機械学習と公平性
1 2 3 4 The field of study that gives computers the ability to learn without being explicitly programmed. — A. L. Samuel ※ Programming computers to learn from experience should eventually eliminate the need for much of this detailed programming effort. — A. L. Samuel [Samuel 59] The field of machine learning is concerned with the question of how to construct computer programs that automatically im
はじめに こんにちはGunosy Tech Labの森本です。現在MLOps基盤を再整備しています。そこで調査した海外Tech企業の事例やMLOpsのフレームワークを紹介します。 Gunosy Tech LabのMedia MLチームではニュースアプリ（グノシー、ニュースパス、ルクラ）やクーポンアプリ（オトクル）の推薦アルゴリズムの改善を中心に機械学習を活用してアプリのサービス改善を日々行っています。過去にはチームが独立しており開発者も少数であったことから各チームがJupyter Notebook等でオフライン実験を行い、良い結果のものは本番環境に適用するためプロダクションコードを書き、レビューを行い、本番環境でA/Bテストするという流れでした。最近は開発者の人数も増え横断的にアプリのサービスを改善しているので、より効率的なMLOps基盤が求められています。 はじめに MLOpsとは 実現
ゴールデンウィークなのでGoogle App Engineに機械学習のモデルをdeployして遊んでみた (using TensorFlow 2.1) | DevelopersIO
こんにちは、ゴールデンウィークはしっかりステイホームしているMr.Moです。 GWに何をやろうかなーと思っていたら目の前にApp Engineと機械学習のモデルがあったので遊んでみました！ Google App Engineとは 下記に詳しい記事があるのでご参照ください！ https://docs.google.com/presentation/d/1trxz4_ksRyHdj2cAGVKiy3gtx7q1-AE06XbzLraBD44/htmlpresent https://dev.classmethod.jp/articles/gae-webapp/ なぜGAEなのか？ App Engine無しでは生きていけない体になっているからです。（笑） あとはやっぱり無料で動かせないかと思いまして... 最低限必要なもの Google Cloud Platformにログインできるアカウント 機械
公平な機械学習へ向けての技術と課題 - Qiita
はじめに Machine Learning Summer School 2020 でなされた、機械学習の公平性についてのレクチャー(by Prof. Moritz Hardt)が面白かったので勉強用にノートを残します。もとのレクチャーの動画はYoutubeに公開されています。この記事内で引用しているスライドは特に指定しない限り、レクチャーのスライドから引用しています。 Link集 [動画Part1][動画Part2][スライド] TL;DR 「センシティブ情報はデータに含まれないから差別していない」は通用しない センシティブ情報を保護するために満たすべき基準が提案されている しかし、これは差別的扱いを完全には防げない 特に、データのSelection Biasがあると、差別的な扱いにつながってしまう 因果関係を考慮した基準ならSelection Biasがあっても差別的な扱いをある程度は防
知識ベースの自然言語処理への活用
招待講演: 第22回音声言語シンポジウム兼第7回自然言語処理シンポジウム https://www.ipsj.or.jp/kenkyukai/event/nl246slp134.html
Optuna の拡張機能 LightGBM Tuner によるハイパーパラメータ自動最適化 - Preferred Networks Research & Development
Optuna 開発メンバの小嵜 (@smly) です。この記事では Optuna の拡張機能として開発している LightGBM Tuner について紹介します。 LightGBM Tuner は LightGBM に特化したハイパーパラメータ自動最適化のためのモジュールです。Pyhton コードの import 文を 1 行変更するだけで簡単に利用できます。LightGBM Tuner はエキスパートの経験則を自動化しコードに落とし込むことで、従来より短い時間で最適なハイパーパラメータを探索できます。また記事の後半では従来手法と比較したベンチマーク結果についても紹介します。ベンチマークをとることで、従来の方法と比較して効率的に探索できることを確認しました。 ナイーブな LightGBM のハイパーパラメータチューニング LightGBM は勾配ブースティング法の高速な実装を提供する人気の
