Meta、画像から高レベルの抽象化を学ぶ機械学習モデル「I-JEPA」をリリース - BRIDGE（ブリッジ）テクノロジー＆スタートアップ情報
Meta のチーフ AI サイエンティスト Yann LuCan 氏 Image credit: Meta Meta のチーフ AI サイエンティスト Yann LeCun 氏は、数年前から、人間の助けをほとんど借りずに世界のモデルを学習できるディープラーニングシステムについて話してきた。現在、そのビジョンは徐々に実現しつつあり、Metaは、画像に対する自己教師あり学習を通じて世界の抽象的な表現を学習する機械学習（ML）モデル「I-JEPA」最初のバージョンをリリースした。 初期テストでは、I-JEPA が多くのコンピュータビジョンタスクで高い性能を発揮することが示された。また、他の最先端モデルよりもはるかに効率的で、トレーニングに必要な計算資源は10分の1である。Metaは、トレーニングコードとモデルをオープンソース化し、来週開催されるCVPR（Computer Vision and P
2027年までに企業の50％が機械学習を使ったコーディングツールを使用 Gartnerがハイプサイクルを公開
Gartnerは2023年11月28日（米国時間）、先進テクノロジーに関する最新のハイプ・サイクルを示した「Hype Cycle for Software Engineering 2023」を発表した。これによると、「AI（人工知能）を活用したソフトウェアエンジニアリング」（AI-augmented software engineering：AIASE）「AIコーディングアシスタント」「プラットフォームエンジニアリング」などの変革的なテクノロジーは、2～5年以内に主流になり、2027年までに、企業のソフトウェアエンジニアの50％が機械学習を利用したコーディングツールを使用するようになるという。 Gartnerのシニアディレクターアナリスト、デイブ・ミッコ氏は「AIや機械学習（ML）を活用したソフトウェアエンジニアリングは、ソフトウェアの作成、テスト、運用の方法を変えつつあり、責任あるAIの
こんちには。 データアナリティクス事業本部 インテグレーション部 機械学習チームの中村です。 今回は「Terraformで構築する機械学習ワークロード」ということで、Lambdaを使って物体検出モデルの１つであるYOLOXの推論環境を構築していこうと思います。 構成イメージ 構成としては以下のようなものを作成していきます。 物体検出はLambda上でコンテナイメージを動かすことで実現します。 このコンテナイメージ内にMMDetectionというフレームワークをインストールしておき、その中で物体検出モデルの一つであるYOLOXを動かしていきます。 MMDetectionの説明については少しコードが古い部分もありますが、以下が参考となります。 動作環境 Docker、Terraformはインストール済みとします。 Terraformを実行する際のAWSリソースへの権限は、aws-vaultで環
はじめに MLOpsエンジニアとして、MLOpsの意義を他人に説明する機会が定期的にあるので、まとめてみました。 このブログでは、MLOps（Machine Learning Operations）という概念を紹介し、機械学習プロジェクトの成功に向けてどのように活用し得るかを記載します。 MLOpsが登場した背景 機械学習（ML）は今日、ビジネスにおいて重要な役割を果たしています。 しかし、機械学習プロジェクトというのは「データサイエンティストが自身のラップトップでモデルを開発すれば終わり」ではありません。そのモデルがシステム・プロダクトに組み込まれ、価値を発揮し続けるためには、様々な工程を繰り返し経る必要があります。（参考: ITコンサル企業のAIチームでMLOpsをすることの面白みと今後の展望） そこで発生する課題に対応するためには、従来のソフトウェア開発手法とは異なる、新たなアプロー
機械学習の関数まとめ - Qiita
活性化関数 闘値を境に出力が変わる関数。中間層や出力層の値を変換する際に用いる。 活性化関数を用いて変換を行うと様々な値の出力が行えるため、モデルの表現力を増すために用いられる。 損失関数 学習時にモデルが出した予測値と、実際の値がどれくらいズレているのかを計算するための関数。 損失関数の値を小さくする方向にモデルを調整する。 評価関数 評価時にモデルが出した予測値と、実際の値がどれくらいズレているのかを計算するための関数。 作ったモデルが、どれくらい良いモデルなのかを評価する。 Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationWhat you can do
機械学習におけるクラスの重み付け 機械学習において、データセットのクラス分布が不均衡な場合には、重み付けの考え方を導入することが多いです。これは特に、一部のクラスのデータ数が他のクラスと比べて非常に少ない場合（不均衡なデータセット）に有効です。この記事では、クラスの重み付けについて説明し、その実装方法をKerasとAdaBoostで解説します。 クラスの重み付けとは？ クラスの重み付け（Class weighting）は、不均衡なクラス分布を持つデータセットに対する学習において、少数派のクラスを適切に扱うためのテクニックです。具体的には、クラスの重み付けは分類器に対して、少数派のクラスのデータに対する学習により重要な重みを置くよう指示します。これにより、少数派のクラスのデータがモデル学習において大きな影響を持つようになり、全体のパフォーマンスが向上することが期待できます。 Kerasでの実
