科学データが見せる10世紀に社会が 大きく変化したわけ ヒトと自然、これまでとこれから（笹生衛 教授　前編） 神道文化学部全ての方向け Tweet 旱魃（かんばつ）、大雨、洪水。そして都市部への人口集中による感染症の大流行。古代の人々の姿と、現代に生きる私たちの姿はほとんど変わらないことが、古代の遺跡調査と文献史料、そして最先端の科学データを突き合わせたときに見えてくるという。 笹生衛・神道文化学部教授（國學院大學博物館館長）への前後編インタビューで伝わってくるのは、古代の話でありながらどこまでもクリアで、そしてリアルな歴史の肌触りだ。 10世紀に、何かが起きたのではないか――。これは私が20代の頃、古代の集落の発掘調査現場に身を置くようになって抱きはじめた疑問でした。古墳時代からの伝統的な集落のかたちが8・9世紀までは残っていたのに、9世紀の末期から10世紀にかけて、その集落が消滅・分散

松尾研究室が2023年9~10月に東京大学サマースクールで開催した LLM 大規模言語モデル講座のコンテンツを無償公開しています。 本講座は約2,000名の受講者が参加し、全7回の講義を実施しました。 最終課題としてGPUを使ったコンペティションでは約800名が参加し熱戦を繰り広げました。 現在、講義のスライドのみ公開しております。 ダウンロードは利用規約を確認の上、下記からダウンロードをお願いいたします。 最終更新: 2024年2月10日 問題・フィードバック報告フォームはこちら 第1回：Overview of Language Models LLMの概要、今後の各回の講義の概要、および日本のLLM開発状況について 第2回：Prompting and Augmented Language Model 事前学習済みLLMを追加学習せずに活用する技術（プロンプティング、⽂脈内学習、Augme

OpenAIは、大規模言語モデル（GPT-4）でよりよい結果を出すためのプロンプトエンジニアリング（プロンプトのノウハウ）入門テキストを同社のウェブサイトで公開している。 同テキストでは、現在同社で最高の性能を持つ大規模言語モデルGPT-4を対象に、よりよい結果を導くための6つの戦略と、それぞれを実行する際の具体的な戦術（コツ）が掲載されている。 また、「Prompt examples」のページでは、上記で紹介したものを含む多数のプロンプト例が紹介されており、すぐに利用できるようになっている。 では紹介された6つの戦略を見ていこう。 明確な指示を書く LLMは利用者の心を読むことができないので、回答が長すぎる場合は「簡潔に」、単純すぎる場合は「専門家レベルで」と明示的に依頼する必要がある。 具体的な戦術としては下記が提案されている。 ・より関連性の高い回答を得られるよう、質問は詳細に ・モ

家では息子の「やりたい」を尊重現在もユウキくんに合った教育環境を探している途中だと語る田中さんに、ユウキくんの現在の過ごし方について聞いた。 午前中は近くの公民館で学校でもらった宿題をして、昼食後に公園へ行ったりYouTubeやゲームをしたりしているという。家での学習以外ではフリースクールに通っている。 また、習い事を週4で通っており、YouTubeの動画制作、体操教室、レゴ教室、お絵かき教室をしている。自己表現することが好きなユウキくんが興味のあるものをしているという。 将来YouTuberになるのが夢というユウキくん。動画制作についてはツールを使いすでに制作ができるという。 「特性というか本当に好きなんだと思います。すごい集中して取り組んでいるので。今は『こういうのを作りたい！』っていうのを言ってくれます」 学校に通わなくなったことで、現在ユウキくんはのびのびと過ごせているという。 「

■プレゼンテーションタイトル ・会社名 ・所属 ・氏名 ・2023/12/21 ■目次 ・企画の概要 ・課題 ・提案内容 ・実施要領 ・予算 ・期待できる効果 ・スケジュール ・懸念点 ■企画の概要 ・企画のコンセプト ■課題 ・提案の背景 ・解決したい課題の定義 ■提案内容 ・課題の解決方法 ■実施要領 ・実施する対象範囲(スコープ) ・チーム体制(役割分担) ・やらないことリスト ■予算 ・実際の予算 ■期待できる効果 ・損益シミュレーション ・定量目標 ・定性目標 ■スケジュール ・準備期間 ・実施期間 ・評価方法 ■懸念点

はじめに 今回は各大学が公開している、エンジニア向けの資料をまとめていきます。 東京大学 ChatGPT活用法 ChatGPTの基礎的な内容から実際にどのように活用すべきかが解説されている。 Pythonプログラミング入門 Pythonについて環境構築から始まり、基本文法、応用的な使い方まで分かりやすく解説されている。 AWS入門 ハンズオン形式でAWSの学習ができる。 AI・データサイエンスの活用事例 データサイエンスやAIの活用事例を学べる。 人工知能・深層学習を学ぶためのロードマップ AIやデータサイエンスの具体的な活用事例が学べる。 京都大学 プログラミング演習 Python 統計学 統計学やデータ分析、検定を学べる。 慶應大学 ChatGPTの活用資料 ChatGPTを用いた開発方法が学べる。 東京工業大学 機械学習 筑波大学 データベース データベースの基本から正規化や設計とい

