)。日本でも可視化法学のようなユニークな試みがあります。
今後開発予定の新しい裁判システムはAPIを通じた提供を想定している雰囲気が議事録(第三回の論点整理)からは読み取れますが、こうしたエコシステムをより発展させて行くようなデータのあり方に関してはエンジニア側が粘り強く訴えていく必要があると思いました。
書記官と正解データ
また、司法統計が拡充していくことで、一種の正解データが用意される可能性 を感じています。例えば、家族構成・事件の根本的原因・要約etcという感じでしょうか。しかもその 正解データを作るのが日本の裁判所の書記官であるならば、かなりの高クオリティーになりそうです
。中国のように企業・国家が個人情報を取得し放題!?な国に比べ、個人情報法制が厳格で情報の包括性が欠ける国では正解データで補うという方向性が良いのではないかと思います。そういう意味で、逆説的に、裁判のIT化は書記がリーダーを発揮するような、そんな社会に日本を近づける可能性も秘めています。
機械学習による裁判傍聴
2015年にシンガポールはシンガポール国際商事裁判所を開設しました。すでに運用されている国際仲裁センターや国際調停センターも活発に世界の顧客を獲得しようとしています。また、知財ハブ構想を掲げており、アセアン地域の知財登録から紛争解決までをシンガポールで可能にしようとしています。こうした戦略の背景には、良いルールがあるとプラットフォームが形成され、エコシステムが形成され、情報が集積することが挙げられます。
ところで、集積した情報をどのように社会的に共有して行くかのベストプラクティスはまだまだどの地域も試行錯誤をしているようです。上記のようなことが、一定程度実現したら、「機械学習による裁判傍聴」も可能となると思われます。例えば、フェイクの時代に裁判所の事実認定能力がより価値を増していくならば、裁判で明らかになった事実から社会的な議論を始めるような、そんな新しい公共圏のあり方も想像してしまいます。
ビックデータと個人情報保護と著作権
裁判資料をどこまで公開するべきなのかという「裁判の公開」の議論は、現代的な文脈ではビックデータと個人情報や著作権の議論とも密接に関係してきます。
個人情報ならば、例えば医療とか遺伝とかですかね。
個人情報保護
裁判資料は、生死に関わることや生物的な個人の特定がされる訳ではありません。個人的な書類や社会的な文脈を示唆する情報が多く含まれることが特徴でしょうか。いずれにせよ、「医療」や「遺伝」などのビックデータと個人情報のテーマが社会的に議論になることで、価値観や基準がより包括的で明確なものになると思います
。
著作権
著作権に関しては、一般的な機械学習に於いて複製は認められており(著作権法47条7項)、裁判資料は裁判手続きに於いて複製が認められています(著作権法42条)が、第三者が裁判資料をAPIにより取得し機械学習する場合はどうなるかは不明です
。
個人情報保護・著作権をクリアした枠組み
個人的な感想ですが、諸外国の事例を見ても、20年のハンデがあるとはいえ直ぐにでも追いつけそう(諸外国の事例はレガシーなシステムが散見されるので)ですが、裁判資料が保管されていないことだけはあまりにも残念です。アーカイブの議論とも絡みますが、 早急に個人情報保護・著作権をクリアした枠組みを作るべきと思いました。
なお、日本の場合、民事訴訟は5年ぐらい、刑事訴訟は(何故か検察が保持しているのですが)3-100年の保管期間のようです。ちなみに、一年間の裁判件数が大体400万件であり、一件につき150円の印紙代が掛かるので、約6億円ほどで日本の一年間の全裁判の資料を閲覧できると思われます
。Google Booksと著作権みたいな訴訟も、裁判資料を巡って、将来あり得るかもしれませんね。
ちなみに、reddit創業者のアーロン・スワーツは、PACERを無料で使用できるようなクローンサイトであるRECAPを作ったことでも有名です。
2. TV裁判/VR裁判の可能性(e-court周り)
TV裁判
昨年から宅建業法で定められている重要事項説明はオンラインで可能になりました。もしTV裁判も可能になれば遠隔地の方の利便性を相当増すであろうことは容易に予測できます。
例えば、知財高裁(何故かHPが独立してます)は東京にしかありませんが、わざわざここでの訴訟のために東京に出向く必要は無くなるでしょう。また、全国展開しているような企業でも、各地の裁判をTVを通じて「傍聴」することで管理が出来るでしょう。もしくは各地に専門裁判所が出来る傾向を作るかもしれません。
VR裁判
英国ではVRを通じた裁判の実験が始まっています。また、米国の刑務所でもVRの活用がされているようです。
裁判員裁判は「迅速化」の要請のために、寧ろ公判前整理手続が長期化している可能性が指摘されていますが、このようなVR裁判が可能になれば裁判員裁判の「迅速化」に大いに資すると思われます。また、最近家庭裁判所に関しても親権を巡る話題が増加しています。もしかしたら、VRを使うことで新しい紛争解決方法が模索できるかもしれません。
裁判の公開はどうなるのか?
ところで、最高裁の審理や判決は幾つかの国で、ネットで動画(英国、台湾)・音声(米国)を通じて「傍聴」出来ます。そして中国では、一部の裁判所が裁判をweb中継(広州,北京。中国では各地方裁判所のHPが独立していることも興味深いです)しています。
参考までにイタリアのミラノ地裁のニュース映像も付記しておきます。
このように「裁判の公開」(憲法82条)も各国で多様な展開があります。
日本はどうあるべきなのでしょうか。
地域概念の変容
知財高裁が東京にしか無いことの意味は大きいと思います。例えば、最近東京では、グレーゾーン・ファッション・音楽などの弁護士事務所が出てきています。地方の弁護士会館は裁判所敷地内にあることも多いです。そうした東京一極化が緩和する可能性もあります。
興味深いと思われるのは、議事録では外国在住者の裁判へのアクセスみたいな表現でしたが、 裁判の管轄権の概念も揺らぐ可能性があるのでは、ということです。例えば、日本固有の領土でありながら不法に占拠されている北方領土の住民たちが、日本の司法サービスを享受出来る可能性があります(参考:ロシア映画『裁かれるは善人のみ』)。そのとき、日本の裁判所は、日本語だけ日本法だけでしか裁判を提供出来ないので良いのか、という問題も出てくるように思います。
ちなみに、韓国の裁判所は英語を使った裁判を提供するようです。
案外実現可能性は高いかもしれない
恐らく、今年竣工する京都国際調停センターか2021年に竣工する東京・中目黒のビジネスコートでこうしたTV/VR裁判の可能性が具体的に追求されるのではないでしょうか。
こうした知財・商務周りは国際的な競争が激しいので、一定程度国際標準に従わざるを得ないでしょうから。
なお、http://www.legaltechcenter.net ではそうしたTV/VRを使った新しい裁判の実験をしています。
3. 執行への不満
現在裁判所は催促や競売をweb上で手続き出来るようにしています。
しかし、議事録を見ていると、日本では執行の不確実性があるため訴訟コストが回収できないというような議論が多々ありました。日本の民事訴訟の件数が減っていることは執行の確実性に問題がある可能性もあります。
少し行き過ぎだと思いますが、中国では強制執行を受ける人の名前が公表されるようです(こんなtwitterもありました)。参考までに「信用中国」では行政処分の対象となった個人や内容も公開しているみたいですね。
検討会での議論にはまだ出てきていませんが、スマートコントラクトは一つの解決策なのかも知れません。スマートコントラクトに関してはまだ良くわかっていないのですが、もしかしたら物理的な執行をするために裁判所と連携できるような仕組みがあるべきなのかもしれません。
