ジャストシステムは11月1日、サブスクリプション型の日本語入力アプリ「ATOK passport」でiOS版「ATOK for iOS [Professional]」の提供を始めた。同社は10月6日に買い切り型の「ATOK for iOS」のサポートを終了。これまでATOK passportでiOS版は提供されておらず、事実上iOS版のATOKはいったん終了する予定となっていた。 ATOK passportは1契約で10台までのデバイスで利用可能。iOS版ATOKではフリック入力の他、「フラワータッチ入力」「ケータイ入力」に対応し、予測変換機能や誤字訂正機能、ユーザー辞書機能なども備える。ATOK for iOSを利用していたユーザーは、iPhone／iPadで登録した「ユーザー辞書」「連絡先」を引き継ぐことで、学習した入力環境をサブスク版に移行できる。 一方、他社製入力アプリの使用を許可
今回はわかりやすい例を出しましたが、確かに部屋を決めるとき、私たち自身も下記の様な考え方をするのではないでしょうか。 どの条件が一番上に来るかは人それぞれですが、例えば1階は少し嫌で、2階以上かをまずは考え、2階以上であれば、さらにオートロックもあればいいね、という意味で部屋を借りる。 逆に、2階以上じゃなくても（1階の部屋）、ある程度の部屋の広さならまあ借りてもいいか、逆に1階だし狭いなら借りないな・・・・というようなフローで考えていくと思います。 まさにこれが木の構造を表していて、このように条件を分岐させて判断を決めていくのが決定木です。 では、この条件の分岐はどのように決められるのでしょうか。今出した例は直感的な説明で、根拠も何もなかったと思います。 ここで出てくるのが「不純度」です。 詳細は後半の数学の章に回しますが、この不純度を元に決定木は条件の分岐を決めています。 要は、元のデ
Human-in-the-Loop 機械学習 / Human-in-the-Loop Machine Learning
Statistical Quality Control for Human Computation and Crowdsourcing
Excel医@デザイン勉強中『Excel最速仕事術』著者 on Twitter: "これ、河野太郎さんの功績です。 【データ表記方法の統一ルール】 Excelでデータ入力するときの統一ルールを作成してくれました。マジのマジで全国民に見てほしくてまとめました。スーパー拡散お願いします🙇♂️ 全国民に配るべき！… https://t.co/j82z5RBR1S"
これ、河野太郎さんの功績です。 【データ表記方法の統一ルール】 Excelでデータ入力するときの統一ルールを作成してくれました。マジのマジで全国民に見てほしくてまとめました。スーパー拡散お願いします🙇♂️ 全国民に配るべき！… https://t.co/j82z5RBR1S
Python: Null Importance を使った特徴量選択について - CUBE SUGAR CONTAINER
今回は特徴量選択 (Feature Selection) の手法のひとつとして使われることのある Null Importance を試してみる。 Null Importance というのは、目的変数をシャッフルして意味がなくなった状態で学習させたモデルから得られる特徴量の重要度を指す。 では、それを使ってどのように特徴量選択をするかというと、シャッフルしなかったときの重要度との比率をスコアとして計算する。 もし、シャッフルしたときの重要度が元となった重要度よりも小さくなっていれば、スコアは大きくなって特徴量に意味があるとみなせる。 一方で、シャッフルしたときの重要度が元とさほど変わらなければ、スコアは小さくなってその特徴量は単なるノイズに近い存在と判断できる。 あとはスコアに一定の閾値を設けたり、上位 N 件を取り出すことで特徴量選択ができるようだ。 今回使った環境は次のとおり。 $ sw
情報学研究データリポジトリ メルカリデータセット
株式会社メルカリが国立情報学研究所を通じて研究者に提供しているデータセットです。 2023/09/01 更新 データ概要 フリマ商品データ 株式会社メルカリが運営する，スマートフォン向けフリマアプリ「メルカリ」へ登録されたデータで，個人を特定する情報や非公開情報は含まれません。 具体的なデータの内容は以下の通りです。 アプリ上に公開されている商品データ（出品状態，商品名，商品の説明，販売価格，カテゴリ，商品の状態，サイズ，ブランド，送料の負担，発送の方法，発送元の地域，発送にかかる日数，いいね！の数，コメントの数，出品日時，更新日時） 各商品ページにて公開されているコメントデータ 各商品ページにて公開されている画像データ（対象全商品のサムネイル画像／一週間分のオリジナル画像） 提供中のデータは2020年1月～12月の1年間に出品された商品が対象です。（データは随時更新される予定です） 商品
GitHub - yahoojapan/JGLUE: JGLUE: Japanese General Language Understanding Evaluation
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
Google Colab
Sign in
Understanding math will make you a better engineer.So, I am writing the best and most comprehensive book about it. I'm interested Knowing the mathematics behind machine learning algorithms is a superpower. If you have ever built a model for a real-life problem, you probably experienced that familiarity with the details goes a long way if you want to move beyond baseline performance. This is especi
