Search Results 定義

「PowerBIでのデータ操作のためのPower Queryの使用」

はじめに Power Queryは、PowerBIの強力なデータ変換および操作ツールであり、ユーザーがさまざまなソースからデータを抽出、変換、ロードすることを可能にします。コーディングの必要なく、複雑なデータ変換を行うためのユーザーフレンドリーなインターフェースを提供しています。この記事では、Power QueryのPowerBIでの利点を探り、データ操作に使用する方法を教えます。 PowerBIでのPower Queryの利点 Power Queryは、PowerBIでのデータ操作に以下の利点を提供します。データの抽出：Power Queryは、データベース、Excelファイル、Webページ、APIなど、さまざまなデータソースに接続することを可能にします。これにより、複数のソースからデータを抽出し、分析のための単一のデータセットに結合することができます。データの変換：Power Queryは、データのクリーンアップ、フィルタリング、ソート、および変形のための多様な変換オプションを提供します。重複の削除、列の分割と結合、クエリのマージと追加、およびデータのピボットおよびアンピボットなどの操作を行うことができます。データのロード：Power QueryはPowerBIとシームレスに統合されており、変換されたデータをレポートやダッシュボードのデータモデルにロードすることができます。また、データの更新とリフレッシュもサポートしており、レポートが常に最新の状態を保つことができます。 Power Queryの使い方 Power QueryはPowerBIに組み込まれた機能ですので、別個のインストールは必要ありません。単にPowerBIを開き、ホームタブの「データの取得」オプションに移動してPower Queryにアクセスします。 PowerBIでPower Queryを使用するためには、次の手順に従ってください：データソースへの接続：Power Queryは、Excelファイル、データベース、Webページ、APIなど、さまざまなデータソースをサポートしています。データソースに接続するには、「データの取得」メニューから適切なオプションを選択し、接続を確立するためのプロンプトに従ってください。 Power…

「OpenAIやLM Studioに頼らずにAutoGenを使用する方法」

イントロダクション OpenAIやLMスタジオに頼らずに、あなた自身のAIチームを作成する準備はできていますか？もはや銀行を荒らすことも、アプリをダウンロードすることもありません。llama-cpp-pythonの設定から、autogenフレームワークのヘルプを借りてローカルLLMのパワーを探求するまで。OpenAI APIに依存せず、Autogenのフルポテンシャルを引き出す準備をしましょう。学習目標詳細に入る前に、この記事の主な学習目標を概説しましょう: さまざまなAIライブラリとツールを評価・比較する方法を学ぶ。 llama-cpp-pythonがOpenAI APIの代替として提供できる方法を探索する。 2つの現実世界の使用例で獲得した知識を適用する: アルゴリズムメンターチームの構築と金融チャート生成の自動化。 AutoGenの改善されたユーザーエクスペリエンスを探索し、統合されたIPythonを通じて即時のコード実行結果を得る。この記事はData Science Blogathonの一環として公開されました。ツール紹介: llama-cpp-python、AutoGen、およびローカルLLM しかし、このテックツールキットの特別な点は何でしょうか？ llama-cpp-pythonは、LLMAのような有名なモデルを含めて、ローカルでLLMを実行するためのゲートウェイです。コンピュータ上にAIのスーパースターがいるようなもので、さまざまなBLASバックエンドのサポートにより、速度は驚異的です！ AutoGen AutoGenは、基盤モデルを使用するための高レベルな抽象化として機能する統一されたマルチエージェント会話フレームワークです。LLM、ツール、および人間の参加者を統合し、自動化されたチャットを通じて能力のある、カスタマイズ可能で会話形式のエージェントを結合します。エージェント同士が自律的にコミュニケーションして共同作業を行うことができ、複雑なタスクを効率的に進めることやワークフローを自動化することが可能です。もしAutoGenの機能をより深く探求し、戦略的なAIチームビルディングをどのように支援するかを調べることに興味があるなら、当社の専用ブログ「Strategic AI Team Building…