なお、執行に関してはyahoo社の「競売の更なるIT化」に関する記事も大変参考になります。また、倒産・破産に関しては例えば米国にはこのようなマーケットプレイスがあります。
議事録にはあまり記載がなかったですが、以下のような可能性も想起しました。
4. 刑事裁判
デイスカバリ―制度やVirtual Data Room
現段階の議論は民事裁判に限定したスモールスタート的な感じですが、いずれ刑事裁判のIT化にも発展すると思われます。
恐らく、今年の6月から始まる司法取引の運用の様子を見てということになると思われますが、例えばデイスカバリ―制度の発展などもあり得ると思われます。その時はVirtual Data Roomや裁判資料の解析ツールなどが注目されると思います。
科学的な捜査と刑事裁判
日本でつい最近大阪地検にもデジタルフォレンジックのチームが作られたり、新しい機械学習を用いた筆跡鑑定で再審請求がなされたり、米国では犯罪予測システムPREDPOLが導入されていたり、EUではVALCRIという科学的捜査が研究されていたりと科学的な捜査手法は日進月歩で発展しています。
懸念があるとするならば、日本の刑事裁判は、そうした科学の発展や再検証を前提としているのか 、という点です。フィリピンでは逮捕状が電子化されていたり、イギリスには再審委員会があったりします。 【追記】台湾では起訴状を公開するように刑事訴訟法が改正されました。1928年に制定・施行された台湾の刑事訴訟法は日本の刑事訴訟法と類似しているので興味深いです。
刑罰に於ける社会コストという議論
現金の社会コストの議論が盛り上がっていますが、刑事事件の減少に伴い再犯率の高さなどに関心が行くことで、刑罰のなかで更生・社会コストという観点が強まっている印象があります
(例えば、この記事なども興味深いです)。仄聞ですが、日本の刑務所に於いて社会復帰の為に用意されるメニューは時代錯誤な側面があるようです。もしかしたらITを使い改善が出来るかもしれません。刑務所は法務省の管轄であり文部省に比べ束縛が少ない!?ので思い切った施策が出来るかもしれませんし、そのノウハウは海外にもスケールしそうな気がします。
その試みが成功したならば刑罰や刑事裁判のあり方も大きく変わるでしょう。
ランダム性と量子コンピューター
また、昨年には検察審査会の選出の正統性の議論が多少国会でありました。
裁判員の選出も、様々な例外規定があるので多少は手動なのでしょうが、どこまでランダムなのかは良く分かりません。少なくとも未だにfaxを使っているような組織がランダム性に関して深い考察をしているには思えません。もしそうしたランダム性に関する疑義が社会的関心の対象となった場合は、量子コンピューターの導入も視野に入れるべきかもしれません。 もし裁判のIT化の議論の延長に量子コンピューターの導入が決定したら、faxと量子コンピューターの共存も面白いと思います。
5. 裁判官の働き方改革
裁判官というフリーランス的働き方
来年度の税制で所得税控除が変更になる見込みですが、様々な働き方が認められる社会になってきています。ここで注目したいのは、裁判官とは、憲法で独立性(第76条3項)や、給与の減額が無いこと(第80条2項)を保証されている存在だと言うことです。また、罷免するには国会の弾劾裁判所の決定が必要(第78条)です。
極端な言い方をすれば、裁判官とは、減額が無い10年間の業務委託契約を国家と締結したフリーランサーだと言えるでしょう。そういう意味で裁判官が自由に働けない社会では、憲法・法律の保障が無い人達はもっと自由に働けないでしょう。
とはいえ、裁判官の成果の計測は、処理件数のノルマ達成であったりするようです。裁判官の成果(社会的正義の実現、秩序の安定、新しい判例etc)の計測が結局は処理件数ベースでしかできないならば、裁量労働制に於ける「成果」の計測もなかなか難しい気がします。多くの裁判は過去の事例と類似している可能性があるので、裁判のIT化により生産性の向上 or 処理件数が大幅に向上した場合、どのように成果を計って行くのか興味深いです。
例えば、以下は台北高等行政法院のエレベーターの表示版の写真(交渉して撮りました)ですが、「裁判官の運動場」があったり「ベビールーム」があったりします。日本の裁判所は裁判官の働き方を良くするためにどのような設備があるのでしょうか?
裁判官に私達の働き方を良くしてもらうのではなく、裁判官の働き方を良くするために私達が何が出来るか、問わなければならないのかもしれません。
何故中国の裁判所は高モチベーション?
中国ではアリババ社などが裁判所と連携し書記官AIを随時裁判に導入していくようです。北京大学ロースクールとAI会社の連携や(個人的にはやり過ぎだと思いますが)裁判資料閲覧の際の顔認証システムなどの記事もありました。恐らく、中国国務院の三カ年計画の一環なのでしょうが 中国の司法府が、党の下部組織に過ぎないなかで、IT化を推進していくモチベーションは注目に値します
(20年ほど前の映画『日独裁判官物語』で礼賛されているドイツでも何故かあまり裁判のIT化が進んでいないようです)。日本の裁判所は違憲審査権・司法行政権・行政裁判権・二重予算というほぼフルスペックの司法権を有していますが、どちらかと言えば低モチベーションな組織体質があるように思われます。特に、裁判のIT化は規則の運用を変えるだけで出来る側面がありますので。。。
こうした中国の事例からは、司法権の強さよりも、 個々の紛争を解決するインセンティブの方が裁判のクオリテイ―を高める可能性を感じました。少なくとも、裁判のIT化はそうした個々の紛争をより良く解決する仕組みになれば良いな、と思います。また、個々の裁判官のモチベーションが高まることで、裁判のITシステムの継続的な運用が可能になるのだと思います。
6. その他の議論
本人訴訟
日本の裁判の特徴の一つは本人訴訟が多いことです
(コミケでも出版されてました)が、裁判のIT化の議論を見ていると、本人訴訟をサポートするようなサービス(フランスでの例)も求められているように思われます(第一回議事要旨。「本人訴訟」の出現箇所に注目)。クラウドファンディング等も関係が出てくるかもしれません(なお、米国では訴訟の証券化がされているようです)。
法廷通訳
また、最近のトレンドですが、国際紛争の国内化とでも言うべき事態が進んでいます。国際紛争を解決する手段としての東京地裁、とでも言うべきでしょうか。日本国籍保有者が当事者で無い訴訟が増えていて、東京オリンピックに向けて模擬裁判もしたりしています。法廷通訳のクオリテイー確保、というのも裁判のIT化で解決できる問題かもしれません
(ISOでこのような標準の議論もされています)。
その他
その他にも、電子署名、セキュリティー、電子決済etc
が議論されていました。これらの分野のエキスパートの方は一度裁判手続きのIT化検討会の資料に目を通してみてはいかがでしょうか。
裁判のあり方は変わる
変化する裁判
上記のような可能性の議論で重要なのは、裁判は社会の変化に伴い大きく変化する動的なシステムであるということです。日本でも、ADRの導入や労働審判の導入や(恐らく今後iphoneのバッテリー問題で活用される)消費者団体訴訟制度の導入など、裁判のあり方も随分と変わっています。今年から京都の国際調停センターの竣工が始まる予定です。2021年には東京・中目黒にビジネスコートが出来るようです。恐らく、今後も行政訴訟のあり方やCtoC取引の増大
に伴い極小額訴訟のためのODRなどがいずれ議論になると思われます。
また、今の中国司法のIT化は昔の中国映画『再生の朝に』からは想像出来ないことに留意する必要があります(とはいえ、中国では今でも窃盗罪で死刑になる場合があるらしいです)。
ところで、パリではレンゾ・ピアノ(Renzo Piano)設計の新しい裁判所が竣工します。結構大きい建物ですが、どのような訴訟を想定しているのでしょうか?