読んだので感想を書きます。「手元のデータに当てはまりの良い予測モデルを本番適用してもビジネス的に良い結果が得られない」という現場で頻発する課題に対して明快なアプローチと手順を示しており、機械学習がワークするために必要な要素がクリアになりました。 施策デザインのための機械学習入門〜データ分析技術のビジネス活用における正しい考え方 技術評論社 (2021/7/30) 齋藤 優太 (著), 安井 翔太 (著), 株式会社ホクソエム (監修) Kindle版/紙版両方あり 目次と構成 はじめに1章 機械学習実践のためのフレームワーク2章 機械学習実践のための基礎技術3章 Explicit Feedbackを用いた推薦システム構築の実践4章 Implicit Feedbackを用いた推薦システムの構築5章 因果効果を考慮したランキングシステムの構築付録A 演習問題感想著者はまず1章で機械学習の実践で
ROC曲線を直感的に理解する
1. この記事について この記事は、機械学習で出てくるROC曲線を、直感的に理解することを目的とするものです。ROC曲線の一般的な定義や説明自体はインターネット上に溢れているので、ここではそれとは少し違った説明をします。 2. ROC曲線とAUC ROC曲線は、機械学習における二値分類タスクのモデル性能の評価に用いられるものです。モデル出力（予測値）が連続的である場合に用います。 ROC曲線は、予測値と真のターゲットの対応から描くことができ、例えば下図のようなイメージです。 ROC曲線が何者かを述べる前に、これをどのように評価に用いるかを簡単に説明します。 ROC曲線の下側の面積 (AUC: Area Under the Curve) は、予測値の大きい順にデータを並べ変えたとき、1が上に固まっている（0が下に固まっている）ほど大きくなるという性質があります。下図の2つのケースを比較すると
この記事はMLOps Advent Calendar 2020の17日目の記事です。 もともとはGoogle Cloudからもうすぐ出てくる予定のFeature Storeの紹介でも書こうかと思ったのですが、まだ出てこないな...と思ってたら、Google Cloud ソリューションアーキテクトの中井さん（@enakai00）がいい感じのサーバレスMLOpsソリューションをタイミングよく公開されてたので、紹介させていただくことにしました。 できた。https://t.co/COMDamTMQb This example shows how you can use Cloud Run and Cloud Workflows to create a simple ML pipeline. The ML usecase is based on the babyweight model examp
100+ Best Free Data Science Books For Beginners And Experts
In the previous post we’ve covered 100+ Free Machine Learning and Artificial Intelligence Books. If you haven’t checked make sure you spend 2 minutes after checking this post. In this post, You’ll see 100+ free data science books for beginners, intermediate and experts. The eBooks are updated in 2023 and available in pdf or html format. Note: All the books listed below are open sourced and are in
Kaggle Tokyo Meetup #6 にて「PetFinder 2nd Place Solution」の題目で発表しました - u++の備忘録
「Kaggle Tokyo Meetup #6」に参加し、チーム Wodori の一員として「PetFinder 2nd Place Solution」の題目で発表もしました。 connpass.com 本記事では、各発表の簡単な感想などを述べます。twitterの #kaggle_tokyo や kaggler-ja slackの #event-live にも情報が転がっています。 togetter.com 「PetFinder 2nd Place Solution」（Wodori） 「iMet 7th Place Solution & 画像コンペのアプローチ」（phalanxさん） 「Quora Insincere Questions 10th Place Solution & 昔話」（tksさん） 「PLAsTiCC 3rd Place Solution」（nyanpさん） スポンサ