TechCrunch
CesiumAstro alleges in a newly filed lawsuit that a former executive disclosed trade secrets and confidential information about sensitive tech, investors and customers to a competing startup. Austin-b
エムスリーエンジニアリンググループ AI・機械学習チームの中村(@po3rin) です。 好きな言語はGo。仕事では主に検索周りを担当しています。最近、ユーザーの検索体験の向上のために、以下の検索評価に関する本を読んでいました。 情報アクセス評価方法論 作者:酒井 哲也発売日: 2015/05/19メディア: 単行本 そこで今回は検索評価指標の1つであるsDCG (session-based Discounted Cumulative Gain)を使ってエムスリーの検索ログから体験の悪かった検索を抽出してみたのでその方法を紹介します。 現状の検索監視 現状の検索監視の問題 nDCG sDCG 線形横断 最下位クリックにおける検索結果の破棄 クリック＝適合文書 nsDCGを実際の検索ログに使ってみる sDCGを使って感じたこと まとめ We're hiring !!! Reference 現
はじめに Deep Learningを使った距離学習（Metric Learning）では、Contrastive LossやTriplet Lossなどを用いて、画像間の類似性（や非類似性）を直接学習していく方法が広く利用されていますが、学習データの組み合わせや選び方が難しく、学習自体が難航するケースが多い事も知られています。それだけに、これまで様々な改良と工夫が提案されています。 しかし、最近はこのような学習データ選びに難航することなく、一般的なクラス分類タスクの感覚で、Softmax関数をベースに学習できるMetric Learningが注目を浴びています。ArcFaceなどはその代表的手法でこちらで詳しく説明されています。 Softmax関数をベースにしたMetric Learningがうまくいく理由、またさらなる改良の余地はあるのか？これらに関して少し紹介しようと思います。 Ce
Microsoftが「ML.NET 1.5.2」を公開、.NET開発者向け機械学習フレームワーク：ONNXエクスポートなどの機能も強化 Microsoftは、.NET開発者向けのオープンソース機械学習（ML）フレームワークの最新版「ML.NET 1.5.2」を公開した。Model Builderツールで「Azure ML」を使ってオブジェクト検出モデルをトレーニングできるようになった他、ML.NET CLIで画像分類モデルをローカルでトレーニングすることも可能になった。 Microsoftは2020年9月25日（米国時間）、オープンソースの.NET開発者向けクロスプラットフォーム機械学習（ML）フレームワークの最新版「ML.NET 1.5.2」を公開した。 ML.NETでは、.NETエコシステムから離れることなく、MLやデータサイエンスの経験が乏しい開発者でも、.NETアプリケーションにM
CEDEC2019での登壇資料です。 奥村純（株式会社ディー・エヌ・エー） 三宅陽一郎（株式会社スクウェア・エニックス） 長谷洋平（株式会社バンダイナムコスタジオ） ゲームと機械学習の最前線 〜現状と未来を正しく捉えるために〜 CEDEC2019: The Frontier of Game development and Machine Learning https://cedec.cesa.or.jp/2019/session/detail/s5c9b199a29c68
コンピュータビジョンの最新論文調査 2D Human Pose Estimation 編 | BLOG - DeNA Engineering
はじめに こんにちは、AIシステム部でコンピュータビジョンの研究開発をしている加藤です。我々のチームでは、常に最新のコンピュータビジョンに関する論文調査を行い、部内で共有・議論しています。今回は 2D Human Pose Estimation 編として加藤直樹 ( @nk35jk ) が調査を行いました。 本記事では 2D Human Pose Estimation に関する代表的な研究事例を紹介するとともに、2019年10月から11月にかけて開催されたコンピュータビジョンのトップカンファレンスである ICCV 2019 に採録された 2D Human Pose Estimation の最新論文を紹介します。 過去の他タスク編については以下をご参照ください。 Human Recognition 編 (2019/04/26) 3D Vision 編 (2019/06/04) キーポイント検
Text Classification: All Tips and Tricks from 5 Kaggle Competitions