裁判所以外の裁判
また、裁判は、裁判所だけで起きているわけではありません。特許庁や公正取引委員会などの行政審判や国会での弾劾裁判所などの裁判もあります。そういう意味で、裁判のIT化は包括的な行政・立法のIT化に発展するかもしれません。
懸念点
上記のような可能性がありつつも、同時に裁判のIT化に於いて幾つかの懸念事項が議論されています。
ITを使えない人
ITを使えない人の裁判へのアクセスをどう確保するか、というような議論です。個人的には、 インターネットやwebは憲法14条が規定する法の下の平等との親和性が高い ことがもっと理解されても良いと思います。例えば、英国・米国では最高裁の審理を過去の審理も含めて全国民がwebで「傍聴」出来ます。webを活用すれば、日本でも地方の方や未来の方が最高裁が提示した法理をより理解出来、日本の法の安定性に寄与する可能性があります。
裁判の公開
「裁判の公開」に関する議論は、「知る権利」・「プライバシー権」・「法廷内の秩序」・「更生」等様々な利益が絡み合った難しい問題だと思われます。裁判が公開され過ぎて、裁判をしたくない方が増えても、本末転倒です。
重要だと思われるのは、「裁判の公開」は曖昧な概念で社会により様々なカタチがあることです。例えば、日本でも戦後まもない時期は法廷内で写真撮影は禁止されておらず、また一時期メモが禁止されていたことも労働組合訴訟の遂行の妨げになるからだったようです。英国でも法廷内でメモに関する議論が最近あったようです。
難しい議論ですが、例えば「アマンダ・ノックス事件」をドキュメンタリー化したnetflixのオリジナル番組で表現されている、イタリアのどちらかと言えば極端な「裁判の公開」は議論の目安になると思います。
予算
議事録には明確には無かったと思いますが、どのように運用するのか、改善していくのか、予算はどうするのかという点は重要だと思います。個人的には、知財高裁でスモールスタートするのが一番良いと思っていましたが(韓国は知財裁判所からスタートしています。第二回平岡委員提出資料)、第三回の事務局資料を見ると民事訴訟一般を念頭に裁判のIT化がなされるようです。やはり日本経済再生本部の下部組織ということで新しい予算が獲得出来るからなのでしょうか。いずれにせよ、もし上記の可能性が追求されるならば、個人的にはふるさと納税なりの寄付を裁判所にしたいと思います
。
また、ベンチャー企業にとっても、経済産業省でなく裁判所から補助金を貰うことで、検察の安易な起訴も少なくなると思われます。
セキュリティー
セキュリティーに関する議論は、今後裁判のIT化の議論の行く末を大きく左右する可能性があります。現段階の取りまとめでは防衛・金融程の厳しいセキュリティー基準は必要ないよね、という方向性のようですが今後はどうなるでしょうか。行政府の大幅な交代が起きるなどでセキュリティーに関する議論が再熱し良く分からなくなる前に、セキュリティーに詳しいエンジニアの議論への参加が求められます。
おわりに
金子さんがwinnnyの件で京都地裁で罪に問われていたとき、岡崎市の図書館に1秒に1回程度のリクエスト頻度でクロールをしていた男性が逮捕されたとき、ヤフー社の検索エンジンを米Google社が提供する際にビックデータと独禁法的議論が盛り上がりかけたとき、裁判所はfaxを使っていました。
まわりの人達が沢山萎縮し、日本の多くの可能性が失われました。。。
裁判所がIT化を推進して行くということは、IT産業に於ける新しいビジネス・新しい雇用創出だけでなく、ITとの親和性の高い司法が日本でも期待が出来るというような可能性があると思います。
先日発表された取りまとめをもとに政府案が国会の法制審議会に提出され、そこで様々な議論がされ、最終的には民事訴訟法の改正が数年以内にされるようです。また、民事訴訟法の改正を待たずに裁判所内の運用で出来るようなIT化はどんどん進むようです(最近ある東京地裁の民事裁判では裁判官がMacを使っていました)。
今後も議論の推移を慎重に見守っていきたいです。
情報収集の方法
- 裁判手続き等のIT化検討会のHP
- 1.の更新が遅い時は、内閣官房の担当者に電話をする(担当はWakeさん?)。
- 衆議院/参議院法務委員会や内閣委員会
- 以下のtwitterアカウントを適宜フォローする
- 裁判官: 岡口さん 近著にて次は「法曹のIT化」を進めて行きたい主旨の発言があったと記憶しています。
- 弁護士: 吉峯さん twitterで裁判のIT化に関してつぶやくと、首相官邸での議論に反映してくれるという噂があります。
- 学者: 町村さん この論文や書籍『現代訴訟法』で何となく今の日本の裁判が分かります。
- 傍聴人: 今井さん 東京地裁でタブレット開廷表が導入されたのは今井さんの東京地裁に対する訴訟を含む継続的な活動が大きと思います。
- スマートコントラクト: 橘さん 裁判手続き等のit化検討会でも紹介されたクラウドサインの事業責任者の方です。
- 競売: yahoo政策企画さん
- 裁判の公開: 阿曽山大噴火さん 「裁判の公開」の曖昧さの社会的な合意は「笑い」のなかで達成されると思います。
- 司法統計: サイ太さん 司法統計の分析といえばこの方。
- 検察官: 不明
【追記 2018/4/18】
裁判のIT化のgitリポジトリを作りました。
https://github.com/hajimetakase/saiban-no-it-ka/
- TensorFlowのチュートリアルのチュートリアル
- 【機械学習】scikit learnでの画像減色プログラム
- TensorFlow製アート・音楽生成プロジェクト「magenta」で曲を作ってみる。
- サカナクションさんをTensorFlow製アート・音楽生成プロジェクト「Magenta」に学習させてみる。
- pixivの機械学習モデルからアイドルのキャラクター性を計算してみたよ ζ*’ヮ’)ζ
- 非プログラマのための機械学習ツールKNIMEのご紹介
- 機械学習でお客様が他にも買いそうな商品を予測しようじゃないか
- Tensorflowの精度低下はlog(0)のせいだった
- 手書きひらがなの認識で99.78%の精度をディープラーニングで
- TensorFlow製音楽生成プロジェクト「Magenta」を開発環境の設定から曲生成までやってみる。
- AdaGradが学習率のスケジューリングを上手く調整してくれる理由 – 理論編 –
- TensorFlow製音楽生成プロジェクト「Magenta」でMIDIファイルを学習させ、曲を生成する。
- 論文要約: Learning both Weights and Connections for Efficient Neural Networks
- 自然言語入力処理のMicrosoft LUIS(日本語版)を使ってChatBotサンプルを作ってみる
- ILSVRCとは何か?
- Ubuntu16.04 + GTX1080 + CUDA8.0で 機械学習環境を構築する
- エロゲ製作でAIを使おうとした話
- 人はRubyだけで手書き数字認識できるか?
- PandasのCategorical関係を調べてみた~慣れれば便利(と思う)
- ニューラルネットワークのライブラリのインストール方法
- 確率的勾配降下法をadで実装してみた
- クラウド統合開発環境Cloud9でTensorFlowを使う~GetStarted~
- 深層学習フレームワークヒッチハイクガイドVer3.0
- Kerasでアニメキャラの顔認識
- paragraph2vecの論文 要訳 (Distributed Representations of Sentences and Documents)
- 問題が明確化できているときは、半分解けている
- Coursera Machine Learning スライドまとめ
- Coursera Machine Learning 総復習用メモ
- 機械学習用の画像切り出しツールを作る
- <初心者向け>pythonライブラリ<機械学習用>
- 代表的な機械学習手法一覧
- Deep Learning bookを読んで学んだこと
- データシティ鯖江のオープンデータを使って水位計の値を機械学習で予測してみる
- Recurrent Neural Networkの基礎(Peterさんのチュートリアルの翻訳)
- {tensorflow}をirisデータで試してみる
- Python 機械学習プログラミング 第1章 「データから学習する能力」をコンピュータに与える まとめ
- 【機械学習】手書き文字データで分類器のパフォーマンスチェックをしてみる
- Pythonで体験する深層学習 2章(輪講用資料)
- 直感のきく技術者になろう
- numpyだけでCNN実装
- JubatusでQiita記事を推薦してくれる日報アプリ作ってみた
- 機械学習(深層学習)で画像関連をやってみたい場合はじめに抑えておいた方がよいものは何か
- TensorFlowをWindowsでビルドする
- 統計学とデータ分析で儲ける作戦! 選挙のタイミングで儲けられる銘柄を、相関係数を用いて探す
- ディープラーニングでメイドインアビスの欠落文字を推定する
- PRML第1章 ベイズ曲線フィッティング Python実装
- pythonでRNN実装
- scikit-learnでDBSCAN(クラスタリング)
- ディープラーニングが分からなくてもいい感じに物体認識させるサービスを試す(iOS Swift + Bluemix Visual Recognition)
- 機械学習関連情報をトピックモデルで分類する
- Watson ConversationのTutorialを日本語でやってみた (前編)
- 活性化関数ReLUについてとReLU一族【追記あり】
- seq2seqで利用可能な日本語対話データセットをダウンロードするツール
- PRML第2章 スチューデントのt分布 Python実装
- メモリを操作するRNNでソートアルゴリズム(可変長&順序フラグあり)を機械学習できたよっ!