はじめに 機械学習の分野でDeep Learningがその地位を揺るがぬものにして久しくなりました。 今回はその性能と汎用性の高さから、様々な分野で応用が進んでいるDeep Metric Learningについて、簡単なまとめといくつかのデモを紹介していきたいと思います。 手書き文字認識と、手書き文字認識だけでは面白くないので異常検知もやります。 Deep Metric Learning Metric Learningとは「距離学習」と言われる手法で、入力データの特徴量空間から、データの類似度を反映した特徴量空間への変換(写像)を学習する手法です。 一言で言うと、 同じクラスに属するデータは近く 異なるクラスに属するデータは遠く なるような特徴量空間への変換を学習します。 クラス分類などにおいて、距離が近すぎて分類が困難なケースでも、同じクラスは距離が近く、違うクラスは距離が遠く」なるよう
用語「MLOps（“Machine Learning”と“Operations”の合成語）」について説明。機械学習モデルの実装～運用のライフサイクルを円滑に進めるために築かれる、機械学習チーム／開発チームと運用チームが協調し合う管理体制（機械学習基盤）を指す。 連載目次 用語解説 MLOpsとは、「機械学習チーム（Machine Learning）／開発チーム」と「運用チーム（Operations）」がお互いに協調し合うことで、機械学習モデルの実装から運用までのライフサイクルを円滑に進めるための管理体制（機械学習基盤）を築くこと、またはその概念全体を指す。類義語にDevOpsがあるが、まさにそのDevOpsから発展して生まれた考え方である。DevOpsに詳しければ、その機械学習版だと考えるとよい。 DevOpsの考え方と同様に、機械学習チーム／開発チームは、最終的なソリューションの一機能と
著者のDale Markowitz氏はGoogleクラウド部門に所属するGoogle社員で、最近ではGoogle主催の開発者会議Google I/O 2021で「機械学習のよくある問題の発見と解決」というセッションを担当しました。同氏がMediumに投稿した記事『Transformer解説：GPT-3、BERT、T5の背後にあるモデルを理解する』では、現代の言語AIにおける技術的基礎となっているモデルのTransformerが数式を使わずに解説されています。 Transformer以前に自然言語処理で使われていたモデルは、リカレントニューラルネットワーク（Recurrent Neural Network：RNN）でした。このモデルには長い文章を正しく処理するのが難しい、勾配消失問題の影響を受けやすい、そして処理の並列化が難しいためにモデルの大規模化が困難、というみっつの欠点があったため、自
ML系言語は型推論が得意なので基本的には型を書かなくてもコードを書けますが、状況によっては型注釈が必要になります。代表的なML系言語3つ（SML, OCaml, Haskell）について、それぞれ型注釈が必要になる（型注釈がないとコンパイルが通らない）ケースを挙げてみます。 なお、ここでは型システムのみに注目し、評価戦略はどうでもいいので、Haskellも「ML系言語」に含めています。 また、MLのモジュール／ファンクター周りは扱いません。コア言語のみを対象にします。 SML SMLで型注釈をなくすとコンパイルが通らなくなるのは、例えば以下の例です： 組み込み演算子やリテラルのアドホックなオーバーロード レコードを受け取る関数 リテラルの例： val x: IntInf.int = 12345678901234567890123; (* 型注釈を剥ぐとダメ： val x = 1234567
This document outlines some of the common mistakes that occur when using machine learning, and what can be done to avoid them. Whilst it should be accessible to anyone with a basic understanding of machine learning techniques, it was originally written for research students, and focuses on issues that are of particular concern within academic research, such as the need to do rigorous comparisons a
『イラストで読む AI 入門』読書メモ 01 : AI ブームの歴史 (パーセプトロン, バックプロパゲーション, ディープラーニング) - Qiita
AI というネーミング AI は Artificial Intelligence (人工知能) の略で、 1956 年のダートマス会議で生まれた言葉。 アメリカの認知科学者の ミンスキー がダートマス大学で 『The Dartmouth Summer Research Project on Artificial Intelligence』（人工知能に関するダートマスの夏期研究会）という名前の学会を開催した。 ここで世界で初めて「人工知能」という言葉が使われた。 ↓「人工知能の父」と呼ばれる ミンスキー 氏 (写真は ウィキペディア『マービン・ミンスキー』 より) 『人工の知能』って、すごい名前を付けましたね！ 人工の知能。強そう。 本に戻ります。 この命名からは、機械に言語を扱えるようにさせる自分たちの研究により、機械がいずれ人間の知能に追い付くのだという意気込みが感じられると思います。
【記事更新】私のブックマーク「説明可能AI」（Explainable AI） – 人工知能学会 (The Japanese Society for Artificial Intelligence)
