Search Results ボタン

初めての機械学習モデルを展開する

たった3つの簡単なステップで、ガラス分類モデルを構築して展開することができます言っている間に、ガラス分類モデルと言えるほど早く！

MLOps

イントロダクション人事として働いていますか？チームの従業員が続けるかどうか、または組織を去ることを考えているかの予測に苦労していますか？心配しないでください！これを予測するために占星術師になる必要はありません。データサイエンスの力を使って、それを正確に予測することができます。簡単でパワフルなMLOpsツールであるZenMLとstreamlitと一緒に、従業員の離職率の素晴らしい旅を始めましょう。旅を始めましょう。学習目標この記事では、以下のことを学びます。 ZenMLとは？なぜ使うのか？どのように使うのか？なぜMLflowを使うのか？ZenMLとの統合方法は？デプロイメントパイプラインの必要性従業員の離職率プロジェクトの実装と予測の作成この記事は、データサイエンスブログマラソンの一部として公開されました。プロジェクトの実装問題の設定: 年齢、収入、パフォーマンスなどのいくつかの要素に基づいて、従業員が組織を去るかどうかを予測する。解決策: ロジスティック回帰モデルを構築して従業員の離職率を予測する。データセット: IBM HR Analytics Employee Attrition＆Performance [出典]: https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset プロジェクトの実装を見る前に、なぜここでZenMLを使用しているのかを見てみましょう。なぜZenMLを使用するのか？…

「OpenAIキーなしでPDFおよび記事のための強力なチャットアシスタントを作成する」

イントロダクション自然言語処理の世界は、特に大規模な言語モデルの登場により、膨大な拡大を遂げています。これらのモデルは、この分野を革新し、誰でも利用できるようにしました。この記事では、オープンソースライブラリを使用して、与えられた記事（またはPDF）を基に質問に応答できる強力なチャットアシスタントを作成するためのNLP（自然言語処理）のテクニックを探求し、実装していきます。OpenAIのAPIキーは必要ありません。この記事は、データサイエンスブログマラソンの一環として公開されています。ワークフローこのアプリケーションのワークフローは以下の通りです：ユーザーは、PDFファイルまたは記事のURLを提供し、質問を行います。このアプリケーションは、提供されたソースに基づいて質問に答えることを試みます。私たちは、PYPDF2ライブラリ（PDFファイルの場合）またはBeautifulSoup（記事のURLの場合）を使用してコンテンツを抽出します。次に、langchainライブラリのCharacterTextSplitterを使用して、それをチャンクに分割します。各チャンクに対して、all-MiniLM-L6-v2モデルを使用して、対応する単語埋め込みベクトルを計算します。このモデルは、文章や段落を384次元の密なベクトル空間にマッピングするためのものです（単語埋め込みは、単語/文章をベクトルとして表現する技術の一つです）。同じ技術がユーザーの質問にも適用されます。これらのベクトルは、sentence_transformersというPythonのフレームワークが提供する意味的検索関数に入力されます。sentence_transformersは、最先端の文、テキスト、画像埋め込みを行うためのフレームワークです。この関数は、答えを含む可能性があるテキストチャンクを返し、質問応答モデルは、semantic_searchとユーザーの質問の出力に基づいて最終的な答えを生成します。注意すべてのモデルは、HTTPリクエストのみを使用してAPI経由でアクセス可能です。コードはPythonを使用して書かれます。 FAQ-QNは、より詳細な情報についてはFAQセクションを参照することを示すキーワードです。実装このセクションでは、実装についてのみに焦点を当て、詳細はFAQセクションで提供されます。依存関係依存関係をダウンロードし、それらをインポートすることから始めます。 pip install -r requirements.txt numpytorchsentence-transformersrequestslangchainbeautifulsoup4PyPDF2 import…

「LangChain、Google Maps API、およびGradioを使用したスマートな旅行スケジュール提案システムの構築（パート3）」

この三部作の二部では、LLMの通話セットから解析されたウェイポイントのリストを取得し、Google Maps APIとFoliumを使用してルートを生成するシステムを構築しました...

「包括的な革新：Amazon SageMakerでのHack.The.Bias」

この投稿は、ETH ZürichのAWS学生ハッカソンチームのメンバーであるDaniele Chiappalupiと共同で執筆されましたAmazon SageMaker JumpStartを使用して、誰でも簡単に機械学習（ML）を始めることができますこの投稿では、大学のハッカソンチームがSageMaker JumpStartを使用して、ユーザーが識別して削除するのを支援するアプリケーションを迅速に構築した方法を紹介します

「HeyGenレビュー：ビジネス向けの最高のAIビデオ生成ツール？」

「あなたのビジネスに最適なAIビデオ生成器をお探しですか？ HeyGenのレビューを読んで、その特徴や利点などを学びましょう」

プログラム合成 – コードが自己書きすることを実現する

「プログラム合成」という言葉を聞いたことはあるかもしれませんが、完全に理解していないかもしれませんこれは、しばしばAIがコードを作成するための試みとして捉えられますこの記事は、これを解明するために設計された3部作の最初の記事です...

MLflowを使用した機械学習実験のトラッキング

イントロダクション機械学習（ML）の領域は急速に拡大し、さまざまなセクターで応用されています。MLflowを使用して機械学習の実験を追跡し、それらを構築するために必要なトライアルを管理することは、それらが複雑になるにつれてますます困難になります。これにより、データサイエンティストにとって多くの問題が生じる可能性があります。例えば：実験の損失または重複：実施された多くの実験を追跡することは困難であり、実験の損失や重複のリスクを高めます。結果の再現性：実験の結果を再現することは困難な場合があり、モデルのトラブルシューティングや改善が困難になります。透明性の欠如：モデルの予測を信頼するのが難しくなる場合があります。モデルの作成方法がわかりにくいためです。写真提供：CHUTTERSNAP（Unsplash）上記の課題を考慮すると、MLの実験を追跡し、再現性を向上させるためのメトリックをログに記録し、協力を促進するツールを持つことが重要です。このブログでは、コード例を含め、オープンソースのML実験追跡とモデル管理ツールであるMLflowについて探求し学びます。学習目標本記事では、MLflowを使用した機械学習の実験追跡とモデルレジストリの理解を目指します。さらに、再利用可能で再現性のある方法でMLプロジェクトを提供する方法を学びます。最後に、LLMとは何か、なぜアプリケーション開発のためにLLMを追跡する必要があるのかを学びます。 MLflowとは何ですか？ MLflowロゴ（出典：公式サイト） MLflowは、機械学習プロジェクトを簡単に扱うための機械学習実験追跡およびモデル管理ソフトウェアです。MLワークフローを簡素化するためのさまざまなツールと機能を提供します。ユーザーは結果を比較し、複製し、パラメータやメトリックをログに記録し、MLflowの実験を追跡することができます。また、モデルのパッケージ化と展開も簡単に行えます。 MLflowを使用すると、トレーニング実行中にパラメータとメトリックをログに記録することができます。 # mlflowライブラリをインポートする import mlflow # mlflowのトラッキングを開始する mlflow.start_run() mlflow.log_param("learning_rate", 0.01)…

「Google Bardの拡張機能を無料で使用する方法」

「Bard拡張機能を使用すると、Google Maps、YouTube、およびGmailをより効果的に利用できます」

Zipperを使用してサーバーレスアプリを高速に構築：TypeScriptで記述し、その他のすべてをオフロードする

「Ruby on Railsの良い思い出を振り返った後、私はZipperプラットフォームを発見し、どれだけ速く価値あるものを作れるかを試してみたいと思いました」

Learn more about Search Results ボタン - Page 13