- Coursera Machine Learning (1): 機械学習とは?単回帰分析、最急降下法、目的関数
- 機械学習をざっくりと理解する
- 機械学習を始めて2週間、機械学習を始めるのに必要だったこと
- Vision APIとNatural Language APIを組み合わせて名刺から情報抽出する
- 名刺から情報を抽出するSlackBotを作る
- Jubatusを使った感情分析を行うLINE Botの作成
- ChainerでYOLO
- うまくいきそうにない技術
- アンサンブル学習(Stacked generalization)のサンプルプログラムと実行例
- f-divergence一族の可視化
- Coursera Machine Learningの教材に沿って協調フィルタリングを学ぶ
- Watson ConversationのTutorialを日本語でやってみた (後編)
- FXシステムトレードのプログラムをいくつか作ってみて分かった課題とその解決法について
- 機械学習の開発内容について(Example)
- KerasでDCGAN書く
- Kaggleまとめ:BOSCH(kernels)
- Watson Visual Recognitionがすごすぎて俺の中で話題になっている件
- 高次元データの次元削減および2次元プロット手法
- Coursera Machine Learning (2): 重回帰分析、スケーリング、正規方程式
- PRML第3章 エビデンス近似 Python実装
- Windows10にChainer+CUDA 8.0をインストール
- Kaggleまとめ:BOSCH(winner)
- Watson Visual Recognitionを使った簡単顔認識アプリを作ってみよう
- Numpyのみを用いた、畳み込みニューラルネットワークの実装
- Tensorflowを使ってROS上でMNISTをやるノードを立てる
- 未踏の応募資料を公開します 【統計的かな漢字変換】
- MeCabとNEologdのインストール方法(CentOS6/CentOS7)
- PRMLのアルゴリズムをPython(ほぼNumpyだけ)で実装
- pythonでHMMのパラメータ推定実装
- 非機械的データ分析入門
- Tensorflow_in_ROSのコードを解説する
- Coursera Machine Learning (3): ロジスティック回帰、正則化
- 【初心者向け】Re:ゼロから始める遺伝的アルゴリズム【人工知能】
- PRML第4章 ベイズロジスティック回帰 Python実装
- Googleスプレッドシートの機械学習アドオンを日本語で試す
- defragTreesがよさそう
- 深層強化学習(DQN)でオセロもどきAIを作ってみた
- TensorFlow 0.12で追加されたEmbedding Visualizationを試す
- ニューラルかな漢字変換
- Jubatus をインストールして使ってみる【2017年版】
- [Python] Deep Learning: ディープラーニング (DBN, SDA) をライブラリを使わずに実装してみた
- 機械学習で美少女化 ~ あるいはNEW GAME! の世界 ~
- 取り急ぎpix2pixで遊んでみた(追記あり)
- 【論文シリーズ】DNCー動的な記憶装置を搭載した人工知能
- 全自動機械学習で実現する、現場のためのワンクリックデータ予測
- 誰でも分かるTrueSkill
- 機械学習向け並列分散処理フレームワーク Petuum について調べてみた
- Julia のススメ 〜 Deep Learning のための Julia 〜
- Coursera Machine Learning: 概要とWeek1-Week5までを振り返って
- Noise Contrastive Estimationについて
- Ruby でニューラルネットワーク
- メンターとパンサーを人工知能に区別させてみた
- Schooの動画レコメンドについて
- AdaBoost の弱学習器を色々試してみた
- PRML第5章 混合密度ネットワーク Python実装
- NLP/機械学習/データ分析系のDockerイメージ8選 + 1
- pix2pixでポップアートから写真を復元してみた (追記あり)
- “逐次的np.append”と”list.append+最後にnp.array作成”の速度比較
- Coursera Machine Learning (4): ニューラルネットワーク入門
- 幼女画像判定システムLolinco フロント編
- GCP(Google Cloud Platform)を活用した機械学習バッチ運用環境(2016)
- TensorFlowのinitialize_all_variablesがDeprecatedになった件
- これを理解できれば自然言語処理もできちゃう? MNISTでRNN(LSTM)を触りながら解説
- TensorFlow の名前空間を理解して共有変数を使いこなす
- Girl Friend Factory – 機械学習で彼女を創る –
- 機械学習でなんとなく材料研究者の気分を味わおう
- (Chainer) DNC(Differentiable Neural Computers)で文字列の学習&生成
- 絵で理解するWord2vecの仕組み
- PCAとSVDの関連について
- PRML第6章 ガウス過程による回帰 Python実装
- 人工知能やディープラーニングの理解に欠かせないパーセプトロンとは何か?
- 「ゼロから作るDeep Learning」の環境をDockerで作る
- JavaScript でニューラルネットワーク
- 2016年のディープラーニング論文100選
- 『Rによるデータサイエンス』をcaretで再現する
- Coursera Machine Learning (5): ニューラルネットワークとバックプロパゲーション
- ついに来た! Azure GPU インスタンス上に30分で構築する TensorFlow on GPU 実行環境構築手順
- LSTMを超える期待の新星、QRNN
- 非線形SVMとscikit-learnによる実装
- NIPS 2016参加報告
- PythonでAIシミュレーションプラットフォームOpen AI Gym を利用して遊ぶ (DQN編)
- TensorFlowをGCPで実行してみる
- Tensorflowで個人サービスにアップロードされた不適切なイラスト画像を検出する
- Chainerでモノクロ画像のカラー化を学習してみる
- Watson Knowledge StudioのTutorialをやってみた (前編)
- TensorFlowで競艇予想
- 環境構築から深層学習チュートリアル
- 2標本問題の新展開~古典的手法からカーネル法まで~
- 医薬品設計とニューラルネットワーク
- Javaで機械学習(DeepLeaning4j) 文書を学習して特定の単語と関連性の高い単語を抽出してみる
- 機械学習を1ヵ月で実践レベルにする #1 (とっかかり編)
- AWS Lambdaによるサーバーレスな機械学習APIの作り方
- 機械学習モデルの実装における、テストについて
- 空気を読むUIを作る
- 30分でわかる機械学習用語「クラスタリング(Clustering)」
- 機械学習を1ヵ月で実践レベルにする #2 (オンライン講座)
- PythonからGPU使用率などの情報を取得する(nvidia-smiコマンド)
- DeepLearning研究 2016年のまとめ
- 機械学習を1ヵ月で実践レベルにする #3 (Octave 編)
- scikit-optimizeの紹介
- 機械学習で競馬予想(その4)
- foobarNet: ディープラーニング関連の○○Netまとめ
- TensorFlowで畳み込みLSTMを用いた動画のフレーム予測
- まだ機械学習の論文を追うのに消耗してるの?それBotで解決したよ
- 確率とモナドと確率論的プログラミング
- 森を彷徨う
- 対話システムに使える(かもしれない)音声情報処理入門
- Pythonにまつわる3タイプ別オススメ書籍
- 【初級編; 2017年版】脳波で機械を操る!ブレインコンピュータインタフェース(BCI/BMI)って何?