In this article, I will discuss some great tips and tricks to improve the performance of your text classification model. These tricks are obtained from solutions of some of Kaggle’s top NLP competitions. Namely, I’ve gone through: Jigsaw Unintended Bias in Toxicity Classification – $65,000 Toxic Comment Classification Challenge – $35,000 Quora Insincere Questions Classification – $25,000 Google QU
LINE社内でのサービス横断データ活用の取り組み「Feature as a Service」の全体像 Feature as a Service at Data Labs #1/2 2019年11月20、21日、LINE株式会社が主催するエンジニア向け技術カンファレンス「LINE DEVELOPER DAY 2019」が開催されました。20日は「Engineering」をテーマに技術的な内容のセッション、21日は「Production」をテーマに実践的な内容のセッションを多数取り揃え、LINEのエンジニアリングにおける知見を各プロダクトのキーマンがシェアします。「Feature as a Service at Data Labs」に登壇したのはLINE Machine LearningチームのChaerim Yeo氏。データ専門研究開発組織「LINE Data Labs」での機械学習の特徴量
i.am.ai AI Expert Roadmap Roadmap to becoming an Artificial Intelligence Expert in 2022 Below you find a set of charts demonstrating the paths that you can take and the technologies that you would want to adopt in order to become a data scientist, machine learning or an AI expert. We made these charts for our new employees to make them AI Experts but we wanted to share them here to help the commun
人工知能（AI）が半導体設計に革新をもたらし始めた。米グーグルは中核の回路配置工程にかかる時間を従来より100倍早くし、膨らむ開発費の抑制につなげる。カギを握るのは、AI自身が試行錯誤して「職人」を圧倒する技を身につける「強化学習」と呼ぶ技術だ。物流などの分野でも導入が広がりつつあり、生産性の大幅向上が期待される。設計者の労力を何千時間も節約できる可能性がある――。グーグルの研究グループは6月
開発効率とサービス競争力を上げる 機械学習のために整備した「3種類の特徴量」について解説 Feature as a Service at Data Labs #2/2 2019年11月20、21日、LINE株式会社が主催するエンジニア向け技術カンファレンス「LINE DEVELOPER DAY 2019」が開催されました。20日は「Engineering」をテーマに技術的な内容のセッション、21日は「Production」をテーマに実践的な内容のセッションを多数取り揃え、LINEのエンジニアリングにおける知見を各プロダクトのキーマンがシェアします。「Feature as a Service at Data Labs」に登壇したのはLINE Machine LearningチームのChaerim Yeo氏。本パートでは、データ専門研究開発組織「LINE Data Labs」で提供している3つ
[AAAI2021採択論文] 深層学習による株価予測 - Preferred Networks Research & Development
こんにちは。エンジニアのいもす (今城 健太郎) です。現在、投資ファンドを作るため金融時系列の予測モデルの研究開発を行っています。その予測モデルについて、PFN の今城健太郎・南賢太郎・伊藤克哉と野村アセットマネジメント株式会社の中川慧氏が共同で執筆した論文が、人工知能分野における世界トップクラスの国際会議である AAAI 2021 に採択されました。 今回採択された論文 Deep Portfolio Optimization via Distributional Prediction of Residual Factors では、深層学習を用いたポートフォリオ最適化を、様々な金融時系列の性質を帰納バイアスとして導入することで改善する手法を提案しました。本記事では、深層学習のモデル設計という観点でどのような面白さがあるかに触れつつ、採択論文について簡単に紹介します。 はじめに: 帰納バイ