強化学習におけるLLMの活用パターン調査 はじめに：実世界における強化学習の課題 LLM×強化学習 人間はゼロショット推論によりサンプル効率の良い学習ができる LLMによるゼロショット推論の例 さまざまなLLM活用パターン 1. 報酬モデルとしてのLLM LLMによる代理報酬モデル VLMによる外観ベース代理報酬モデル 外部知識にもとづく報酬モデル設計 2. 計画モデルとしてのLLM LLMによるセマンティック計画 LLMによる構造的な探索計画 3. 方策モデルとしてのLLM LLM as 確率方策 マルチモーダルLLM as 確率方策 参考：GPTアーキテクチャの転用 4. 世界モデルとしてのLLM Language Models Meet World Models (あとで書く) おわりに：VLM as 確率方策に期待 はじめに：実世界における強化学習の課題 レトロゲームで人間並みのパ

南極で動き始めたという世界最大の氷山「Ａ２３ａ」を捉えた衛星画像/European Union/Copernicus Sentinel-3/Handout/Reuters ロンドン（ＣＮＮ） 英首都ロンドンの２倍以上の大きさを持ち、数十年間にわたって南極の海底に接地していた世界最大の氷山「Ａ２３ａ」が動き始めたことが分かった。 巨大なＡ２３ａは１９８６年、フィルヒナー・ロンネ棚氷から分離し、ほぼその直後に南極ウェッデル海の海底に接地した。 Ａ２３ａは厚さ約４００メートルで、面積は４０００平方キロ近い。これに比べ、大ロンドン都市圏の面積は１５７２平方キロにとどまる。 しかし３０年以上たった今、Ａ２３ａはおそらく氷山の自然なサイクルの一環で縮小して海底から外れ、動き始めたとみられる。英南極観測局の研究者２人が明らかにした。 Ａ２３ａは今後、海流に運ばれて東へ向かう見通し。現在は１日５キロのスピ

資料作成代行サービス「c-slide」を運営する中で蓄積したナレッジから、デザインをパターン化しました。 資料作成時にパワーポイントと一緒に開いてアイデアの種にして役立ててもらえると嬉しいです。 詳しく解説している記事はこちら https://cone-c-slide.com/see-sla/blog/design-pattern/ また、本スライドの①デザインパターンに加え、②スライドマスターのテンプレートや、③営業資料などの資料テンプレートを含んだ「デザインパターンデータ（pptx）316 P」を販売しています。 → PPTテンプレート購入はこちら： https://formwrk.jp/workflows/createProject/?id=U2FsdGVkX19Y0oVcOUXL%2Bb0dSjC5Fi2MlB9whoscExA%3D&btnText=%E5%AE%8C%E4%BA

本資料は，東京大学松尾研究室で開催された強化学習セミナーの講義資料をもとに，講演目的でより初学者向けに内容を調整したものです．特に強化学習で最も基本的かつ最重要手法であるQ学習や，それの深層強化学習版のDQN（Deep Q-Network）を中心に解説しています. 昨今，ChatGPT等の大規模言語モデル（LLM）の開発に強化学習が使用（RLHF等）され，さらに強化学習をLLMに本格的に組み込んだAI（ GoogleのGemini，OpenAIのQ*等）の出現が予想されることから，�強化学習の知識の普及のため公開しました.

DALL-E3を実装日からほぼ毎日使用し面白さにとりつかれています。何となくで触っているため, いまいち思った画像が出来ないことも多々ありましたので今回まじめに作成法を勉強してみました。初級編と名前がついているのは高等テクニックを教えるほどの技術がないだけで後に上級編が控えているという意味ではないです。 0. はじめに DALL-E とはシンプルなテキストのみで画像がつくれるAIです。 簡単なテキストのみで画像生成語源は『ウォーリー探せ』と芸術家の『ダリ』から来ているみたいです。ウィーリーはある種の「探し物」をする, userが提示するテキストのプロンプトから隠された要素やまだ見ぬ画像を「探し出し」生成することらしいです。 ウォーリーをインスパイアした少年1. 問題点, 主に著作権やはり何と言っても著作権問題ではないでしょうか。現在法整備が進行しているところです。OpenAIはコンテンツポ