「Pythonでリストをフィルタリングする方法？」

イントロダクションリストのフィルタリングは、特定の基準に基づいてリストから特定の要素を抽出するPythonでの基本的な操作です。不要なデータを削除したり、特定の値を抽出したり、複雑な条件を適用したりするために、リストフィルタリングの技術をマスターすることは、効率的なデータ操作には欠かせません。この記事では、Pythonでのリストのフィルタリングのさまざまな技術と実用的な方法、さらにデータ選択スキルを向上させるための高度なフィルタリング技術について探求していきます。フルスタックデータサイエンティストになりたいですか？AI＆MLキャリアを進めるためには、BlackBelt Plusプログラムに参加する時がきました！ Source: Favtutor 学習目標 Pythonリストフィルタリングの基本的な概念と重要性を理解する。 filter()、リスト内包表記、lambda関数、および条件文などの主要な技術をマスターし、効率的なデータ操作を行う。チェインフィルター、条件の否定、ネストされたリストフィルタリング、正規表現、カスタム関数などの高度なフィルタリング方法を探求し、Pythonのデータフィルタリングの専門知識を高める。無料でPythonを学びたいですか？今すぐ学ぶ！ Pythonにおけるリストフィルタリングとは？リストフィルタリングとは、特定の条件や基準に基づいてリストから特定の要素を選択することを指します。これにより、必要なデータを抽出し、残りのデータを破棄することができ、元のリストの一部として作業できるようになります。Pythonにはリストをフィルタリングするためのさまざまな方法と技術が用意されており、それぞれに利点と使用例があります。 Pythonにおけるフィルタリングの技術 `filter()`関数の使用 Pythonの`filter()`関数は、関数とイテラブルを引数として受け取り、関数が`True`を返す要素を含むイテレータを返す組み込み関数です。与えられた条件に基づいてリストをフィルタリングするための簡潔な方法を提供します。以下に例を示します： #Pythonコード:def is_even(x): return x % 2 == 0numbers =…

スラヴァ・マデルスカ、ヘルステック起業家—ヘルスケアAI、痛み管理テクノロジー、予防医療、背中の痛みの革新、そしてヘルスケアのトレンド

このインタビューでは、HUGUPとSemiflex Dome Systemの創設者兼CEOであるスラワ・マデルスカの洞察を探っていますデジタルエージェンシーからメドテック起業への転身という経験を持つマデルスカは、医療におけるテクノロジーの統合について繊細な視点を持ちますHUGUPはエビデンスに基づいた腰痛管理ソリューションに焦点を当てており、一方でセミフレックスシステムは革新的な外科医療機器として使用されています...スラワ・マデルスカ、ヘルステック起業家 - ヘルスケアAI、疼痛管理テクノロジー、予防医療、腰痛イノベーション、そしてヘルスケアのトレンドについて詳しく見る»

「オーディオジェネレーションのための新しいメタAIの基礎研究モデル、オーディオボックスに会ってください」

“`html メディアやエンターテイメントの分野において、オーディオは重要な役割を果たします。映画やポッドキャスト、オーディオブック、ビデオゲームなど、すべてに影響を与えます。しかし、高品質のオーディオの制作には、豊富な音源ライブラリと深いドメインの専門知識が必要です。そのため、メタリサーチャーは、音声入力と自然言語テキストのプロンプトの組み合わせを使用して音声や効果音を生成できる新しいAIモデルであるAudioboxを開発しました。これにより、さまざまなユースケースにカスタムオーディオを簡単に作成することが可能です。スピーチ、効果音、音景の統一された生成と編集機能を持っています。研究者たちは、さまざまなオーディオ要素の生成と編集の能力を結びつけた大きな進歩であると強調しています。音声入力と自然言語テキストのプロンプトを組み合わせて音声や効果音を生成できるため、さまざまなユースケースにカスタムオーディオを簡単に作成できます。 Audioboxは、Voiceboxの後継として作られ、先行モデルの能力を高めるだけでなく、多様なオーディオ要素の生成と編集を強化する統一プラットフォームを導入しています。 Audioboxの利点は、音声入力と自然言語のテキストプロンプトを組み合わせて音声や効果音を生成できることです。この方法により、さまざまなユースケースに独自のオーディオを作成するプロセスが容易になります。たとえば、ユーザーはAudioboxにテキストで望む音やスピーチのタイプを説明することができ、Audioboxが自動的に対応するオーディオを作成します。また、ユーザーは自然言語のプロンプトを使用して希望するスピーチのスタイルを説明することもできます。Audioboxの適応性の利点の一つです。さらに、テキストプロンプトを使用してサウンド設定をカスタマイズすることもできます。たとえば、流れる川やさえずる鳥のいる静かな音景を作成するには、詳細なテキストプロンプトを入力するだけで、Audioboxがそのビジョンを実現します。 Audioboxの助けを借りると、ユーザーは声を異なる環境のものに聞こえるように変えることができます。テキストスタイルのプロンプトを音声入力に組み合わせることで、ユーザーは好みに合わせた合成音声を作成することができます。研究者たちは、音質や関連性の点でAudioboxをAudioLDM2、VoiceLDM、そしてTANGOなどさまざまなモデルでテストし、Audioboxがそれらを上回ることを見つけました。さまざまなスピーチスタイルにおいて、スタイルの類似性で30％以上もVoiceboxを超える結果となりました。研究者たちは、Audioboxがオーディオの作成を手軽にし、誰でもオーディオコンテンツの作成者になることを可能にすると述べています。研究者たちは、一種類のオーディオしか生成できない特殊なオーディオ生成モデルではなく、どんなオーディオでも生成できる汎用的なオーディオ生成モデルを構築することを目指しています。まとめると、Audioboxはオーディオ技術の進化における重要なモデルです。直感的なインターフェースと強力な機能により、オーディオの制作方法を再定義し、個々の音響的なビジョンを形作り、共有するための新しい可能性を開拓します。この記事の元の投稿は「Audioboxをご紹介：Meta AIによるオーディオ生成の基礎研究モデル」です。記事の著者はMarkTechPostです。 “`