説明可能AI（Explainable AI）原 聡（大阪大学産業科学研究所） はじめに2018年に本誌5 月号（Vol. 33, No. 3, pp. 366-369）の”私のブックマーク”に「機械学習における解釈性」という記事を書いた。前記事の執筆から1年が経ち、機械学習モデルの解釈・説明技術を取り巻く社会的な情勢の変化や新たな研究の発展など、数多くの進展があった。本記事はこれら近年の変化・進展についてまとめた、上記の”私のブックマーク”の続編である。本記事を読む前に、まずは上記の前記事をご一読いただきたい。 用語について本記事では、機械学習モデルの出力に加えて、その出力を補助する追加の情報（モデルの解釈、判断根拠の説明、など）を出力する技術一般および研究分野全体を指す用語としてXAI（Explainable AI, 説明可能AI）を用いる。XAIはアメリカの国防高等研究計画局（DARP
Amazonは生成型の人工知能（AI）関連のキャリアを構築したいと考えている人々に向け、無料の訓練コースと奨学金制度を提供する。同社は米国時間11月20日、従業員や学生などがAIや生成AIについて学べるよう支援するための取り組み「AI Ready」を発表した。 AI Readyは、以下のものから構成されている。 AIおよび生成型AIに関する8つの新たな無料コース 世界各地の5万人を超える高校生および大学生がUdacityの新たな生成型AIコースを受講できるようにする奨学金制度「AWS Generative AI Scholarship」 Code.orgとのコラボレーションによる、生成型AIに関する学生向けの訓練 無料コースについては、開発者および技術者の作業として需要が高い分野を網羅するコースとともに、業務リーダーや非技術系プロフェッショナル向けのコースが合わせて8つ、新たに開講される。
後編：Elasticsearchの機械学習分析による類似ドメイン検知 | IIJ Engineers Blog
九州支社で技術リサーチやビジネス開発などの業務を行っています。将棋が好きで、棋力はウォーズ二段ぐらいです。 今回は前編の続きです。 前編では、Elasticsearchの紹介や教師データの作成を行いました。 前編：Elasticsearchの機械学習分析による類似ドメイン検知 この後編では、作成した教師データを使って、実際にElasticsearchの機械学習機能を使った分析を行っていきます。 Elasticsearchの準備 パッケージのインストール まずは Elasticsearchと WebUIの Kibanaをインストールします。以下のサイトから最新版のパッケージをダウンロードしてください。 [Download Elasticsearch] [Download Kibana] 今回使用しているOSは Debianですが、パッケージはあえて DEB版を使わず Linux x86_64
Ollama
Get up and running with large language models. Run Llama 2, Code Llama, and other models. Customize and create your own.
論文紹介: Differentiable reasoning over a virtual knowledge base
Differentiable reasoning over a virtual knowledge baseの概要を紹介します。Read less
機械学習を「社会実装」するということ 2022年版 / Social Implementation of Machine Learning 2022
機械学習を「社会実装」する際に待ち受けている罠と、その解決方法の考察 (2022年版) です。 ※この資料は、東京大学グローバル消費インテリジェンス寄付講座（GCI）2021 Winterの講義で使用したものです。 https://gci.t.u-tokyo.ac.jp/gci-2021-winter/ ※2023年版を公開しました。 https://speakerdeck.com/moepy_stats/social-implementation-of-machine-learning-2023 ※2020年7月に同テーマで講義した際に使用した資料はこちら。 https://speakerdeck.com/moepy_stats/social-implementation-of-machine-learning
2022-03-31 先日の記事で告知した1のですが、昨夜、「Human In The Loop」を題材にした勉強会を開催してきました。 実際に Human In The Loop を扱った MLOps の論文2 を過去に書いているくらい興味のある分野なので、この領域を盛り上げていくために開催できてよかった。 オンライン勉強会でしたので、配信動画を Youtube で公開しております。 Human In The Loop に興味のある方はぜひご覧ください。 Machine Learning Casual Talks #13 (Online) 各発表について各発表の説明は割愛して、一言感想を述べさせていただきます。 Editors-in-the-loop なニュース記事要約システムの提案 by @upura業務成果を国際会議のワークショップに通されたの素晴らしいですね 👏 (自分も論文を出
機械学習プロジェクトの アイデア出しと事前影響評価 / evaluate machine learning projects
Wantedly VisitやAmazonの事例を出しながら、ビジネス構造の可視化とアイデア出しや評価についてお話します。 エンジニアでない人が、エンジニアと関わりながら仕事を進めていく方法についてもTipsを書いています。