物理屋のための機械学習講義 第 4 回 (2023 年 6 月 29 日)
ベクトル検索とは？機械学習で向上する検索
オブザーバビリティも、セキュリティも、検索ソリューションも、Elasticsearchプラットフォームならすべて実現できます。
2024年2月28日 DEIM2024 (https://confit.atlas.jp/guide/event/deim2024/top?lang=ja) における技術報告の資料です。 題目：『 LayerXにおけるAI・機械学習技術の活用事例とその裏側』 日程：2/28（水）10:00-12:00（T1-A: 汎用機械学習技術 (1)） 発表者：松村 優也 プログラムリンク：https://confit.atlas.jp/guide/event/deim2024/session/11A01-05/tables?yHpzDRqnAv
ローツェ【6323】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
ローツェ【6323】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからローツェ【6323】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ローツェ【6323】の株価データを取得 stock_data = yf.download("6323", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
【続・続】鯖落ちGPUを使った安価な機械学習用マシンの作り方 ～憧れのEPYCを購入して機械学習用マシンを完全体にする編～ - 端の知識の備忘録
前記事: hashicco.hatenablog.com 後記事: hashicco.hatenablog.com 前書き 前記事において、P40を買い増して機械学習用マシンをマルチGPUにした。 しかし、普通のRyzenで構成していたがために、PCIeの帯域が足りず片方のGPUがx4接続になってしまっていたのが若干心残りとなっていた。 そこで、EPYCとSupermicroのマザーを中古で買ってみたという話。 まともな帯域とセッティングで2GPUを接続してベンチを取ってみたところ、そこそこマルチGPUの良さが見えてきたので本記事に記しておく。 まとめ 今回購入したのは1ソケット用32Coreの初代Zen 7551Pと対応マザーSupermicro H11SSL-i、そして8x32GBのECC REGメモリのセット。 ebayでtugm4470という出品者から$653.60で購入できました
大阪公立大学大学院理学研究科FD研修会 「人工知能と数学」2024年2月15日 https://www.omu.ac.jp/orp/ocami/activities/fd/list/ 講演者：鈴木 大慈 氏（東京大学大学院情報理工学系研究科・准教授） 講演タイトル：機械学習の数学 講演アブストラクト：機械学習は現在，ChatGPTや拡散モデルといった基盤モデルの発展により，社会的に大きな影響を与える技術となっている．これら基盤モデルは大規模資本によるモデル開発による発展が著しいが，一方でその裏には数学的に興味深い理論的背景がある．本発表では，そのような基盤モデルを支える深層学習の背後にある理論を紹介する．より具体的には，代表的な生成モデルの一つである拡散モデルの背後にある確率微分方程式による特徴付けやその推定理論について述べ，大規模基盤モデルの基本構造であるTransformerの関数近似
鎌倉新書【6184】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
鎌倉新書【6184】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから鎌倉新書【6184】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 鎌倉新書【6184】の株価データを取得 stock_data = yf.download("6184", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
[目次] 1.背景 2.アプリ概要及び背景 3.実行環境 4.準備 5.学習及び結果分析 6.今後の対応 1. 背景 子どもが電車好きで、よく電車を見に行ったり、本を見ていました。 2歳の息子は山手線と京浜東北線の区別を確り名前を言い当てて上手に識別してましたが、その本を見るとぬり絵でした。白黒の状態にも拘らず、言い当てていました。 私自身、緑が山手線、水色が京浜東北線と色でしか判別していないなと気付き、AIによる画像識別をしてみたいという発想に至りました。 2. アプリ概要 電車の画像識別アプリです。山手線と京浜東北線の画像識別を行います。 まずはカラー画像を取り扱い分類を行います。加えて、グレースケールの場合で上手く識別出来るかやってみました。 勉強途上のため、まずはカラー画像で2つの分類を行いますが、今後は更に拡張して行きたいと考えています。 3. 実行環境 Google Colab