「サポートベクターマシン（SVM）とは何ですか？」

サポートベクターマシン（SVM）は、機械学習の分野で利用される教師あり学習アルゴリズムです。主に分類や回帰などのタスクを実行するために使用されます。このアルゴリズムは、メールがスパムかどうかの判断、手書き文字の認識、写真での顔の検出など、さまざまなタスクを処理できます。データ内の多くの情報や複雑な関係に対応できる非常に適応性のあるアルゴリズムです。 SVMの主な役割は、特徴に基づいて異なるグループの間を最適な線（または面）で分離することです。データが紙の上の点のようなもので、それらを完全に異なるクラスに分けるための単一の直線を引くことができると想像してください。これは、データが完全に線形に分離可能である必要があります。 SVMの種類線形サポートベクターマシンデータが直線を使用して簡単に2つのグループに分割できる場合、線形SVMが最適です。データが紙の上の点のようなもので、1本の直線を引いてそれらをきれいに2つの異なるクラスに分離できる状態であることを想像してください。非線形サポートベクターマシンデータが直線を使用して2つの別々のグループに分類できない場合、非線形SVMを使用します。ここでは、データは線形に分離できません。このような場合には、非線形SVMが救世主となります。データが複雑なパターンに従わずにしばしば乱雑な現実世界では、非線形SVMのカーネルトリックが使用されます。どのように動作するのか？床に散らばった2つのグループ、例えば緑と青の点があると想像してください。SVMの役割は、これらの点をそれぞれのグループに分けるための最適な線（または3次元の世界では面）を見つけ出すことです。今、点を分けるための多くの線があるかもしれませんね？しかし、SVMは特別な線を探します。すなわち、線と最も近い緑の点から線までの距離と線と最も近い青の点から線までの距離が最大となる線です。この距離を「マージン」と呼び、SVMはできるだけ大きくすることを目指します。この線を定義するのに重要な役割を果たす最も近い点を「サポートベクター」と呼びます。SVMは、2つのグループの間のスペースを最大化する最良の線を描くためにこれに焦点を当てます。しかし、もし点がきれいに直線で分離されていない場合はどうでしょうか？もし点があちこちに散らばっている場合はどうでしょうか？そんなときに、SVMは問題を高次元空間に持ち上げるために「カーネルトリック」と呼ばれるものを使用することができます。これにより、より複雑な分割曲線や曲面を引くことが可能になります。用途とアプリケーション 1. スパムメールフィルタリング: スパムと普通のメールが混在するメールボックスがあると想像してください。SVMを使用して、スパムと通常のメールを区別するスマートフィルターを作成できます。使用される単語などのメールの様々な特徴を見て、スパムと非スパムを区別する境界線を描き、メールボックスをきれいに保ちます。 2. 手書き文字認識: コンピュータが異なる人々の手書き文字を認識することを希望する場合、SVMが役立ちます。手書き文字の形や大きさなどの特徴を分析することで、SVMは一人の人の手書き文字を別の人のものと分離する線や曲線を描くことができます。これは郵便サービスでの数字認識などのアプリケーションに役立ちます。 3. 医療診断: 医学の世界では、SVMは疾患の診断に役立ちます。ある特定の状態の患者とその他の一般の患者についてのデータがあるとします。SVMは様々な健康指標を分析し、健康な患者と状態を持つ患者を区別する境界線を作成します。これにより、医師がより正確な診断を行うのに役立ちます。 4. 画像分類:…

次元性の祝福？！（パート1）

「これらの問題の1つまたは複数について、慎重に選ばれた科学者のグループが夏に一緒に取り組めば、重要な進展が期待できると私たちは考えています」と提案は述べましたジョンはまだ知りませんでしたが...