- ペンパイナッポーとアッポーペンを識別する(ChainerでYOLO ver2)
- 機械学習を1ヵ月で実践レベルにする #4 (線形回帰編)
- 【転職会議】クチコミをword2vecで自然言語処理して会社を分類してみる
- 深層学習による声質変換
- RNNで人間行動認識
- Word2Vecを用いた類義語の抽出が上手く行ったので、分析をまとめてみた
- ボット開発者のための機械学習入門
- 「量子コンピュータが人工知能を加速する」を読んで、数式を使わずにPythonでその概要を説明してみた
- Metalでカメラからの動画入力をリアルタイム処理する
- 機械学習におけるクラス分類問題の各関数の意味解説
- 【翻訳】scikit-learn 0.18 User Guide 4.3. データ前処理
- CCVを使ってみよう
- 【翻訳】scikit-learn 0.18 User Guide 3.1. クロスバリデーション:推定器の成果を評価する
- Jubatusのバースト検知機能(jubaburst)を使ってみた
- TensorFlow for iOS のモデルについて
- WindowsでGPU使ってTensorFlowを動かすメモ(TensorBoardも動かす)
- 【翻訳】scikit-learn 0.18 User Guide 3.3. モデル評価:予測の質を定量化する
- iOSのMPSCNNによる手書き数字認識のサンプルを読む – 前編
- インフラエンジニアが見た機械学習のトップカンファレンス NIPS 2016
- RNNにおけるDropoutの適用について
- 手書きで数式を書きつつストレス無くノートをデジタル化する方法
- 【PyStan】Graphical LassoをStanでやってみる。
- javascriptでchainerモデルを利用するためのKeras.js
- ニューラルネットワークは電気ねずみの夢を見るか?
- 量子アニーリングで組合せ最適化
- Retty流『2200万ユーザを支える機械学習基盤』の作り方
- 新年をシリコンバレーで迎えるための7日間ハンズオン
- TensorFlowは「テンサーフロー」か「テンソルフロー」か?TensorFlow自身に聞いてみる。
- チャットボットをAIでもっと素敵にする!自然言語処理の仕組み
- DeepLearningはアニメを変えるのか?
- PyCon 2016で発表したChat Botをコードベースから解説(Chainerを利用した雑談応答編)
- 30分でわかる機械学習用語「次元削減(Dimensionality Reduction)」
- 機械学習を1ヵ月で実践レベルにする #9 (オーバーフィッティング)
- iOSのMetalで畳み込みニューラルネットワーク – MPSCNNを用いた手書き数字認識の実装
- Keras+DQNでリバーシのAI書く
- 3層ニューラルネットワークを実装する
- 外部メモリー付きのニューラルネット”Differentiable Neural Computing (DNC)”について解説するよ
- 機械学習の学習用に画像情報抽出とラベル付けが自動でできる前処理アプリをRailsで作ってみた
- Raspberry Pi 深層学習ライブラリで物体認識(Keras with TensorFlow・Open CV)
- scikit-learnを用いた機械学習入門 -データの取得からパラメータ最適化まで
- 音楽の構成(Aメロ、サビ等)を自動で分割する。
- ニューラルネットワークの出力層設計に関する指針
- ロバストにいこう
- ゼロから作るDeep Learning Pythonで学ぶディープラーニングの理論と実装 第3章
- TensorFlow Saverで保存する世代数を指定する方法 (元旦の悲劇)
- 江ノ島を描く ~Neural Style~ [TensorFlowでDeep Learning 14]
- ”ゼロから作る Deep Learning”のための環境構築をdockerとVagrantで実現
- 私的Chainer入門
- WebでChainerを「触って」学習出来る Chainer Playground をやってみた
- 機械学習に必要な最急降下法の実装に必要な知識まとめ
- ディープラーニング(seq2seq)でtwitter chatbotを作ってみた
- 文章を○○風に変換する機械学習をやってみた
- Coursera Machine Learning (6): 機械学習のモデル評価(交差検定、Bias & Variance、適合率 & 再現率)
- 機械学習の内輪向け勉強会: 概念の理解
- PRML第10章 変分混合ガウス分布 Python実装
- 可能性の枝切りができない開発は必ず失敗する。
- Raspberry Pi 深層学習で「赤りんご」と「青りんご」を見分ける(Keras・Open CV)
- Coursera Machine Learning (7): サポートベクターマシーン (SVM)、カーネル (Kernel)
- Coursera Machine Learning (8): 教師なし学習 (K-Means)、主成分分析 (PCA)
- 機械学習で精度が出ない時にやることまとめ
- fastTextを使って単語じゃないものの分散表現を獲得する
- 機械学習をゼロから1ヵ月間勉強し続けた結果
- LightGBM ハンズオン – もう一つのGradient Boostingライブラリ
- 多分もっともわかりやすいTensorFlow 入門 (Introduction)
- 3日で資産が3倍に!! Azure Machine Learning(ML) でFx予測と自動売買連携。-その1 概要・準備編
- 【Tensorflow入門】適当にTensorflowを理解して、モデルを作ってみる
- カルマンフィルタってなに?
- ゼロから作るDeep Learningのメモまとめ
- Stanfordの授業CS231nでニューラルネット、畳み込みニューラルネットを学ぶ
- Raspberry Pi 深層学習でリアルタイム顔認識(Keras・Open CV)
- NIPS 2016 Adversarial Training Workshop 体験記
- 機械学習で電力需要を予測してみる パート2
- TensorFlowの学習モデルによるモバイル端末でのリアルタイム画像認識
- Coursera Machine Learning (10): 大規模機械学習
- いますぐ使える単語埋め込みベクトルのリスト
- OpenAI UniverseでするAtari Pongの強化学習
- 【初心者向け】MacでDockerを使ってTensorFlowを試す(Jupyter Notebook)
- 機械学習ことはじめ(オススメ教材・情報)
- Inside of Deep Learning (ディープラーニングの基本要素)
- Inside of Deep Learning あるいは深層学習は何を変えるのか
- ゆるふわ強化学習1
- PRML第12章 ベイズ的主成分分析 Python実装
- はじめての人向け機械学習【2017年度版】
- ニューラルネットワークを使ったWindowsアプリを作成
- Jupyter on Dockerでパスワードの設定方法が分からないあなたへ
- Coursera Machine Learning (11): 写真の光学文字認識 (Photo OCR)
- fastTextの学習済みモデルを公開しました
- ChainerやTensorFlowでGPUを使うと毎回結果が変わる理由と対策 (まとめ)
- ChainerでGPUを使うと毎回結果が変わる理由と対策
- TensorFlowでGPUを使うと毎回結果が変わる理由と対策
- 【word2vec】会社のクチコミを自然言語処理した結果を可視化してみる
- 再訪scikit-learn
- Pythonでベイズ最適化を行うパッケージ GPyOpt
- 機械学習のルールとベストプラクティス(Rules of Machine Learning: Best Practices for ML Engineering の意訳)
- 人工知能関連ニュースの、実際のところシリーズ
- 遺伝的アルゴリズムxニューラルネットワーク(NeuroEvolution)でOpen AI Gymの山登りをさせた話
- 月刊Interface 2017年03月号がTensorFlow大特集になっている話
- 数学の苦手なバイオの学生がCourseraの機械学習コースを修了して気づいたこと
- Tensorflowでブロック崩し
- Chainer2.0が近日リリース またそれとは別の大規模分散処理に対応したChainerもリリースされるらしい
- 機械学習ざっくりまとめ~パーセプトロンからディープラーニングまで~
- PRML第13章 隠れマルコフモデルの最尤推定 Python実装
- 趣味用に安く深層学習PCを作った
- iOSのMetal Performance Shadersでニューラルネットを実行する際のモデルの渡し方
- GPUなしではじめるディープラーニング
- TensorFlowでVGG19を使ってMNISTのエラー画像一覧を作ってみた
- O(log N)の底は何なのか
- 強化学習
- keras(tensorflow)で花の画像から名前を特定
- 自然言語処理における畳み込みニューラルネットワークを用いたモデル
- 普通のpython実行ファイル(argparseを含むファイル)をJupyter notebookで実行するときのメモ書き
- LINQ を使って 8 行で k-means 法を実装してみた
- TensorFlow (ディープラーニング)で為替(FX)の予測をしてみる
- GraphLassoを用いた株式市場の構造学習