![[AAAI2021採択論文] 深層学習による株価予測 - Preferred Networks Research & Development](https://cdn-ak-scissors.b.st-hatena.com/image/square/f5c641375ef30b37aca5e7d60b9ebd17be44d897/height=288;version=1;width=512/https%3A%2F%2Ftech.preferred.jp%2Fwp-content%2Fuploads%2F2020%2F12%2Fblog-fig3.png)
不確実性を考慮した予測が可能と噂の NGBoost の論文を読んでみたので、全体のながれをまとめて見ました。加えて自分でも NGBoost を実装して、その結果を載せています。 元の論文 NGBoost: Natural Gradient Boosting for Probabilistic Prediction はこちら https://arxiv.org/abs/1910.03225。 Introduction 一般的な教師あり学習を考えます。このとき予測モデルは入力データ $X$ に対して予測値 $y$ を出力するように学習していきますが、たいていのモデルではひとつのデータに対しては予測値はひとつしか得ることができません。 例えばウェブ上の行動履歴から、ユーザーの年齢を予測してください、という問題があったとすると、ユーザーの期待される年齢そのものを返すようなモデルがそれに当たります。
The selection of areas and methods is heavily influenced by my own interests; the selected topics are biased towards representation and transfer learning and towards natural language processing (NLP). I tried to cover the papers that I was aware of but likely missed many relevant ones—feel free to highlight them in the comments below. In all, I discuss the following highlights: Scaling up—and down
プレスリリース Gunosyの研究論文が推薦システムに関する国際会議「RecSys 2019」にて採択 株式会社Gunosy（本社：東京都港区、代表取締役CEO：竹谷祐哉、以下、Gunosy）は、Gunosy内の「Gunosy Tech Lab（読み：グノシー テック ラボ、以下、同ラボ）」にて、「推薦システムのためのマルチリービング手法の提案」（原題：Greedy Optimized Multileaving for Personalization）の研究結果を発表した論文が、推薦システムに関する国際会議 The ACM Conference Series on Recommender Systems (RecSys 2019)にShort Paperとして採択されたことをお知らせいたします。 RecSysは、推薦システムにおいて最も権威ある国際会議と言われております。第13回目となる2
マスクの下に隠れた顔をAIで補完する
1992年三重生まれ、会社員。ゆるくまじめに過ごしています。ものすごく暇なときにへんな曲とへんなゲームを作ります。 前の記事：逃げ回るQRコードを狙ってスキャン！QRコードシューティングゲーム ＞ 個人サイト ほりげー マスクのせいで顔がとにかく分からない コロナ禍で、マスクはもはや必需品となった。新しい生活様式というやつだ。 日頃お世話になっているマスクをもてなしたりもした。 当たり前だが、マスクをすると顔の下半分が隠れてしまう。もともとマスク(=mask)には「仮面」という意味や「隠す」という意味がある。マスクで顔が隠れるのは自然なことだ。 確かに、本来のマスクといえば、こっちのような気がする。（こーだいさん: 野菜に仮面をかぶせると心があるように見えるより） 何が言いたいかというと、感染予防のためにマスクをつける「新しい生活様式」では、人々はマスクという仮面をつけたままコミュニケーシ
ざっくり理解する分散表現, Attention, Self Attention, Transformer - Qiita
ざっくり理解する分散表現, Attention, Self Attention, Transformer機械学習DeepLearningAttentionbertTransformer はじめに 自己紹介 : Pythonでデータ分析とかNLPしてます。 Attention, Self Attention, Transformerを簡単にまとめます。 間違いがあったらぜひコメントお願いします。 モチベーション BERT(Google翻訳で使われてる言語モデル)を理解したい。 BERT : 双方向Transformerを用いた言語モデル。分散表現を獲得でき、様々なタスクに応用可能。 Transformer : Self Attentionを用いたモデル。CNNとRNNの進化系みたいなもの。 Self Attention : Attentionの一種。 Attention : 複数個の入力の内