こんにちは、Saldraです。普段はPictoriaという会社でAIの美少女の錬成に励んでいるエンジニアです。この記事はローカルLLMの概要をつかむことを目的とします。対象読者は以下です。 なんとなく ChatGPT は使ったことある人 ローカル LLM を聞いたことあるけどやったことない人 ローカル LLM とは OpenAIがAPIを公開してから、大規模言語モデル（以降LLMとします）は大きく進化していきました。この進化はOpenAIのAPIだけでなく、ローカルLLMも進化をしています。 ローカルLLMとは「一般向けにファイルとして公開されたモデル」で推論させる遊びです。APIは便利ですが、インターネットの接続が必要であったり、API提供側に依存する問題があります。ローカルLLMは自前で運用ができるため、APIにはないメリットや魅力があります。一方で、環境構築やマシンスペック等、少し始

2023/09/06 に行われた OCHaCafe Season7 #4 で用いた資料です。 セッションアーカイブ動画：https://youtu.be/p3VmoPKrBNs

A new tool that blends your everyday work apps into one. It's the all-in-one workspace for you and your team

前回のブログ記事は、論文紹介という地味なテーマだったにしてはだいぶ話題を呼んだ*1ようで、個人的にはちょっと意外な感があったのでした。確かに、今をときめくTransformerにも苦手なものがあるという指摘は、NN一強の現代にあってはセンセーショナルなものと受け止められても不思議はなかったかと思います。 しかし、それは同時に「データセットが持つ本質的な性質」と「データ分析手法の性質」とのミスマッチと、それが引き起こす問題とについてこれまであまり関心を持ってこなかった人が多いということなのかもしれません。そして、そのミスマッチは冗談でなく古来からある程度定まった類型があり、データ分析業界の古参なら「そんなの常識だよ」というものばかりだったりします。 ところが、最近僕の周囲でもそういうミスマッチが深刻な実問題を招いているケースが散見され、思ったよりもそれは常識ではないのかな？と思わされることが

みなさんこんにちは。 資料デザインのリサーチや分析に取り組むパワーポイントのスペシャリスト、パワポ研です。 いつも企業が出しているパワーポイントの分析結果などを紹介しているのですが、本日は良いパワーポイントが見れる場所とその理由を紹介します。 どこで見れるのかずばり、経産省のHPです。以下のURLより「委託調査報告書」を確認ください。ご存じの方も多いかもしれませんね。 トップはこんなページになっています。 トップ的なページこの中で、例えば「令和4年度分の掲載一覧（PDF形式：48KB）」を押してみましょう。 令和4年度分の掲載一覧こんな感じのリストがずらっと並べます。エクセルでも同じようなものがダウンロードできます。正直見づらいですが、このリンクの一つ一つが調査報告書になっています。 何ですごいのか数と質です。 数のすごさ 数については、パワーポイント形式以外（ワード）の報告書もかなり混じ

寺本.hackforplay(); @teramotodaiki プロフィールと背景情報をあらかじめ用意しておけば、あとは相手の話した内容をもとに選択肢を表示してくれて、ボタンを押すだけ これ全人類にとって理想のUIでは？？？ #未踏ジュニア pic.twitter.com/4PAUCrC7nV 2023-11-03 11:53:30

OpenCVを使用して画像から複数のオブジェクトを認識し、切り出すための一般的な手順は以下のようになります： 前処理: 画像を読み込みます。必要に応じて画像をリサイズします。グレースケールに変換するか、あるいは必要に応じて色空間を変更します。オブジェクトの検出: エッジ検出、閾値処理、または色に基づくフィルタリングなどを使用してオブジェクトを検出します。輪郭検出を行い、オブジェクトの境界を見つけます。輪郭の処理: 検出された輪郭をフィルタリングして、ノイズや小さなオブジェクトを除去します。必要に応じて輪郭を近似します。オブジェクトの切り出し: 各オブジェクトの境界ボックスを使用して画像からオブジェクトを切り出します。オブジェクトごとに個別の画像として保存するか、表示します。後処理 (オプション): 切り出されたオブジェクトをさらに処理するためのステップを行います。例えば、オブジェクトのサイ

今回は、何も知らないところからバンディットアルゴリズムを学びました。 シンプルなバンディットアルゴリズムから、各ユーザーごとに最適化するContextual Bandit、順序を最適化するCascading Banditまで解説します。 学んでいて疑問に思ったことを解消しつつ記載しています。 ソースコード https://github.com/birdwatcherYT/bandit 対象読者 バンディットアルゴリズムを理解して実装したい人 ユーザーごとにカスタマイズしたバンディットを理解して実装したい人（Contextual Bandit） 順序を最適化するバンディットを使いたい人（Cascading Bandit） バンディットアルゴリズム バンディットの問題設定を説明します。 スロットマシンN台がある スロットマシンの腕を引くと報酬がもらえる 累積報酬を最大化したい バンディットアル