- Kerasでfizzbuzz問題を解いてみる
- ゆるふわ強化学習2
- テキスト分類器fastTextを用いた文章の感情極性判定
- Keras with GridSearchCVでパラメータ最適化自動化
- 文系卒社会人が統計入門でのモヤモヤを克服した話
- 例の機械学習コースが良いらしいと知りながらも2年間スルーし続けたがやはり良かったという話
- 機械学習の regularization の訳は正則化 (正規化ではない)
- CPUで気軽に強化学習してみた話(DeepMind A3C)
- 機械学習とディープラーニングの入門者向けコンテンツまとめ
- なぜ機械学習にPythonが選ばれるのか
- 【テキスト分類】Convolutional Neural Networks for Sentence ClassificationをChainerで実装してみた
- ディープじゃない機械学習で為替(FX)の予測をしてみる
- Apache Sparkによる大規模データの分散処理による機械学習(回帰分析) by Amazon EMR
- 機械学習入門時に知っておきたい情報まとめ
- スタートアップ必須のコホート分析を、サバイバル分析の手法で、簡単かつ正確に
- Courseraの機械学習コースを始めるまえに用意しておくこと、覚悟すべきこと
- iOSのMPSCNNに渡すモデルパラメータのフォーマット / TensorFlowからの書き出し
- トピックモデルを操作 ~Interactive Topic Model~
- Cloud Dataflow(Python)で機械学習パイプラインを動かす
- TensorFlowの増大するAPIについて少し考えてみた
- [Python]強化学習(DQN)を実装しながらKerasに慣れる
- ScalaからTensorFlowのJava APIを呼びだすぞい
- Windowsに、オフラインでディープラーニング環境をインストールする(Tensorflow, Keras) ・・・「オフライン環境でのpipインストール方法」と言ってもいいかも・・・
- TensorFlow の “AttributeError: ‘module’ object has no attribute ‘xxxx'” エラーでつまづいてしまう人のための移行ガイド
- Webアプリケーションエンジニアがディープラーニングに挑戦する際にやったこと(Coursera Week1)
- 続々・node.js で社会性フィルター
- PyTorchリンク集
- TensorFlow iOS カメラサンプルで自作した画像分類器を動かす
- ChainerRLでライントレーサーする
- Cloud Dataflow(Python)でXGBoostを動かす
- 機械学習 トレーニングデータの分割と学習・予測・検証
- 文章から特徴量(素性)を抽出する.
- Qwiklabs の NVIDIA ラボで無料ハンズオンを試す
- 今更ながらchainerでSeq2Seq(1)
- kaggleの脳波検出コンペ上位モデルの解説を翻訳
- scikit-learnでモデルのハイパーパラメータチューニングをしよう!
- 今更ながらchainerでSeq2Seq(2)〜Attention Model編〜
- 自然言語処理における、Attentionの耐えられない短さ
- 4時間で「ゼロから作るDeep Learning」を読んで自分で動かしてみた
- 数学の知識がなくてもできる機械学習
- ゲーマーの為のTensorFlow入門
- [Python]KerasをTensorFlowから,TensorFlowをc++から叩いて実行速度を上げる
- 爆勝ちFXシストレ論文「Learning to Trade via Direct Reinforcement」を再現させたい
- Google Cloud DataflowでTensorFlowのGrid Searchをしてみた
- Ubuntu環境上でPyCharmを使った機械学習の環境を構築する(TensorFlowも導入するよ!)
- 会計データを学習して、仕訳の入力時に摘要の内容から勘定科目を予測してみる
- なぜ自然言語処理にとって単語の分散表現は重要なのか?
- scikit-learn でランダムフォレストによる多ラベル分類
- Google Video Intelligence APIのデモを触ってみた
- Getting Started With TensorFlow を翻訳
- 機械学習した結果から予測をHTTPで返す仕組みの一例
- 今更ながらchainerでSeq2Seq(3)〜CopyNet編〜
- Affineレイヤの逆伝播を地道に成分計算する
- 高校数学で理解・実装するニューラルネットワーク
- [改良版]KerasでVAT(Virtual Adversarial Training)を使ってMNISTをやってみる
- pytorch超入門
- GANで文章の生成(Controllable Text Generation – Arxiv.orgより)
- 【決定版】MacでPythonを使って『機械学習』を学ぶための環境構築
- 機械学習ナイーブベイズ分類器のアルゴリズムを理解したのでメモ。そしてPythonで書いてみた。
- Coursera Machine Learning を修了したので、感想を書いてみる
- 実サービスでの機械学習の活用に関するサーベイ
- ニコ動コメントコーパスでkaomoji2vecして顔文字をベクトル表現で扱う
- 【決定版】WindowsでPythonを使って『機械学習』を学ぶための環境構築
- 機械学習の環境を構築するのにAnacondaをインストールする必要はない。Minicondaを使おう
- TensorFlowによるDCGANでロゴ画像を生成してみた
- 教師無しimage to image ”Discover Cross-Domain Relations with Generative Adversarial Networks.” のざっくりした紹介
- TensorFlow (ディープラーニング)で為替(FX)の予測をしてみる CNN編
- MS の Deep Learning Framework CNTK で画風変換~もしも小学生の自分にゴッホを描かせたら?
- ディープラーニングのフレームワークの自作
- ある美女が,どの大学にいそうかを CNN で判別する
- FPGAでDeep Learningしてみる
- テンプレートを使って爆速で機械学習プロジェクトを作成する
- ブラウザで実行できるplaygroundまとめ
- 機械学習に用いるデータセット作成のための画像収集Pythonスクリプト
- Twitter感情分析で株価予測の論文を検証したら約70%の精度で上下予測できた
- ポエム判別器
- 生成モデルで語られる Kullback-Leibler を理解する
- データサイエンス、データ分析、機械学習に必要な数学
- Google Cloud ML EngineをJupyterから簡単に使えるMagic
- 【テキスト分類】Convolutional Neural NetworksにAttention機構を使ってみた。
- 転移学習:機械学習の次のフロンティアへの招待
- 誤差逆伝播法における行列演算まとめ
- ギブスサンプリング実装とJITコンパイラによる高速化
- Chainer で手書き数字認識(MNIST)
- ちょっと距離についてまとめてみた。
- デレマスで機械学習(データ取得編)
- 最小二乗法のアルゴリズムを理解したのでメモ。そしてPythonで書いてみた。
- トランプ氏のツイートを機械学習し、為替の予測をしてみた。〜GCP ML系使い倒し〜
- 【文分類】Convolutional Neural Networksのpooling方法を色々試してみた
- 【DeepAA on Web】ディープラーニングでアスキーアートを”Web上で”作る #DeepAA
- 「わかりやすさ」に注目した、機械学習による技術ブログの検索
- ディープラーニングでイラスト画像分類
- SE, PG系の方がデータ分析、機械学習をやる必要が出た時にまず手にとるべき一冊
- 顔画像から年齢・性別を推定するためのデータセットIMDB-WIKI
- DeepMindのSonnetを触ったので、TensorFlowやKerasと比較しながら解説してみた
- javascriptでお手軽に顔認識できちゃうライブラリ
- TensorFlow の複数プロセスで queue を共有
- deep learning にも使える scikit-learn の概要と便利な機能
- xgboost: テーブルデータに有効な機械学習モデル
- Kerasでちょっと難しいModelやTrainingを実装するときのTips
- KerasでBEGAN(Boundary Equilibrium Generative Adversarial Networks)を実装する
- ノンプログラミングで機械学習サービスが作りたい! テキスト分類編
- word2vecで吉川英治本の感情分析をしてみた
- 誤差逆伝播法等に用いる 計算グラフ の基本パーツ
- FPGAでDeep Learningしてみる – きゅうりを選果する
- 自然言語処理における前処理の種類とその威力
- DEEP PROBABILISTIC PROGRAMMING —”深層学習+ベイズ”のライブラリ— Edwardの紹介
- 週刊少年ジャンプの短命作品を,機械学習で予測する (前編:データ分析)
- 画像の認識 〜 Yolo
- Batch Normalization の理解
- 【決定版】WindowsでPythonを使って『画像処理』を学ぶための環境構築
- Splunkと機械学習(基礎編)