国の文化審議会小委員会は29日、生成AI（人工知能）がウェブ上で著作物を取り込む「機械学習」を巡り、権利侵害になり得る例などを示した「考え方」をまとめた。現行法でも不当な利用に歯止めをかけ、権利を守れると示す内容。文化庁が実施した考え方へのパブリックコメント（意見公募）にはクリエーターや開発者から計2万4938件の意見が寄せられ、権利保護への危惧や研究開発が萎縮することへの懸念も示された。 生成AIが絵や文章、音声などを生み出せるように、コンテンツを大量に取り込ませる行為（機械学習）について、著作権法は「著作権者の利益を不当に害する」場合を除き、権利者の許諾は不要だとしている。 ただ、チャットGPTをはじめとした生成AIが急速に普及し、著作権者から法改正による対策強化を求める声も上がった。文化審の著作権分科会は昨夏、法制度小委員会を設けたが、具体的な侵害事例が積み上がっていないことなどから
インソース【6200】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
インソース【6200】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからインソース【6200】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # インソース【6200】の株価データを取得 stock_data = yf.download("6200", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasの
サトーホールディングス【6287】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
サトーホールディングス【6287】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからサトーホールディングス【6287】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # サトーホールディングス【6287】の株価データを取得 stock_data = yf.download("6287", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用し
ＳＭＣ【6273】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
ＳＭＣ【6273】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo FinanceからＳＭＣ【6273】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ＳＭＣ【6273】の株価データを取得 stock_data = yf.download("6273", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDataFr
ディスコ【6146】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
ディスコ【6146】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからディスコ【6146】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ディスコ【6146】の株価データを取得 stock_data = yf.download("6146", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
サムコ【6387】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
サムコ【6387】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからサムコ【6387】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # サムコ【6387】の株価データを取得 stock_data = yf.download("6387", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDataFr
東洋エンジニアリング【6330】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
東洋エンジニアリング【6330】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから東洋エンジニアリング【6330】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 東洋エンジニアリング【6330】の株価データを取得 stock_data = yf.download("6330", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価
機械学習システムデザイン
ビジネスとしての機械学習システムの設計や運用についての解説書。本書では、機械学習の最前線で活躍する著者の豊富な経験と知識に基づき、エンド・ツー・エンドの機械学習システムを設計・構築するための基本原則を明らかにします。訓練データの処理方法、特徴の使い方、モデルを再訓練する頻度、監視すべき項目……このような設計上の決定がシステム全体の目的達成にどのように寄与するのかを、実際のケーススタディを通じて理解します。機械学習プロジェクトを成功に導く上で必要な信頼性、拡張性、保守性、およびビジネス要件の変化への適応性を備えた機械学習システムを設計する包括的なアプローチを本書で学ぶことができます。 賞賛の声 訳者まえがき まえがき 1章 機械学習システムの概要 1.1 機械学習を使うとき 1.1.1 機械学習のユースケース 1.2 機械学習システムの理解 1.2.1 研究分野での機械学習と実現場での機械学