AI研究でα-CLIPが公開されましたターゲテッドアテンションと強化された制御によるマルチモーダル画像分析の向上

さらなる焦点化と制御された画像理解および編集のために、どのようにCLIPを改善できるでしょうか？上海交通大学、復旦大学、香港中文大学、上海AI研究所、マカオ大学、およびMThreads Inc.の研究者は、点、ストローク、またはマスクで定義された指定領域を認識する能力を強化するために、コントラスティブランゲージ-イメージプリトレーニング(CLIP)の制限に対処することを目指すAlpha-CLIPを提案します。この改良により、Alpha-CLIPは、画像認識や2Dおよび3D生成タスクへの貢献を含む多様な下流タスクで、より良いパフォーマンスを発揮することができます。マスクCLIP、SAN、MaskAdaptedCLIP、およびMaskQCLIPなど、さまざまな戦略がCLIPに領域認識を持たせるために試されてきました。一部の方法は、切り抜きやマスクを用いて入力画像を変更します（ReCLIPやOvarNetなど）。他の方法は、赤い円やマスクの輪郭を使用してCLIPの注目を誘導します（Red-CircleやFGVPなど）。これらのアプローチは、CLIPのプリトレーニングデータセットのシンボルに依存することが多く、ドメインのギャップを引き起こす可能性がありますが、Alpha-CLIPは、画像コンテンツを変更せずに指定された領域に焦点を当てるための追加のアルファチャネルを導入し、一般化性能を保持しながら領域の焦点を強化します。 CLIPおよびその派生物は、下流タスクのために画像とテキストから特徴を抽出しますが、特定の領域に焦点を当てることは、より詳細な理解とコンテンツ生成において重要です。Alpha-CLIPは、コンテンツを変更せずに指定された領域に焦点を当てるためのアルファチャネルを導入し、画像認識、マルチモーダル言語モデル、および2D/3D生成などのタスクで、CLIPを強化します。Alpha-CLIPをトレーニングするには、セグメントアニシングモデルと画像キャプショニングのためのマルチモーダルな大規模モデルを使用して、領域-テキストペアのデータを生成する必要があります。 Alpha-CLIP方法は、コンテンツを変更せずに特定の領域に焦点を当てるための追加のアルファチャネルを導入したものであり、これによりコンテキスト情報が保持されます。データパイプラインは、モデルトレーニングのためにRGBA-領域テキストペアを生成します。分類データが領域-テキスト理解に与える影響を調査するために、グラウンディングデータのみで事前トレーニングされたモデルと分類およびグラウンディングデータの組み合わせを比較することによるデータ減衰の研究が行われます。ゼロショット実験では、リファリング表現の理解においてAlpha-CLIPがCLIPに代わり、競争力のある領域-テキスト理解の結果を達成します。 Alpha-CLIPは、点、ストローク、マスクを伴うタスクにおいてCLIPを改善し、焦点を当てることができる特定の領域を拡張します。ただし、グラウンディングのみのプリトレーニングを上回り、領域の知覚能力を向上させます。ImageNetなどの大規模な分類データセットは、そのパフォーマンスに大きく貢献しています。結論として、Alpha-CLIPモデルは元のCLIPを置き換え、領域焦点の機能を効果的に向上させることが実証されています。さらにアルファチャネルを組み込むことで、Alpha-CLIPはゼロショット認識の改善やリファリング表現理解タスクでベースラインモデルを上回る競争力のある結果を示しています。関連領域に焦点を当てるモデルの能力は、分類とグラウンディングのデータの組み合わせによる事前トレーニングによって向上されています。実験結果は、Alpha-CLIPが前景領域やマスクを持つシナリオで有用であり、CLIPの能力を拡張し、画像テキスト理解を改善する可能性があることを示しています。将来の課題として、この研究はAlpha-CLIPの制限を解決し、その能力と適用範囲を拡大するために解像度を向上させることを提案しています。研究は、領域-知覚能力を向上させるためにより強力なグラウンディングおよびセグメンテーションモデルを活用することを提案しています。研究者は、画像コンテンツをより良く理解するために、興味のある領域に焦点を当てることの重要性について強調しています。Alpha-CLIPは、画像コンテンツを変更せずに領域の焦点を当てることができます。研究は、Alpha-CLIPのパフォーマンスを改善し、応用範囲を広げ、領域に焦点を当てたCLIPの特徴の新しい戦略を探索するための継続的な研究を提唱しています。