There are millions of github repos and filtering them is an insane amount of work. It takes huge time, efforts and a lot more. We have done this for you. In this article we’ll share a curated list of 100+ widely-known, recommended and most popular repositories and open source github projects for Machine Learning and Deep Learning. So without further ado, Let’s see all the hubs created by experts a
Googleによる機械学習の実応用をテーマにしたCoursera の講義は、機械学習プロジェクトに携わるなら一度は見ておいても損はない
Googleによる機械学習の実応用をテーマにしたCoursera の講義は、機械学習プロジェクトに携わるなら一度は見ておいても損はない 2022-03-17 過去に執筆した記事1を見返していたら そういえば講師陣がめちゃくちゃ良いこと言ってるんだけど記事内に掲載してなかったなと思い、動画を見返すと今でも学びが多かったので、講義のスクリーンショットを見返しつつ筆をとってみた。 今見たら、日本語版の講義 How Google does Machine Learning 日本語版も公開されているので、興味の湧いた方はぜひ受講しましょう。Certificate を発行しないなら無料で受講できると思います。 講義内容の説明は、過去記事1で行っているので気になる方は御覧ください。 機械学習プロジェクトの努力の割当: 期待と現実 ML Surprise https://www.coursera.org/
GitHub - Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB: 💎1MB lightweight face detection model (1MB轻量级人脸检测模型)
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
Feature Attributions の監視：Google はいかに大規模な ML サービスの障害を乗り越えたのか | Google Cloud 公式ブログ
※この投稿は米国時間 2021 年 9 月 29 日に、Google Cloud blog に投稿されたものの抄訳です。 Google で起きた大規模 MLOps の危機クラウディ・グルシアは Google のソフトウェアエンジニアであり、何十億ものユーザーにコンテンツを推薦している機械学習（ML）モデルに関わっています。2019 年 10 月、彼は ML 監視サービスからアラートを受けました。モデルの特徴量（ここでは、この特徴量を F1 とします）の重要度が下がってきていたのです。この特徴量の重要度は、モデルの予測において、特徴量の影響の大きさを表す指標である「Feature Attributions」で計測されています。この重要度の減少とともに、モデルの精度が急激に低下していました。 このアラートを受け、彼はすばやくモデルを再学習させました。その結果、F1 の代替となる 2 つの特徴量
こんにちは、Mr.Moです。 Google Cloud Platform(GCP)にはたくさんの優れたサービスがありますがAI/ML系のサービスも熱いですね！Updateもガンガン来ているようなので現時点で情報をまとめておきたいと思います。 GCPのAI/ML系のサービス GCPでは多くのAI/ML系のサービスがリリースされていますが、今は大きく下記の2つで区別されているようです。 AI Building Blocks AI Platform AI Building Blocks AI Building Blocksには、カスタムモデルと事前トレーニング済みモデルの 2 種類があり、開発者は視覚認識能力、言語能力、会話能力、構造化データをアプリケーションに簡単に組み込めます。 事前トレーニング済みモデル 事前トレーニング済みのモデルをAPI経由で利用できるサービス群です。汎用的な機能でも良
Web Neural Network API
Web Neural Network API W3C Candidate Recommendation Draft, 5 May 2024 More details about this document This version: https://www.w3.org/TR/2024/CRD-webnn-20240505/ Latest published version: https://www.w3.org/TR/webnn/ Editor's Draft: https://webmachinelearning.github.io/webnn/ Previous Versions: https://www.w3.org/TR/2024/CRD-webnn-20240503/ History: https://www.w3.org/standards/history/webnn/ Im