- 人工知能時代の音楽制作への招待 – Google Magenta 解説&体験ハンズオン (自習編) –
- ノンプログラミングで機械学習サービスが作りたい! WebAPI編
- クラスタリング手法のクラスタリング
- BEGAN( + DCGAN )をpytorchで実装して日本人顔の生成
- ノンプログラミングで機械学習サービスが作りたい! フロントエンド編
- GAN(Generative Adversarial Networks)を学習させる際の14のテクニック
- ベイズ最適化のKeras DNNモデルへの適用
- ResNetで料理の材料をあてていく:food2stuff
- 皆んなでやろう。 汎用人工知能 “General AI Challenge” のススメ
- 新規アプリケーションへの深層学習適用のベストプラクティス
- Microsoft の Deep Learning フレームワーク「CNTK」が Python 対応になって格段に使いやすくなってた話
- データの傾向が変わっても性能が落ちにくいモデルの作り方
- CNTKによる、CT画像からガン患者の推定
- 物体認識用データセット作成支援ツール(Faster R-CNNとかSSDとか)
- ある美女が、どこ出身かをディープラーニングで判別する
- 画像変換手法CycleGANでパンダ生成モデルを作った話
- 複数の機械学習ライブラリを一発で適応しちゃう方法
- C#で実装するトップダウン型自動微分
- データの前処理① Imputerとdropnaで欠損値の処理
- 自然言語処理による文書分類の基礎の基礎、トピックモデルを学ぶ
- Watson Retrieve and Rankの公式ツールを利用して質問応答システムを作る (1)
- Watson Retrieve and Rankの公式ツールを利用して質問応答システムを作る (2)
- Google Cloud Vision APIのOCR(画像認識)を検証する
- 行列の積演算で openBLAS cuBLAS を体感する
- 各種正則化から転移学習まで。tensorflowソースコードで見るDL性能改善手法 まとめ(ver 2)
- データ前処理② データを Categorical から Numerical に。
- 素人の言語処理100本ノック:まとめ
- gensim入門
- Modeling Relational Data with Graph Convolutional Networksのまとめ
- Yolo が遅延するのでプロファイラーを使ってみた
- Watson Retrieve and Rankの公式ツールを利用して質問応答システムを作る (3)
- データサイエンス、データ分析、機械学習に必要な数学2
- ディープラーニングでザッカーバーグの顔を識別するAIを作る①(学習データ準備編)
- ロジスティック回帰の数式を分かりやすく解説、、、できたらいいな
- 機械学習の情報を手法を中心にざっくり整理
- ドコモとリクルートの対話
- ディープラーニングでザッカーバーグの顔を識別するAIを作る②(AIモデル構築編)
- Python vs Ruby 『ゼロから作るDeep Learning』 1章 sin関数とcos関数のグラフ
- ディープラーニングでザッカーバーグの顔を識別するAIを作る③(データ学習編)
- ディープラーニングでザッカーバーグの顔を識別するAIを作る④(WEB構築編)
- 回帰と分類の違い
- 音楽と機械学習 前処理編 MFCC ~ メル周波数ケプストラム係数
- 機械学習⑤ アダブースト (AdaBoost) まとめ
- 人工知能は遊戯王カードの価格を予測できるか?
- 次元の呪い (Curse of dimensionality) とは何なのか
- ディープじゃないディープラーニングをNumPyのみで超簡単実装してみた
- 日本語極性判定を作って公開した~SentencePiece版~
- 2017年夏インターンまとめ【データサイエンス】
- 画像を送ると何が写っているのかを返す LINE Bot を GCP で作った話
- 人と対話するロボットを開発するための、研究ガイド
- 人工知能、機械学習、ディープラーニングを昔の自分でもすぐに理解できるように整理してみた
- 機械学習はライブラリを使えれば数学は必要ないのだろうか。生の声を聞いてみた。
- 割と簡単に顔画像を集める方法
- pythonでなんとなく材料研究者の気分を味わおう【pymatgen入門】
- DCGAN-tensorflowで自動画像生成をお手軽に試す
- 文・単語単位の評判分析データセットのまとめ
- 整数値のベクトルをone hot表現に変換
- データサイエンティストを目指すなら、まず最適解をデザインしよう
- 顧客セグメンテーションをクラスタリングのアルゴリズムを使って5分でやってみた
- TensorFlowを中心とした機械学習環境をUbuntuで構築
- 顧客同士の類似性をMDS(多次元尺度構成法)を使って5分で可視化する
- nvidiaのgpuメモリが解放されない場合の解決方法
- ゲームアプリの「ドット絵」をディープラーニングで自動生成する
- Google翻訳における多言語間翻訳の仕組みを転用して、応答時のテンションが変わるチャットボットを作ってみた
- 機械学習チュートリアルまとめ
- VAEでキャラクターの設定を作る。
- 多変量正規分布の場合のKullback Leibler Divergenceの導出
- Microsoft のCustom Vision を使って遊んでみると想像以上に凄そうなサービスだった
- 行列微分のコツ
- R, Python, SAS, SPSSをヨーロッパのデータサイエンティストの視点で比べてみた
- 初めてのTensorFlow(改訂版)- 線形回帰とロジスティック回帰
- 安倍政権による北朝鮮ミサイル打ち上げ関与の陰謀論をデータから検証してみた
- 単語分散表現のためのダウンローダを作りました
- 【翻訳】scikit-learn 0.18 User Guide 1.11. アンサンブルメソッド
- 3×3 畳み込みフィルタ 結果画像
- HTMLファイルで動作するWord2Vecもどきを作った
- TensorFlowを使ってDir en greyの顔分類器を作ってみた – ①紹介編
- GANで犬を猫にできるか~cycleGAN編(1)~
- Excelで作る人工知能
- なぜニューラルネットはSVMに勝てないのか
- 機械学習について
- TensorFlowを使ってぐるなびの株価の終値の上下を予測してみた(途中経過)
- visual studioでtensorflow
- 【iOS 11】開発者ドキュメントから見る iOS 11 の新機能 #WWDC17
- 口コミのdoc2vecを用いたリコメンデーションシステムの構築
- C#でTensorFlowのCNNを動かす。
- ローカル環境をよごさずに Jupyter で python コードが動く環境を手軽につくる方法
- サービスのエンゲージメントをDAU/MAU比率で計測、可視化、予測まで5分でやってみた
- 週刊少年ジャンプの短命作品を,機械学習で予測する (後編:学習と評価)
- iOS11のcoreMLで物体認識(VGG16)を実装してみる(3分クッキング)
- コロナ社「文脈解析」本のレビュー
- Python vs Ruby 『ゼロから作るDeep Learning』 まとめ
- マーケティング・キャンペーンのROIをGoogleが開発したCausal Impactをつかって5分で計測してみる
- 【iOS 11】【Core ML】pip install coremltools でエラーになった場合の対処法
- ITエンジニアのための機械学習理論入門読了者が Kaggle やってみた
- ディープじゃないディープラーニングをperlのPDLのみで超簡単実装してみた
- Watson Assistant(旧 Conversation)で行こう ②ホテル予約 チャットボットを作る
- Unity上でTensorFlowのCNNを動かす。
- 機械学習を学ぶ上で個人的に最強と思う教科書
- シンプルなNNで 学習失敗時の挙動と Batch Normalization の効果を見る
- Udemyで学べる機械学習を全部見てみたんで、お勧め報告
- KerasのstatefulなRNNを使って、wavファイルを元にして自動作曲できないか試してみた
- シンプルなNNで SeLU と eLU と ReLU を見比べてみる
- Kerasでのim2txtの実装系
- macOS Sierraでtensorflowの新しいObject Detection APIを試してみた
- Core ML+Visionを用いた物体認識の最小実装
- Kerasを用いたCIFAR-10チュートリアル
- Watson Assistant(旧 Conversation)で行こう ③コンテキスト(Context)を活用した、ホテル予約チャットボット
- 機械学習で共有スペース利用状況の解析
- 畳み込みニューラルネットの規模と正答率の実験
- 機械学習の超初心者が、みんなが良いと言う記事を読んでまとめてみた
- 最新ディープラーニングアルゴリズムを使って物体検出のチュートリアルを動かしてみた
- 【入門者向け解説】TensorFlowチュートリアルMNIST(初心者向け)
- CVAEによるキャラクターの台詞の生成と、口調変換
- KerasのモデルとTensorFlowの最適化でWasserstein GANを学習する
- 途中分岐するニューラルネットワークの書き方と精度
- 【入門者向け解説】TensorFlow基本構文とコンセプト
- 「自然言語処理シリーズ」まとめ(コロナ社)
- Chainerのレポーティング機能についてまとめてみる