ReActとは？ LLMのpromptingの方法の一つです。LLMに質疑応答させたり、意思決定させたりという場面で力を発揮するほか、外部データベースや外部APIとLLMを組み合わせる場合にも使えます。 また、LangChainでもReActの考え方は多く活用されています（エージェントなど） 今回はReActが提案された論文REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELSを細かくチェックしていきます！ 論文のソースはこちら： この記事を見て分かること CoT、ReActのノリが分かる ReActの限界と能力の向上方法について理解できる Let's Go! 元の論文の各章の内容要約＋一言コメントでまとめています。ちょっとLangChainとか齧った方なら理解できる程度のものだと思います。（内容要約が分からなかったら所感だけ見
「死海文書」は約2000年前にヘブライ語で書かれた執筆者不明の旧約聖書の写本で、1947年に最初の断片が発見されて以来、発掘・調査が続いています。そんな死海文書に対して、フローニンゲン大学の研究チームがAIによる筆跡鑑定を実施した結果、死海文書が複数の執筆者によって記されていたことが判明しました。 Artificial intelligence based writer identification generates new evidence for the unknown scribes of the Dead Sea Scrolls exemplified by the Great Isaiah Scroll (1QIsaa) https://doi.org/10.1371/journal.pone.0249769 Cracking the code of the Dead Sea
プラットフォームの概要 AI Platform 生成 AIおよび予測 AIのプラットフォーム もっと詳しく ドキュメント 新機能 ログイン 無料で始める 運用 自信を持ってAIを拡張し、比類のないエンタープライズ・モニタリングとコントロールでビジネス価値を促進 デプロイと実行 再学習と最適化 監視と介入 ガバナンス AIの環境、チーム、およびワークフローを統合し、大規模な範囲での完全な可視性と監視を実現 レジストリと管理 監査と承認 コンプライアンスドキュメント生成 構築 ニーズの進化に合わせて自由に適応できるオープンなAIエコシステムで、迅速なイノベーションを実現 分析と変換 学習とチューニング 組立てと比較 プラットフォーム統合 インフラストラクチャーへのデプロイ ソリューション 業界ごと ヘルスケア 製造 小売業 金融サービス 成果ごと ユースケースのライブラリー お客様事例 Dat
連載目次 本連載では、第1回～第3回で、ニューラルネットワークの仕組みと、TensorFlow 2.x（2.0以降）による基本的な実装コードを説明した。また、第4回～第6回で、TensorFlow 2の書き方をまとめた。 これだけの知識を理解しただけでも、さまざまなニューラルネットワークを書けるようになっているはずなのだ。そこで今後の本連載では、より実践的な内容に入り、問題種別（回帰／分類）やニューラルネットワークモデル種別（CNN／RNN／GAN／BERT）といったさまざまな活用パターン（TensorFlow 2ベース）を紹介していく。 今回は、これまでに学んだ基礎知識を総合的に活用し、最も基本的な「回帰問題」をあらためて解いてみることにしよう。 なお、回帰問題と分類問題は、機械学習／ディープラーニングの基本的な問題種別である。今回第7回では「回帰問題」を、次回第8回では「分類問題」を取
【注目論文】Sinusoidal Frequency Estimation by Gradient Descent - Qiita
QMULのBen Hayes氏らが、勾配降下法で周波数推定を行う手法を論文で発表しました。ICASSP2023に投稿したそうです。 きわめてシンプルな手法なのですが、機械学習系音声合成にとってはたいへん重要な成果だと思うので、紹介します。 論文リンク：Sinusoidal Frequency Estimation by Gradient Descent ソースコード：https://github.com/ben-hayes/sinusoidal-gradient-descent 背景：DDSPの限界 DDSP(Differentiable Digital Signal Processing)とは、微分可能な計算式を持つDSPモジュールをDNNに組み込んで機械学習をやる手法で、Google Magentaプロジェクトが最初に打ち出したアイデアです。 今ではもうDDSPシリーズと呼べるほど多様
R&D チームの徳田（@dakuton）です。 今年のGWあたりにCUDAのGPG更新アナウンス(NVIDIA Technical Blog: Updating the CUDA Linux GPG Repository Key)がありました。記載に従い利用環境の反映作業をしてみたところ、特にDockerイメージ向けの反映については記事に触れられていない範囲でのハマリポイントがいくつかあることがわかったため、対策についてまとめておきます。 参考(GitHub issue) NVIDIA/nvidia-docker(Public GPG key error #1631) 影響を受けているプロジェクト例 TensorFlow (Tensorflow docker image has outdated keys #56085) TorchServe (Improvements to docker
GitHub - ml-tooling/best-of-ml-python: 🏆 A ranked list of awesome machine learning Python libraries. Updated weekly.