GitHub - chris-chris/ml-engineer-roadmap: WIP: Roadmap to becoming a machine learning engineer in 2020
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
PyConJP 2019 二日目LT
概要ちょっとVtuberにおける光学式モーションキャプチャーの話をしたくなったのでします。 ただ、いうて自分は光学式モーションキャプチャーの運用経験はないし、モーションエンジニア？にはなろうと思って無いので、一般的な知識程度の話だと思ってください。 光学式モーションキャプチャーのハードルの高さまずは、光学式モーションキャプチャーを採用する事のハードルの高さについて説明します。 １．シンプルに高い 機材的な理由 光学式モーションキャプチャーはカメラから赤外線を照射して、体につけた反射材から反射された赤外線をカメラで捉える事によって位置を特定します。 カメラ１台が扱う情報は２次元(映像)なので、複数のカメラで反射材を捉える事によって２次元から３次元座標への変換を行い、２次元(映像)をモーションに復元しています。 この説明からも分かる通り…生のデータの精度はカメラの台数・カメラの解像度で決まるわ
日立製作所 研究開発グループ 自動運転研究部は、GPUによるCNN（Convolutional Neural Network：畳み込みニューラルネットワーク）処理において期待したような性能が出ない理由やその対処方法について、「DAシンポジウム2022 −システムとLSIの設計技術−」（情報処理学会 システムとLSIの設計技術研究会(SLDM)が2022年8月31日～9月2日に開催）で発表した。CNN処理は、ADAS（先進運転支援システム）や自動運転における画像認識でよく使われる演算である。 発表した日立の島村光太郎氏によれば、CNN処理をGPUで実行すると、その演算性能がGPUメーカー発表のピーク性能より桁違いに低い場合があるという（図1）。例えば、データセンターでの推論処理でよく使われている米NVIDIA（エヌビディア）のGPUカード「Tesla T4」の16ビット浮動小数点演算（FP1
こんにちは。BASE株式会社 DataStrategyに所属している齋藤(@pigooosuke)です。 先日、ショッピングアプリ「BASE」内の主要コンテンツである商品特集を自動で運用するように切り替えました。 今までは、「ワンピース特集」「ピアス特集」など、トレンド・テーマに沿った商品選定を人手で行い、全ユーザーに対して同一の配信をしていましたが、改善後はトレンドを捉えた特集コンテンツを自動で生成し、ユーザー別に最適化された特集を配信出来るようになりました。その結果、閲覧数の向上に繋げることが出来ました。 「BASE」ではレコメンドアルゴリズムを複数運用していますが、そのうち一部のモデルの応用により実現しましたので、その開発内容をお伝えしたいと思います。 特集について 「BASE」では特定のテーマに沿ってピックアップされた商品が特集としてリストアップされています。 BASEがセレクトし
講師からの講義より参加者同士の学び合い マスクド まず、AI Quest立案の背景を教えてください。 上出さん（経産省） 近年、AIやデータを使って企業の課題を解決できる人材が求められています。AI人材育成を加速させるには、参加者同士の学び合いによる拡大生産性のある育成プログラムの確立が必要と考えました。講師に依存するような形では、講師不足の問題がボトルネックになるからです。 実施に先立ち、中小企業のAI導入による生産性向上効果を分析しました。「機械などへのセンサー取り付けによる予知保全による費用最小化」「売上実績、気候などのデータ分析による需要予測」など、19のAI導入領域を特定し、その領域ごと、また業界ごとの経済効果を推計しました。AI Questの教材は、この分析に基づき、特にAI導入インパクトの大きい領域を優先して作成しています。 「理解度が下がった」という声と「満足度88％」が両
顔のみをアニメ風にして動画配信。動く人の顔を高品質に漫画化するスタイル転送技術「VToonify」【研究紹介】 | レバテックラボ（レバテックLAB）
静止画像ベースのスタイル転送のために設計されたアプローチは数多くあり、その多くはモバイルアプリケーションという形で誰でも簡単にアクセスできるようになった。また深層学習技術の出現により、ポートレートスタイルの自動転送を通じて、実顔画像から高品質のポートレートをレンダリングできるようになった。 この潮流は動画にも派生し、動画内の動くポートレートにもスタイル転送できるようになった。ここ数年、動画コンテンツは急速にソーシャルメディアの主役となり、ポートレートビデオのスタイル転送のようなビデオ編集に対する需要も増加した。 既存のビデオベースのスタイル転送技術の多くは、静止画像ベースのスタイル転送技術（StyleGANなど）を動画に適応したアプローチを採用しているため、固定のフレームサイズ、顔の位置合わせ、顔以外の詳細の欠落、時間的不整合など、出力結果の品質に制限があり、課題として残っている。 本研究
