インターネットイニシアティブ（IIJ）は7月27日、資料「AI・ChatGPTとの“業務上”の付き合い方」を無料公開した。同社のエンジニアで、広報部の堂前清隆副部長が作成。自身が登壇したセミナーで使った資料で、「IT業界以外の方にも話を聞いてもらう前提でまとめたもの」という。 米OpenAIが提供するAIチャットサービス「ChatGP」などにも利用されている、大規模言語モデル（LLM）の利用方法や、動作の仕組み、特徴、注意点などを紹介。今後登場すると予測できるLLMや、LLMを利用したサービスに対する見解も掲載している。一部の内容については、デモ動画による紹介も行っている。 堂前副部長は「今後AIはさまざまな用途で使われるようになると思う。特にLLMは『汎用的なAI（強いAI）』の基礎として発展するのではないか」と指摘。「今は人間との対話（チャット）用途ばかりが強調されているように感じるが

データドリブンにプロダクトを改善していきたい、とはどんなプロダクトマネージャーでも志すことですが現実には上手く行かないこともあると思います。その時に、参考になる動画を見つけたので紹介します。 Product School のチャンネルで公開されている Webinar: Top 10 Digital Analytics Mistakes by Amplitude's Adam Greco and WillowTree's Jeremy Stern です。登壇者の Adam Greco さんは Amplitude という分析プラットフォームの Product Evangelist 、 Jeremy Stern さんは WillowTree というプロダクトでのデータ活用を支援するコンサルティングサービスの Director of Product Analysis を担当されています。動画の見ど

1. 初めに Google Colabratoryの利用に有用なTipsを纏めます。 2. Google Drive マウント Google Colabでは、仮想環境の/content/にファイルが生成・保存されます。 例えば、自前の写真データセットを使いたい時を考えましょう。　/content/にデータセットを直接にアップロードする代わりに、そのデータセットを事前にGoogle Driveのどこかに入れてから、Google Driveをマウントします。そして、Google Driveの写真データセットのフォルダーを指定したほうが使いやすいです。 下記にサンプルコードを掲載します。 from google.colab import drive drive.mount('/content/drive') #Datasets Dir (例) base_dir = '/content/drive

本記事では、データサイエンティスト、AIエンジニアの方がPythonでプログラムを実装する際に気をつけたいポイント、コツ、ノウハウを私なりにまとめています。 AIエンジニア向け記事シリーズの一覧 その1. AIエンジニアが気をつけたいPython実装のノウハウ・コツまとめ（本記事） その2. AIエンジニアが知っておきたいAI新ビジネス立案のノウハウ・コツまとめ 2020年4月に書籍を、出版しました。 【書籍】 AIエンジニアを目指す人のための機械学習入門 実装しながらアルゴリズムの流れを学ぶ（電通国際情報サービス 清水琢也、小川雄太郎 、技術評論社） https://www.amazon.co.jp/dp/4297112094/ 本投稿は、上記の書籍に書ききれなかった 「AIエンジニアが、Pythonでプログラムを実装する際に気をつけたいことのまとめ」 です。 本記事の内容は、あくまで筆

概要 WEB系のサービスで色々な試作を実施した後に効果を検証するのは非常に重要だと思いますが、 そのやり方として基本的な統計学が十分に使えると思っています。 今回は基本的な統計学からビジネスで使える試作の効果検証、データ分析を目的にPython+JupyterLab(Docker)を使った統計的データ分析のやり方をまとめました。 また今回使ったnotebookは以下にもありますのでご参考ください。 https://github.com/hikarut/Data-Science/tree/master/notebooks/statisticsSample 環境 以下を参考にDockerでJupyterLabが使える状態を前提とします。 Dockerで起動したJupyterLabでvimキーバインドを使う

機械学習でアルゴリズムを構築する上で重要なのが「データセット」です。アルゴリズムの精度を上げるためにはより多くのデータと時間が求められますが、十分に大規模なデータセットを集めたり探したりするのは機械学習を行う上で特に苦労するポイント。そんなデータセットをオンライン上から検索できる「Dataset Search」の正式版をGoogleが公開しました。 Dataset Search https://datasetsearch.research.google.com/ Discovering millions of datasets on the web https://blog.google/products/search/discovering-millions-datasets-web/ Dataset Searchにアクセスするとこんな感じ。 データセットを検索するには、入力欄に検索した