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
推論能力をさらに強める戦略『AoT』で、LLMが「直感」に似た能力を示すようになった 2023/8/30 LLM 論文 AIDB Research 推論能力をさらに強化するための新しい戦略『AoT（Algorithm of Thoughts）』が登場しました。この手法によって、大規模言語モデル（LLM）が「直感」に似た能力を示すようになったとの実験結果が報告されています。この発表は、マイクロソフトの研究者をはじめとする専門家によって行われました。 この研究は、推論タスクにおけるLLMの新たな可能性を広げるものであり、計算負荷の高さや効率の低さといった従来の課題を解決する方向性を示しています。 参照論文情報 タイトル：Algorithm of Thoughts: Enhancing Exploration of Ideas in Large Language Models 著者：Bilgeh
Introduction Once you have deployed your machine learning model to production it rapidly becomes apparent that the work is not over. In many ways the journey is just beginning. How do you know if your models are behaving as you expect them to? What about next week/month/year when the customer (or fraudster) behavior changes and your training data is stale? These are complex challenges, compounded
Language is essentially a complex, intricate system of human expressions governed by grammatical rules. It poses a significant challenge to develop capable AI algorithms for comprehending and grasping a language. As a major approach, language modeling has been widely studied for language understanding and generation in the past two decades, evolving from statistical language models to neural langu
【開催報告&資料公開】ML@Loft #3 – Recommendation | Amazon Web Services
AWS Startup ブログ 【開催報告&資料公開】ML@Loft #3 – Recommendation AWS 機械学習ソリューションアーキテクトの宇都宮 (Twitter: @shokout) です。本ブログでは ML@Loft 第３回「レコメンド」の開催概要を報告します。 ML@Loft は、 機械学習を AWS 上でプロダクション運用しているデベロッパー・データサイエンティストのためのコミュニティイベントです。毎月テーマを設定し、前半は各分野のエキスパートの方々からのLT、後半は機械学習のサービス導入のノウハウや様々なツラミについて、LT のご講演者の方々を交えて参加者全員参加型のお悩み相談ラウンドテーブルという構成で AWS Loft Tokyo にて実施しています。 第２回 [Blog] は、第１回で好評だった MLOps のテーマを引き続き、そして今回 6/21 (金)
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
iOS版ATOK、サブスクで復活 月額550円で ただし「Smart Keyboard」などに非対応
【機械学習】決定木をscikit-learnと数学の両方から理解する - Qiita
https://github.com/phalanx-hk/kaggle_cv_pipeline/blob/master/kaggle_tips.md
The Roadmap of Mathematics for Machine Learning
「施策デザインのための機械学習入門」が素晴しい内容だった
Cloud RunでサーバレスMLOpsを試してみた - Qiita
【AI】Deep Metric Learning - Qiita
MLOps（機械学習基盤）とは？ AIOpsとの違い
Transformer解説：GPT-3、BERT、T5の背後にあるモデルを理解する | AI専門ニュースメディア AINOW
ML系言語で型注釈が必要なケース - Qiita
How to avoid machine learning pitfalls: a guide for academic researchers
アマゾン、AI講座を無料で提供する「AI Ready」開始--奨学金制度も
Human-in-the-Loop を題材にした機械学習の勉強会を開催した
【Prompt Engineering】LLMを効率的に動かす「ReAct」論文徹底分解！😎
死海文書に「2人目の書き手」が存在することがAIを用いた筆跡鑑定によって明らかに
Permutation Importanceを使ってモデルがどの特徴量から学習したかを定量化する
第7回 回帰問題をディープラーニング（基本のDNN）で解こう
NVIDIA DockerイメージのGPGキー更新に関する備忘録 - OPTiM TECH BLOG
推論能力をさらに強める戦略『AoT』で、LLMが「直感」に似た能力を示すようになった | AIDB
Monitoring Machine Learning Models in Production
A Survey of Large Language Models