DreamBooth
DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation Nataniel Ruiz Yuanzhen Li Varun Jampani Yael Pritch Michael Rubinstein Kfir Aberman Google Research It’s like a photo booth, but once the subject is captured, it can be synthesized wherever your dreams take you… [Paper] (new!) [Dataset] [BibTeX] Abstract Large text-to-image models achieved a remarkable leap in the
Googleは、米国カリフォルニア州サンフランシスコで2020年2月16～20日に開催された「ISSCC 2020」において、機械学習（ML）を使用してIC設計で配置配線を行う実験を行ったところ、優れた成果を得られたと発表した。 AIを配置配線に活用 Googleは、米国カリフォルニア州サンフランシスコで2020年2月16～20日に開催された「ISSCC 2020」において、機械学習（ML）を使用してIC設計で配置配線を行う実験を行ったところ、優れた成果を得られたと発表した。これは、回路設計だけでなくAI（人工知能）分野にとっても、重要な成果である。 AIはここ数年間で、エレクトロニクス業界における最重要分野となり、膨大な量の半導体研究が行われ、ベンチャーキャピタルやメディアからの注目も集めている。ISSCC 2020は主題として、「Integrated Circuits Powering
Stanford CS 224N | Natural Language Processing with Deep Learning
Logistics Lectures: are on Tuesday/Thursday 4:30 PM - 5:50 PM Pacific Time in NVIDIA Auditorium. The lectures will also be livestreamed on Canvas via Panopto. Lecture videos for enrolled students: are posted on Canvas (requires login) shortly after each lecture ends. Unfortunately, it is not possible to make these videos viewable by non-enrolled students. Publicly available lecture videos and vers
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
MLOps 海外テック企業の事例とフレームワークの紹介 - Gunosyデータ分析ブログ
クエリ修正を考慮した検索評価指標sDCGを使ってユーザーの検索体験を監視をしたい - エムスリーテックブログ
Softmax関数をベースにした Deep Metric Learning が上手くいく理由 - Qiita
Microsoftが「ML.NET 1.5.2」を公開、.NET開発者向け機械学習フレームワーク
CEDEC2019: ゲームと機械学習の最前線 〜現状と未来を正しく捉えるために〜
LINE社内でのサービス横断データ活用の取り組み「Feature as a Service」の全体像
AI Roadmap
AIが半導体の「設計者」に Google、回路配置100倍早く - 日本経済新聞
開発効率とサービス競争力を上げる 機械学習のために整備した「3種類の特徴量」について解説
NGBoostを読んで、実装する。 - nykergoto’s blog
ML and NLP Research Highlights of 2020
Gunosyの研究論文が推薦システムに関する国際会議「RecSys 2019」にて採択｜株式会社Gunosy
100+ Best GitHub Repositories For Machine Learning
【2020年】GCPのAI/ML系のサービスまとめてみた | DevelopersIO
Pythonで、処理をより効率化するためのTips集
Vtuberにおける光学式モーションキャプチャーの話｜ねこみみマスター｜note
遅すぎるCNN処理、日立の自動運転研究部が原因と対処術を発表
特集コンテンツの自動生成とレコメンドサービスの取り組み - BASEプロダクトチームブログ
受講したら「理解度が下がった」？ 満足度88％、経産省が「AI Quest」で取り組むAI人材育成の今
IC設計にもAIを、配置配線が機械学習で加速化する
ソニーAI、トップドライバーを凌駕するAI「グランツーリスモ・ソフィー」