概要 プログラミングをする際には、APIリファレンスやソースコードのコメントなどを英語で読むことが求められます。場合によっては英語で関数名を付けたり、ちょっとしたマニュアルを書いたりする機会もあります。ただしプログラミング時に求められる英単語は、一般的な英語で求められる英単語とは異なります。 本必須英単語リストでは、プログラミング時に求められ、特に目にすることが多い英単語を以下のカテゴリーに分けて選定しています（注1）。プログラミング英語の学習や知識確認にご活用ください。

※お試しAI翻訳については利用規約をご確認の上ご利用ください ※お試しAI翻訳の技術の一部は、国立研究開発法人情報通信研究機構(NICT) の研究成果を利用し、株式会社みらい翻訳にて製品化したものです。

英語で「了解」はこんな風に表現できます！ O.K. （了解 / 承知しました / よろしい） I got it. （分かりました / なるほど / 理解しました） I understand. （理解しました / 了解しました） No problem. （分かりました引き受けましょう） 「分かりました」「了解です」のような、承諾・了承・肯定を意味する返答の言い方・表現方法は、いろいろ種類があります。代表的な表現といえば「O.K.」。これは日本語の中でもよく使われますね。 O.K. は英語でも、おおむね日本語の「オッケー」と同じニュアンスで使えます。使いどころが幅広く、そしてカジュアル寄りの表現です。 英語の「肯定に使う返答」のフレーズにも、場面に応じた適切な表現があります。意味の違いを理解した上で適切に使い分けられるようになりましょう。 「確認」や「承認」の意味で「わかりました」と伝える英語

どのようにデータ基盤を作ったのか？「俺の考えた最強のデータ基盤」は使われない：開発現場に“データ文化”を浸透させる「データ基盤」大解剖（3）（1/2 ページ） 「ゼクシィ縁結び・恋結び」の開発現場において、筆者が実際に行ったことを題材として、「データ基盤」の構築事例を紹介する連載。今回は、「データ基盤」の開発プロセスについてお伝えします。 「使われるデータ基盤」を構築するために筆者が取り組んだ試行錯誤を紹介する本連載『開発現場に“データ文化”を浸透させる「データ基盤」大解剖』。前回はデータパイプラインを支える基盤システム設計について解説しました。第3回となる今回は開発プロセスについてお伝えします。 なお、技術要素としてはPythonやBigQuery、ツールとしてGitHubやJIRAを扱いますが、他の手段でも代替可能な内容です。細部にとらわれずにご自身の担当する業務や組織に当てはめながら

今までも、いくつか拡張機能は使っていたものの、大部分は使わずに過ごしていたため、食わず嫌いはいけないな・・と思いドキュメント読みながら使ってみてまとめます。 まえおき 拡張機能（nbextensions）自体や、過去の記事で触れたHinterlandやTable of Contents (2)などはそちらの記事（Jupyter 知っておくと少し便利なTIPS集）をご確認ください。 結構抄訳などしています。（浅く広く。詳細はドキュメントに任せるとして、こんな拡張機能あるのか、程度にご使用ください） nbextensionsを入れたときに最初から入っている拡張機能を対象とします。 全部といっても、nbextensionsの設定画面を表示するための拡張機能だったり、基本的にデフォルトで有効で、且つ変えることがほぼなさそうなものは割愛します。 環境は「Python 3.6.5 :: Anacond

こんにちは。開発部門HR（技術人事）を担当しているOKANO@奈良出身です。前回はぐるなびの新卒研修がどのようなものなのかを紹介しました。 今回はこの1年開発部門の中で開催してきた、ベテラン若手問わずに参加ができるエンジニア勉強会の取り組みについてお話したいと思います。 数ある職種の中でも、エンジニアは特に学び続けることが必要な職種のひとつだと僕は思います。毎日のように更新される技術ブログや新規技術の記事に目を通しているだけで時間が瞬く間に経過していきます。 個人が学んだことを組織内で共有し合える環境は、参加者同士で刺激を受けられて一人でもくもくと学ぶよりも自分の中への落とし込みも多いもの。 そんな組織的な学びの環境を作りたいなぁと思っている方の参考になるとうれしいです。 2017年3月〜2018年2月に開催した勉強会 ぐるなびの勉強会文化 ぐるなびで、勉強会はなぜ定着しなかったのか 勉強