MITとETH Zurichの研究者たちが、動的なセパレータの選択を通じて、拡張された混合整数線形計画法（MILP）の解決を目的とした機械学習技術を開発しました

複雑な最適化問題に効率的に取り組むことは、グローバルパッケージルーティングから電力グリッド管理まで、持続的な課題です。伝統的な方法である混合整数線形計画（MILP）ソルバーは、複雑な問題を分解するための重要なツールとして使用されてきました。しかし、計算の集中度には課題があり、しばしば最適でない解決策や長時間の解決につながります。これらの制約に対応するため、MITとETHチューリッヒの研究者は、革新的なデータ駆動型機械学習技術を開発し、複雑な物流上の課題へのアプローチと解決方法を革新するという約束を果たしました。最適化が重要な物流業界では、課題は困難です。サンタクロースが魔法のソリとトナカイを持っていたとしても、FedExのような企業は効率的に休暇のパッケージを配送する迷路と戦っています。企業が使用するソフトウェアの骨子であるMILPソルバーは、多大な最適化問題を分解するための分割統治アプローチを採用しています。しかし、これらの問題の複雑さは、解決にかかる時間が数時間、または数日に及ぶことがしばしばです。時間的な制約から、企業はソルバーの途中で解決を中断し、時間制約による最適でない解決策に妥協することがしばしばあります。研究チームは、解決時間の長さに重要な中間ステップをMILPソルバーで特定しました。このステップはセパレータ管理と呼ばれるもので、すべてのソルバーの中核的な要素ですが、しばしば見過ごされがちです。セパレータ管理は、セパレータアルゴリズムの理想的な組み合わせを特定する負担の多い問題です。これに気付いた研究者たちは、MILPソルバーにデータ駆動型アプローチを取り込むことを目指しました。既存のMILPソルバーは、一般的なアルゴリズムと技術を使用して広範な解の空間をナビゲートしています。しかし、MITとETHチューリッヒのチームは、セパレータ検索空間を合理化するためのフィルタリングメカニズムを導入しました。彼らは約20のオプションに抑え込まれた圧倒的な130,000の潜在的な組み合わせを減らしました。このフィルタリングメカニズムは、限界効果減少の原則に基づいており、最も利益が得られるのはごく少数のアルゴリズムであると主張しています。この革新的な飛躍は、機械学習をMILPソルバーフレームワークに統合することにあります。研究者は、問題固有のデータセットでトレーニングされた機械学習モデルを使用して、狭められたオプションから最適なアルゴリズムの組み合わせを選択しました。事前定義された設定を持つ従来のソルバーとは異なり、このデータ駆動型アプローチにより、企業は自社のデータを活用して一般的なMILPソルバーを特定の問題に適合させることができます。たとえば、FedExのようにルーティング問題を定期的に解決する企業は、過去の経験から実際のデータを使用してソリューションを洗練させることができます。機械学習モデルは、コンテキストベースのバンディット、リインフォースメントラーニングの形態で動作します。この反復学習プロセスでは、潜在的なソリューションを選択し、その効果についてフィードバックを受け取り、後続の反復で洗練されます。結果として、MILPソルバーの劇的な高速化が実現し、正確性が損なわれることなく、30%から驚異的な70%までの範囲で達成されます。総括すると、MITとETHチューリッヒの共同研究は、最適化分野での重要なブレイクスルーを成し遂げました。古典的なMILPソルバーと機械学習を結びつけることにより、研究チームは複雑な物流上の課題に取り組むための新たな道を開拓しました。解決時間を短縮しつつ精度を維持する能力は、MILPソルバーに実用的な優位性をもたらし、実世界のシナリオにより適用されるようになります。この研究は最適化の領域に貢献し、複雑な実世界の問題の解決に機械学習の広範な統合の舞台を提供しています。

一時的なグラフのベンチマーク (Ichijiteki na gurafu no benchimāku)

最近では、公開データセットや標準化された評価プロトコルの提供により、静的グラフにおける機械学習において重大な進展がなされています

Learn more about Search Results 定義 - Page 12