分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・実験条件・合成条件・製造条件・評価条件・プロセス条件・プロセス変数などの特徴量 x と分子・材料の物性・活性・特性や製品の品質などの目的変数 y との間で数理モデル y = f(x) を構築し、構築したモデルに x の値を入力して y の値を予測したり、y が目標値となる x の値を設計したりします。 モデルに関して、予測精度の高いモデルを構築することも重要ですし、構築したモデルを解釈することでデータセットが取得された実験系やシミュレーション系に新たな知見をフィードバックすることも大事です。モデルの予測精度の向上や解釈性の向上のため、x を検討することが行われます。特徴量エンジニアリングと呼ばれることもあります。 特徴量・記述子を検討・設計するときの心構え分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・
楽天銀行【5838】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
楽天銀行【5838】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから楽天銀行【5838】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 楽天銀行【5838】の株価データを取得 stock_data = yf.download("5838", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
リソルホールディングス【5261】 株価予想: Pythonを使ったデータ分析と機械学習によるアプローチの結果… - Python転職初心者向けエンジニアリングブログ
リソルホールディングス【5261】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからリソルホールディングス【5261】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # リソルホールディングス【5261】の株価データを取得 stock_data = yf.download("5261", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用し
インフロニア・ホールディングス【5076】 株価予想: Pythonによるデータ分析と機械学習の実践 - Python転職初心者向けエンジニアリングブログ
インフロニア・ホールディングス【5076】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからインフロニア・ホールディングス【5076】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # インフロニア・ホールディングス【5076】の株価データを取得 stock_data = yf.download("5076", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfina
2024年2月24日紙版発売 2024年2月24日電子版発売 栗林健太郎，大原常徳，大聖寺谷一樹，山内修，齋藤和也，隆藤唯章，高瀬英希 著 A5判／424ページ 定価3,740円（本体3,400円＋税10%） ISBN 978-4-297-14014-4 Gihyo Direct Amazon 楽天ブックス ヨドバシ.com 電子版 Gihyo Digital Publishing Amazon Kindle ブックライブ 楽天kobo honto 本書のサポートページサンプルファイルのダウンロードや正誤表など この本の概要 本書は，Elixirの言語仕様と実践的な利用方法を解説した入門書です。 Elixirは，低遅延で高い可用性を要求される分散システムの構築と運用を目的とするErlang VM上で動作する言語で，その文法はRubyから大きく影響を受けています。ゲームやチャットプラットフォ
ArcFace : 顔認証を行う機械学習モデル
ArcFaceはメトリックスラーニングという仕組みを使用しており、通常のClassificationタスクにSoftmax Lossを置き換えるAngular Mergin Lossを導入することで、距離学習をClassificationタスクで解くことができるようになっています。 顔同士の距離はCos距離を用いています。Cos距離は検索エンジンでも使用される方法で、正規化された2つのベクトルの内積で計算できます。2つのベクトルが同じであればθが0になりcosθ=1、直行していればθがπ/2になりcosθ=0になります。そのため、類似度として使用できます。 （出典：https://arxiv.org/abs/1801.07698）通常のClassificationタスクでは、Featureを計算した後、FC層でFeatureとWeightの内積を取り、出力にSoftmaxを適用します。 A
