Search Results リポジトリ

「Microsoft AIが意図せずに秘密の情報を公開し、3年間にわたって38TBの機密データへのアクセス権を提供しました」

「過剰供給されたSASトークンが、約3年間にわたってGitHub上で38TBもの大量の個人データを公開していた物語」

「あなたのニューラルネットワークに最適な最適化アルゴリズム」

どんな機械学習モデルの開発にも、アイデア-実験-評価のサイクルに沿った厳格な実験プロセスが必要です上記のサイクルは、満足のいく結果が得られるまで繰り返されます…

「機械学習入門：その多様な形式を探索する」

最近、機械学習はどこにでもありますねもしもあなたがここにいるなら、機械学習が一体何なのかに興味を持ったのかもしれませんね！では、簡単に説明させていただきましょう機械学習とは、高度なレベルで言えば...

私が初めての＃30DayChartChallengeを使ってObservable Plotを学んだ方法

「もしデータの分野にいるなら、学びたいツールのリストが果てしなくあることになじみがあるでしょういつかは学びたい、と思っているものの一つが私にもありますが…」

コード生成のための5つのChatGPTの代替手段：超高速開発へのハイパードライブ

「ChatGPT の代わりにコード生成を強化し、開発を加速させるための 5 つの強力な代替手段を見つけよう最高のツールをいくつか試してみましょう」

ディープラーニングのためのラストバーンライブラリ

「研究者、MLエンジニア、開発者向けに柔軟性、パフォーマンス、使いやすさをバランスさせることを目指した、完全にRustで構築された新しいディープラーニングフレームワーク」

Machine learning

In Japanese 「GTE-tinyに会いましょう：ダウンストリームタスクのためのパワフルなテキスト埋め込み人工知能モデル」(GTE-tiny ni aimashou Daunsutori-mu tasuku no tame no pawafuru na tekisuto umekomi jōchū nō moeru) Note Please keep in mind that this translation is accurate, but it may be adjusted to fit

“` アリババのDAMOアカデミーのGTE-tinyは、軽量で高速なテキスト埋め込みモデルです。BERTフレームワークを使用し、様々な領域とユースケースを網羅する関連テキストペアの大規模なコーパスで訓練されています。GTE-smallから半分のレイヤーを削除し、多少性能は劣りますが（または全MiniLM-L6-v2システムと同じサイズでありながら性能が優れている可能性もあります）、ONNXオプションも用意されています。これは文を変換するモデルであり、文の意味を持つベクトル空間（384次元）に変換するために使用されます。オリジナルのthenlper/gte-smallのサイズと性能が半分に縮小されています。 GTE-tinyは、単語や文の間の意味的な関連性を学習する能力により、下流プロセスの多くの異なるタスクに使用することができます：データの検索と取得異なるテキストでの同じ意味テキストの再構成クエリへの応答テキストの要約機械翻訳 GTE-tinyは、コンパクトで高速なモデルから最大限の利益を得られる下流操作で優れた選択肢です。モバイルデバイス向けのテキスト埋め込みモデルやリアルタイム検索エンジンの開発など、さまざまなアプリケーションに適用できます。 GTE-tinyのいくつかの応用例：検索エンジンは、GTE-tinyを使用してユーザーのクエリとドキュメントを共有ベクトル空間に埋め込み、関連素材を効果的に取得できます。 GTE-tinyは、質問とパッセージを共有ベクトル空間にエンコードして、与えられたクエリに最も適した回答パッセージを迅速に特定する質疑応答システムに活用できます。テキスト要約システムは、GTE-tinyを使用して長文ドキュメントから要約を生成することができます。機械学習モデル向けの著名なオープンソースリポジトリであるHugging Faceは、GTE-tinyをダウンロードできるよう提供しています。さらに、新しいソフトウェアや既存のソフトウェアでの実装も簡単です。GTE-tinyは新しいモデルですが、既にいくつかの下流アプリケーションで成功を収めています。アリババのDAMOアカデミーは、GTE-tinyのパフォーマンスを最適化するために開発中でもあります。テキスト埋め込みモデルや関連する下流タスクを作成する研究者や開発者にとって、GTE-tinyは貴重なツールです。 GTE-tinyは、多くの異なるアプリケーションに適用できる堅牢で柔軟なテキスト埋め込みモデルです。コンパクトで高速なモデルが最も効果的に利用される用途には優れた選択肢となります。 “`

「データメッシュを探索する：データアーキテクチャのパラダイムシフト」

「データメッシュを探求しましょうデータの所有権と管理を分散させる近代的なデータアーキテクチャの手法です」

Data Engineering

フーリエ変換を用いた季節変動のモデリング

「ターゲットデータにフーリエ変換を適用して、時系列予測モデルの性能を向上させる方法」

初心者のためのZenML完全ガイド：MLOpsの簡素化

データサイエンス、機械学習、またはMLOpsに初めて取り組み、ツールの選択肢に圧倒されていますか？ ZenMLを考慮してみてください-効率化されたプロダクションパイプラインのためのオーケストレーションツールです。この記事では、ZenMLの機能と特徴について調査し、MLOpsの旅を簡素化します。学習目標 ZenMLの概念とコマンド ZenMLを使用したパイプラインの作成メタデータのトラッキング、キャッシング、およびバージョニングパラメータと設定 ZenMLの高度な機能この記事はData Science Blogathonの一部として公開されました。まず、ZenMLが何であるか、他のツールとの違い、そしてそれをどのように利用するかを把握しましょう。 ZenMLとは何ですか？ ZenMLは、データサイエンティスト、MLエンジニア、およびMLOps開発者向けのオープンソースのMLOps（機械学習オペレーション）フレームワークです。本番用のMLパイプラインの開発におけるコラボレーションを容易にします。 ZenMLは、そのシンプルさ、柔軟性、およびツールに依存しない性質で知られています。 MLワークフローに特化したインターフェースと抽象化を提供し、ユーザーが好みのツールをシームレスに統合し、ユニークな要件に合わせてワークフローをカスタマイズできるようにします。なぜZenMLを使うべきですか？ ZenMLは、データサイエンティスト、MLエンジニア、およびMLOpsエンジニアにいくつかの重要な利点をもたらします：簡素化されたパイプラインの作成： @stepおよび@pipelineデコレータを使用して簡単にMLパイプラインを構築できます。容易なメタデータのトラッキングとバージョニング： ZenMLは、パイプライン、実行、コンポーネント、アーティファクトを追跡するユーザーフレンドリーなダッシュボードを提供します。自動化された展開： ZenMLは、パイプラインとして定義されている場合に自動的に展開することで、モデルの展開を効率化し、カスタムドッカーイメージの必要性を排除します。…

Learn more about Search Results リポジトリ - Page 29