イギリスの公共放送局BBCは「BBC Sound Effects」を立ち上げ、1万6000種類以上という膨大な量の音源素材の提供を開始した。 サイトではキーワード検索でお目当ての素材を探せるようになっており、非圧縮のWAVファイルをダウンロードすることも可能です。 1922年にラジオの放送を開始したBBCは、およそ100年にも及ぶ活動の中で膨大な音素材を蓄積してきました。BBC Sound Effectsはその名が示すとおり、数々の素材の中からサウンド･エフェクトとして利用できる音源の提供を行うサイトです。 素材はRemArcライセンスで提供されており、著作権はBBCが所有しますが個人利用や教育利用、そして研究用途においては自由に… 続きはソース元で http://gigazine.net/news/20180421-bbc-sound-effects/ BBC Sound Effects

アライアンス事業開発部の大曽根(@dr_paradi)です。 ニュースパスというアプリの分析と開発を行っております。 今回は機械学習の評価関数のお話をします。 内容は、【FiNC×プレイド】Machine Learning Meetup #1 - connpassで発表したものになります。 発表資料 いまさら聞けない機械学習の評価指標 from 圭輔 大曽根 www.slideshare.net 機械学習における評価 現在は機械学習ライブラリが充実しており、また、Webサービスの普及により学習に必要なデータの獲得も以前と比較して容易になっています。 そのため、機械学習のビジネス利用への敷居が下がっています。 予測や分類といった問題を解く際には、設定した課題に対してどのモデルが最も適しているかを評価するための指標(評価関数)が必要になります。 Kaggle*1などのコンペティションではあらか

こんにちは、ほけきよです！ 機械学習の基本は教師あり学習です。 でも、実際の現場ではいろいろ指標が出てきて「?」 ってなるので、一回本気でまとめてみることにしてみました！ 教師あり学習の分類 二値分類 用語一覧表 図解 事例 事例1:果物の分類 事例2:ガンかどうかの検査 ROC曲線の意味合い 指標まとめ 多クラス分類 precision, recall, F-measure accuracy logarithm loss 出力が数値(回帰) 用語一覧 二乗誤差(MSE, RMSE)と絶対誤差(MAE)の使い分け AICとBIC, wAICの使い分け 時系列問題 参考になりそうなサイト 教師あり学習の分類 今回は正解はカテゴリか意味を持つ数字かで場合分けをしてみた。 全体の指標のサマリーはこんな感じ(だと思っている。) ※他にも大事な指標があるよ&これは間違っているのでは？？ というコメン

機械学習のデータセットの重要性についての私見を以下に述べます。 （「じゃあ、他の手法と比べてみたときにどうなんだ？」に付記として書いていた内容に追記して独立の記事に書き換えたものです。） さまざまな機械学習の例題を見つけて実行すると、web上にある十分によく使われているデータセットを使うことになる。国内外の研究所や大学や一部の企業が公開したデータの作成者は、その分野の機械学習の専門家であり、学習や評価に足りるだけの力を尽くしたデータセットになっています。そのデータを用いて、web上に書かれたよいサンプルプログラムをそのまま実行してみると、とても簡単にそれなりの結果が得られるので、機械学習はとても簡単なことだと勘違いしてしまうことがあるかもしれません。しかし、実用水準の機械学習結果を作り上げるには、独自の学習データの収集が有効だということを知る価値があります。空港でパスポートの写真と顔照合す

tenkinoarekore.com 2023 著作権. 不許複製 プライバシーポリシー

この記事は個人の見解であり、所属する組織の公式見解ではありません。 背景 チームのリーダーや組織のマネージャーになると、パートナー会社との仕事の進め方にも気を配らなくてはならなくなります。契約の結び方や仕事のお願いの仕方、それらのちょっとした思い違いが、思いがけないリスクになることもあります。とはいえ、そういった知識をエンジニアが改めて学ぶ機会というのは、なかなかないのではないでしょうか。 この記事では、新たにチームのリーダーや組織のマネージャーになったエンジニアに向けて、パートナー会社と上手に仕事を進める上で知っておきたい「請負契約」「準委任契約」「労働者派遣契約」の知識を、主に発注側の視点から解説します。 ショートストーリー１ 佐藤先輩「山田くん」 山田くん「あ、佐藤先輩。おつかれさまです」 佐藤先輩「例のプロジェクトのリーダーになったんだって？」 山田くん「そうなんですよ。今日もこれ

第30回 データマイニング+WEB ＠東京　( #TokyoWebmining 30th) －機械学習活用・マーケティング 祭り－ http://tokyowebmining30.eventbrite.com/ 4番目の発表です。読んで字の如く、計量時系列分析をビジネスの現場のデータに対してどう用いると有意義かを論じます。