機械学習は、データから学ぶ技術です。しかし、実際のデータは完璧ではありません。特に、データセットにおける欠損データの問題は、機械学習プロジェクトにおいて避けられない課題です。欠損データをどのように扱うかは、モデルの性能に大きな影響を与えます。 伝統的に、欠損データを扱う一般的な方法は「一変量代入法」です。この方法は、欠損値をその変数の平均値や中央値で置き換えるなど、単純明快であり、実装が容易です。しかし、これは各変数を独立して扱うため、変数間の関係を無視してしまうという欠点があります。 ここで、より洗練されたアプローチとして「多変量代入法」が登場します。 この方法は、欠損データのある変数と他の変数との関係を考慮に入れ、欠損値をより正確に推定しようと試みます。多変量代入法は、変数間の相関関係を利用して、欠損データを推測することにより、よりリアルなデータセットを作成することを目指しています。
こんにちは、データアナリストの井原です。 この記事は Enigmo Advent Calendar 2023 の 5日目の記事です。 この記事では、不正対策のデータ分析から機械学習モデルの導入を決定した経緯についてご紹介します。 私は普段、データアナリストとしてBUYMAの様々な業務にデータ分析担当としてかかわっています。 分析内容は施策の効果検証、ユーザーの行動分析、売れ筋商品の分析などマーケティング的な要素が多く、ビジネス判断の正確性を上げることを目的とした業務が多いです。 機械学習については、ある程度の知識と経験もありますが、本職のデータサイエンティストが社内にいることもあり、どちらかといえば、統計検定や因果推論などの手法を使用することが多いです。 ただ、今回は、不正対策をしているチームからの不正検知の精度を上げたいという相談があり、検証の結果として機械学習モデルを導入しようという結
こんにちは、毛利です。 最近はChatGPTやLLMが盛り上がっていますね。趣味の一つに自作プログラミング言語・コンパイラがあるのですが、LLMと組み合わせてなんかできないかなぁと妄想しています。この記事ではcandleというライブラリを使って自作言語の言語モデルを自作（学習）してみた話について書きます。 TL;DR 1. candleというHuggingFaceが作っているRust言語で書けるライブラリについて一通り書いています 2. 学習させるのは自然言語ではなく、LLM向きに設計した言語を学習させることにしました。手始めに、数字の順番を逆に記述した2進数の加算の式を言語としてみました。例えば、111 + 1 = 0001. のようなものです 3. candleを使った言語モデルの実装を行いました。実装はすべて記事中に記載しています 4. 結果として、今回の実験の設定では数字の順番を逆
YANS2023に「機械学習モデルを用いた構造化文書からの情報抽出」で発表しました! - Money Forward Developers Blog
こんにちは、CTO室AI推進部のこたろうです。 今回は、8/30(水) ~ 8/31(木)の二日間を通して開催されたNLP若手の会（YANS）第18回シンポジウム（2023）に参加したのでその報告です！ Money Forward CTO室AI推進部からは私と長期インターンの満石さん、Money Forward Labからは山岸さんが発表を行いました。 発表について Money Forwardからは3名がポスター発表を行いました。以下が発表題目と著者です（発表順となっています）。 [S1-P07] text embeddingを用いたデータ作成支援の検討, 満石風斗, 安立健人, 狩野芳伸 (静大) [S4-P10] 機械学習モデルを用いた構造化文書からの情報抽出, 竹下虎太朗, 安立健人, 狩野芳伸 (静大) [S5-P09] 財務諸表と仕訳データを用いた増減要因の説明文生成の初期検討,
2023年9月分のAWSおよびGoogle Cloudの機械学習関連サービスのアップデート情報をお届けします。 データアナリティクス事業本部 インテグレーション部 機械学習チームの鈴木です。 クラスメソッド データアナリティクス通信(機械学習編) の2023年10月号です。2023年9月分のアップデート情報をお届けできればと思います。 はじめに AWSでは、基盤モデル(FM)をAPIを通じて利用できるようにする完全マネージド型サービスであるAmazon Bedrockがついに一般提供開始しました。AWSでは7月にアナウンスされたAuroraのpgvectorサポートなど生成系AI利用のための様々なアップデートがありましたが、Bedrockの一般提供開で生成系AIを使ったシステム開発がより強力に支援されるようになりました。 Google Cloudでは、Vertex AI Workbench
昨今、生成AI・LLMの台頭により、「良質なデータ」をどう集める・作るかの話をより身近で聞くようになった。LLMに学習させるデータは元より、身近な課題を解決するためにも課題解決のためのタスクを定義し、そのためにデータを分析し作成することが、社会課題解決には当たり前に求められる。 これらの課題解決には、新しいモデルを自ら考える必要がないことも多く、タスク定義とデータを集め学習させるだけで、十分な性能を発揮することも多い。いわゆるデータセントリックなデータに焦点を集めた考え方である。 ただ、世の中にはモデルやアルゴリズムといったモデルセントリックな話は数多くあれど、データは基本公開されているなんらかのデータセットに対して評価するといった内容はほとんど。しかしながら、この書籍Human-in-the-Loop 機械学習では、データに焦点を集め解説を行なっているという、稀な書籍である。 どんな内容
AWSのサーバーレスと機械学習のサービスを活用した列車遅延予測機能の追加とその精度向上(小田急電鉄様の取り組み) | Amazon Web Services
