Search Results ML

エントロピーを使用した時系列複雑性解析

すべてのデータサイエンティストはこれを知っています：Machine Learningの問題の解決における最初のステップは、データの探索ですそして、それは単にどの特徴が助けになるかを理解することについてだけではありません...

機械学習プロジェクトのロードマップの設計方法

「私はこの質問をさまざまなスタートアップのMLリーダーに投げかけ、いくつかの異なる回答を得ました特定の順序ではありませんが、次のようなことに気づいてください：これらの最初のステップのいずれも、新しいコードの作成とトレーニングではありません...」

「火星の地表起伏を予測するための単眼深度推定」

一枚の画像から地表面の高度を推定するためのいくつかの手法が文献で議論されてきました以前の記事で、一枚の2D画像の深度を予測することが可能であるかどうかについて述べました...

DSPyの内部：知っておく必要のある新しい言語モデルプログラミングフレームワーク

言語モデルプログラミング（LMP）フレームワークの世界は、ここ数か月で急速に拡大していますLangChainやLlamaIndexなどのフレームワークは、確かに関連するレベルの成果を上げています...

アマゾンの研究者たちは、「HandsOff」という手法を紹介しましたこの手法は合成画像データの手動注釈を不要にするものです

機械学習（ML）モデルをコンピュータビジョンタスクに使用する際、ラベル付きのトレーニングデータに大いに依存しています。ただし、このデータを収集し、注釈を付けることは時間と労力がかかります。この問題に対する実現可能な解決策として、合成データが登場しましたが、合成データを生成するにしても、しばしば人間のアナリストによる手作業の注釈が必要です。この問題に対処するための既存の手法は、一般に敵対的生成ネットワーク（GAN）を使用して合成画像を作成することです。GANは、識別器と生成器からなり、生成器は識別器を騙して本物の画像だと思わせることができる画像を生成することを学習します。GANは合成データの生成において有望な結果を示していますが、トレーニングには大量のラベル付きデータが必要であり、アノテーションされたデータが限られたシナリオでは効果が制限されます。 Amazonの研究者は、コンピュータビジョンとパターン認識会議（CVPR）で発表された「HandsOff」フレームワークという革新的なソリューションを紹介しました。HandsOffは、少数のラベル付き画像とGANを活用して、合成画像データの手動注釈の必要性を排除します。 HandsOffは、GANのパラメータを変更する代わりに、独立したGAN逆変換モデルを訓練して、本物の画像をGANの潜在空間上の点にマッピングするという新しいアプローチを採用しています。これにより、ラベル付き画像に基づいて点とラベルの小さなデータセットを作成し、GANの潜在空間上の点にラベルを付けることができる第3のモデルを訓練することができます。 HandsOffの重要なイノベーションは、学習された知覚的画像パッチ類似性（LPIPS）損失を使用してGAN逆変換モデルを微調整することです。LPIPSは、各モデル層に対してオブジェクト検出器などのコンピュータビジョンモデルの出力を比較することで、画像の類似性を測定します。真の潜在ベクトルと入力画像の推定潜在ベクトルの間のLPIPSの差を最小化するようにGAN逆変換モデルを最適化することで、研究者は完全に再構築されていないアイデアに対してもラベルの正確性を保証しています。 HandsOffは、セマンティックセグメンテーション、キーポイント検出、深度推定などの重要なコンピュータビジョンタスクで最先端のパフォーマンスを示しています。驚くべきことに、これは50枚未満の既存のラベル付き画像で達成されており、手動注釈を最小限に抑えながら高品質の合成データを生成するフレームワークの能力を示しています。まとめると、HandsOffフレームワークは、コンピュータビジョンと機械学習の分野における興味深いブレイクスルーです。合成データの広範な手動注釈の必要性を排除することで、MLモデルのトレーニングに必要なリソースと時間を大幅に削減します。GAN逆変換とLPIPS最適化の組み合わせによって、生成されたデータのラベルの正確性が保証されることが示されています。本文では具体的な数量的指標については触れていませんが、最先端のパフォーマンスを達成したという主張は有望であり、さらなる調査が必要です。全体として、HandsOffは、高品質なラベル付きデータへのアクセスを民主化し、さまざまなドメインや業界での利用を容易にすることにより、コンピュータビジョンの研究と応用の進歩に貢献するものとして期待されています。