- データサイエンティストを目指して勉強するなら、Kaggleからはじめよう
- SONY謹製DeepLearningライブラリNNablaでCifar10実装してみたヅラ【ニッポン万歳】
- Keras + iOS11 CoreML + Vision Framework による、ももクロ顔識別アプリの開発
- MNISTでハイパーパラメータをいじってloss/accuracyグラフを見てみる
- 楽曲生成ニューラルネットワークを作った話
- DeepLearningで楽曲特徴量を抽出し、タグを予測する
- TensorFlowのiOSサンプルの実行手順(2017年7月現在)
- Lua版 ゼロから作るDeep Learning まとめ
- 『データサイエンティストとマシンラーニングエンジニアはKaggleやれ』というのは何故なのか
- Webエンジニアがやりたいことドリブンで機械学習に入門してみた
- 機械学習、深層学習のプラットフォームの整理
- R で 巨大な Bayesian networks を扱う
- Webカメラで撮った画像中の数字を判別する
- KerasモデルをCloud ML Engineで学習してOnline Predictionしてみた
- 【随時更新】マシンラーニングエンジニアが機械学習、統計学のおすすめ本を紹介する
- 高速な Convolution 処理を目指してみた。 Kn2Image方式
- Convolution処理の手法 Im2Col方式の図解
- 自前のDeep Learning用のデータセットを拡張して水増しする
- ハミルトニアンモンテカルロ法
- XGBoost/LightGBM のGPUサポート状況調査とベンチマーク
- 【TensorBoard入門】TensorFlow処理を見える化して理解を深める
- 不均衡データに対するClassification
- 【ニューラルネットワーク】Dropout(ドロップアウト)についてまとめる
- 【入門者向け解説】TensorFlowチュートリアルDeep MNIST
- DCGANで画像の自動生成
- 【入門者向け解説】畳み込み処理入門(TensorFlowで説明)
- KerasでLSTM AutoEncoderを実装する
- Chainerでアニメキャラクターの顔画像を分類する
- Kerasはfunctional APIもきちんと理解しよう
- Class activation mappingを用いたCNNの可視化
- Kerasで最短で強化学習(reinforcement learning)する with OpenAI Gym
- 機械学習を英語ビデオで学ぶサイトまとめ
- OpenAIの標準強化学習アルゴリズムPPOを試す
- iOSの機械学習フレームワークの比較 – Core ML / Metal Performance Shaders (MPSCNN) / BNNS
- AWS EC2のスポットインスタンスでGPU版tensorflowを動かす
- 仮想通貨取引所のPoloniexからAPI経由でデータ取得し、ディープラーニング(Chainer)で翌日の価格予測をしよう
- KerasでLSGAN書く
- Variational Autoencoder徹底解説
- kerasのmnistのサンプルを読んでみる
- 「Python 機械学習プログラミング」まとめノート(Jupyter)
- 機械学習超入門
- scikit-learnとflaskで簡単な機械学習✕Webアプリ
- 類似顔検索を半日で実装する
- コロナ社「構文解析」本のレビュー
- データサイエンティスト・データエンジニアのための Python ライブラリ一覧
- 機械学習の論文を読んでみたいけど難しそう、という時に見るサイト
- メガネな人を見つめてくれるWebカメラ
- 「ベクトルで微分・行列で微分」公式まとめ
- k近傍法とk平均法の違いと詳細.
- 音声認識をカスタマイズできるMicrosoftのCustom Speech Serviceの使い方
- Microsoftの音声認識技術を本気で検証してみた
- Tensorflowにおける各種演算まとめ
- Keras チュートリアル
- 機械学習の情報収集に役立つ13のメルマガ
- 一から始める機械学習(機械学習概要)
- ごちうさしか見たことない人がけもふれを見るとどんなコメントをするのか,コメントだけで機械はチノちゃんを認識できるのか
- 論文メモ:Virtual Adversarial Training
- KerasでCNNを簡単に構築
- 論文メモ:Understanding Black-box Predictions via Influence Functions
- Windows版Anaconda上でTensorFlow +JupyterNotebook +Matplotlib の環境構築(2017年8月版)
- 自力で機械学習の訓練画像データを収集する(Google Custom Search API ピカチュウ編)
- 台詞発話時の表情を自動判定する
- Kaggle – Instacart上位陣解法まとめ
- 機械学習における、定型的な作業を自動化する
- 【プログラマーのための統計学】 度数分布とヒストグラム
- 【プログラマーのための統計学】目次 – データサイエンス
- 初めての深層学習ロードマップ [随時更新&文献追加 予定]
- はじめてのdeeplearn.js
- crystal でレコメンドエンジンを作った話
- 【プログラマーのための統計学】平均値・中央値・最頻値
- 【プログラマーのための統計学】箱ひげ図
- ゼロから作るDeepLearning by Rust(第三章まで)
- 機械学習を半自動化するauto-sklearnの環境構築(Mac&Docker)
- TensorFlowの基本的な関数をXORゲートを学習するニューラルネットワーク作成してまとめてみる
- 【プログラマーのための統計学】分散と標準偏差と変動係数
- 囲碁プロ棋士の棋譜を眺める
- Kerasで実践的な為替予測をしてみたかった(RNN編)
- 自力で機械学習の訓練画像データを収集する(Tumblr API 吉岡里帆編)
- コスト関数を解読する
- データシティ鯖江のオープンデータを使って水位計の値を機械学習で予測してみる パート2
- 機械学習によるギター画像の分類 その1
- (保存版:ど素人向け) 機械学習/データ分析 読むべき記事リスト by Team AI
- hyperoptって何してんの?
- 文系エンジニアがCourseraの機械学習コースを1ヶ月で修了したので振り返ってみました。
- (保存版:随時更新)データ分析ハッカソンやる時の便利なチュートリアル集 by Team AI
- 速報 : カナダで強化学習中心の深層学習ビデオコースが無料公開
- 正規分布間のKLダイバージェンス
- 機械学習によるギター画像の分類 その2 ~ 学習データへのノイズ付与による識別のロバスト性向上
- 典型的な DP (動的計画法) のパターンを整理 Part 1 ~ ナップサック DP 編 ~
- sklearn.feature_selection による特徴量選択
- 720万手をディープラーニングで学習したオセロAIをChainerで作ってみた

Androidに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

AWSに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Bitcoinに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

CentOSに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

dockerに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

GitHubに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Goに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Javaに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

JavaScriptに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Laravelに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Pythonに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Rubyに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Scalaに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Swiftに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Unityに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Vue.jsに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

Wordpressに関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。

機械学習に関する現役のエンジニアのノウハウ・トレンドのトピックなど技術的な情報を提供しています。コード・プログラムの丁寧な解説をはじめ、初心者にもわかりやすいように写真や動画を多く使用しています。