Amazon Web Services ブログ AWSのサーバーレスと機械学習のサービスを活用した列車遅延予測機能の追加とその精度向上(小田急電鉄様の取り組み) 本投稿は小田急アプリや他社サービスなどに連携する列車遅延予測機能の追加とその精度向上の取り組みについて、実際に開発と構築をされました小田急電鉄株式会社経営戦略部の落合様に寄稿いただいたものです。 はじめに 鉄道各社ではより便利に鉄道をご利用いただくため、列車の走行位置や、個々の列車の遅れの情報を各社のアプリ等を通じてリアルタイムに配信しています。弊社も2017年に小田急アプリをリリースし現在に至るまで、多くのお客さまにご利用いただいております。リリース当初は「現在の遅れ」をご案内する機能しかありませんでしたが、2022年より遅延予測機能を追加し、「現在の遅れ」に加え、「各駅の到着見込み・発車見込み時刻」をご案内しています（図1）。
The Biggest Questions: How did life begin? 最大の謎「生命の起源」は 機械学習で解明できるか 生命の起源は科学史上、長らく大きな謎に包まれてきた。複雑な相互作用で何が起きているのかを理解するため、科学者たちは機械学習の力を借りて研究のスピードアップを図っている。 by Michael Marshall2024.05.31 3 20 生命の起源は、科学史上最大の謎の一つであり、解明は極めて困難だ。分かっているのは、35億年以上前に地球で何かが起きたということだけだ。その何かは、宇宙の他の多くの惑星でも起きていたかもしれない。 そして、何がきっかけでそれが起こったのかも分かっていない。水やメタンなど多種多様な無生物が混在する液体の中で、それらが結合し、自己組織化し、さらに複雑な物質へと変化し、最終的に生命を構成する細胞になった。 解明が難しい最大の理由
人工知能と機械学習 / Artificial Intelligence and Machine Learning
🎥講義動画はこちら 人工知能と機械学習 Artificial Intelligence and Machine Learning 本講義では人工知能と機械学習の基礎について解説する。いまの人工知能に何ができてどういう場面で活用されているのかを紹介する。また、大量のデータからルールを学習する技術である機械学習について、その仕組みを紹介する。 This is an introductory lecture on artificial intelligence and machine learning. You will learn what artificial intelligence can do and how artificial intelligence is impacting our everyday lives. Machine learning plays an impor
Kaggleで始める機械学習入門でKaggleのアカウントを作成して、一通りの操作ができました。次はKaggle learnの以下の初級講座を使って機械学習の基礎を学習します。 この初級講座は７回のレッスンで構成されており、各回は解説パート(tutorial)と実践パート(exercise)に分かれています。実践パートでは、コンペと同様のNotebookでコードを動かす形になります。 実際にやってみた感想です。 ＜良かった点＞ ・１回１時間程度でサクッとできる ・１回あたりの内容は比較的かんたんで理解しやすい ・解説パートで学んだコードを実践パートで入力し、答え合わせできるので達成感がある ＜悪かった点＞ ・すべて英語… 英語なのは仕方ないですね。DeepLに頼りながら読み進めました。 内容としては、まず決定木を使ってシンプルなモデルを構築します。次にその結果を評価する方法を学び、良いモデ
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
Terraformで構築する機械学習ワークロード（Lambda編） | DevelopersIO
MLOpsの意義：機械学習プロジェクトを成功させるための鍵 - Qiita
機械学習におけるクラスの重み付けとその実装方法 - Qiita
対称性のある機械学習による物理現象の解析
LayerXにおけるAI・機械学習技術の活用事例とその裏側 / layerx-ai-deim2024
機械学習の数学（鈴木 大慈 氏、FD研修会「人工知能と数学」）
機械学習を用いた電車識別アプリを作成 - Qiita
文化審小委、生成AI機械学習の「考え方」まとめる 権利侵害例など | 毎日新聞
理論が先か、データ解析・機械学習が先か、特徴量エンジニアリングの方針と注意点
Kenta Doi on X: "アドビがデフォルトで機械学習をオンにした設定を追加したようです。オプトアウトするには、アカウント管理→アカウントとセキュリティ→データとプライバシー設定→コンテンツ分析→オフです。 https://t.co/H4MbtYF2jD"
Elixir実践入門 ――基本文法、Web開発、機械学習、IoT
第371話｜機械学習における多変量代入法：欠損データの克服
不正対策の機械学習導入までに検証したこと - エニグモ開発者ブログ
階層クラスタリング(Hierarchical Clustering)をわかりやすく解説【機械学習入門27】
Rustと機械学習ライブラリcandleで自作言語の言語モデルを自作してみた話
クラスメソッド データアナリティクス通信(機械学習編) – 2023年10月号 | DevelopersIO
書籍 Human-in-the-Loop 機械学習を読み終えて - データセントリックの示唆に富む書籍 - A Day in the Life
最大の謎「生命の起源」は 機械学習で解明できるか
Kaggle learnで学ぶ機械学習の基礎（初級編） - Qiita