「ニューロンの多様性を受け入れる：AIの効率と性能の飛躍」

多様性の役割は、生物学から社会学まで、さまざまな分野で議論の対象となってきましたしかし、ノースカロライナ州立大学の非線形人工知能研究所（NAIL）の最近の研究は、この論争において興味深い次元を開くものです：人工知能（AI）ニューラルネットワーク内の多様性自己反省の力：内部でニューラルネットワークを調整するウィリアム・ディットー、[…]

Artificial Intelligence

YOLOV8によるANPR

YOLO V8は、Ultralyticsチームによって開発された最新のモデルですこれまでの先行モデルと比べて精度と効率の両面で優れた状態にあります使いやすく、…

「LLMの力を活用する：ゼロショットとフューショットのプロンプティング」

はじめに LLMのパワーはAIコミュニティで新たなブームとなりました。GPT 3.5、GPT 4、BARDなどのさまざまな生成型AIソリューションが異なるユースケースで早期採用されています。これらは質問応答タスク、クリエイティブなテキストの執筆、批判的分析などに使用されています。これらのモデルは、さまざまなコーパス上で次の文予測などのタスクにトレーニングされているため、テキスト生成に優れていると期待されています。頑健なトランスフォーマーベースのニューラルネットワークにより、モデルは分類、翻訳、予測、エンティティの認識などの言語に基づく機械学習タスクにも適応することができます。したがって、適切な指示を与えることで、データサイエンティストは生成型AIプラットフォームをより実践的で産業的な言語ベースのMLユースケースに活用することが容易になりました。本記事では、プロンプティングを使用した普及した言語ベースのMLタスクに対する生成型LLMの使用方法を示し、ゼロショットとフューショットのプロンプティングの利点と制限を厳密に分析することを目指します。学習目標ゼロショットとフューショットのプロンプティングについて学ぶ。例として機械学習タスクのパフォーマンスを分析する。フューショットのプロンプティングをファインチューニングなどのより高度な技術と比較評価する。プロンプティング技術の利点と欠点を理解する。この記事はData Science Blogathonの一部として公開されました。プロンプティングとは？まず、LLMを定義しましょう。大規模言語モデル（LLM）とは、数億から数十億のパラメータを持つ、複数のトランスフォーマーとフィードフォワードニューラルネットワークの層で構築されたディープラーニングシステムです。これらはさまざまなソースの大規模なデータセットでトレーニングされ、テキストを理解し生成するために構築されています。言語翻訳、テキスト要約、質問応答、コンテンツ生成などが例です。LLMにはさまざまなタイプがあります：エンコーダのみ（BERT）、エンコーダ＋デコーダ（BART、T5）、デコーダのみ（PALM、GPTなど）。デコーダコンポーネントを持つLLMは生成型LLMと呼ばれ、これがほとんどのモダンなLLMの場合です。生成型LLMに特定のタスクを実行させるには、適切な指示を与えます。LLMは、プロンプトとも呼ばれる指示に基づいてエンドユーザーに応答するように設計されています。ChatGPTなどのLLMと対話したことがある場合、プロンプトを使用したことがあります。プロンプティングは、モデルが望ましい応答を返すための自然言語のクエリで私たちの意図をパッケージングすることです（例：図1、出典：Chat GPT）。以下のセクションでは、ゼロショットとフューショットの2つの主要なプロンプティング技術を詳しく見ていきます。それぞれの詳細と基本的な例を見ていきましょう。ゼロショットプロンプティングゼロショットプロンプティングは、生成型LLMに特有のゼロショット学習の特定のシナリオです。ゼロショットでは、モデルにラベル付きのデータを提供せず、完全に新しい問題に取り組むことを期待します。例えば、適切な指示を提供することにより、新しいタスクに対してChatGPTをゼロショットプロンプティングに使用します。LLMは多くのリソースからコンテンツを理解しているため、未知の問題に適応することができます。いくつかの例を見てみましょう。以下は、テキストをポジティブ、ニュートラル、ネガティブの感情クラスに分類するための例です。ツイートの例ツイートの例は、Twitter US…

「PyTorchのネステロフモーメンタムの実装は間違っていますか？」

「PyTorchのSGDのドキュメンテーションを詳しく見ると、彼らのNesterovモメンタムの実装は、元の論文に見られる数つの違いがあることがわかりますほとんど...」

「本番環境での機械学習モデルのモニタリング：なぜ必要であり、どのように行うか？」

「機械学習（ML）モデルの開発には時間がかかり、技術的な専門知識が必要ですデータサイエンスの愛好家として、探索や分析のためにデータセットを入手した際には、我々は喜んでトレーニングに着手します...」

Learn more about Search Results ML - Page 280