Search Results A

正確にピークと谷を検出するためのステップバイステップガイド

私たちの人間の脳は、その文脈に関連してピークを検出する能力に優れています目で見ると簡単なタスクでも、機械にとっては難しい課題になることもあります一般的に、ピークや谷は...

重要なデータサイエンスのスキルを習得するためのトップ10の時系列コース

時系列分析はデータサイエンスの世界での基本的なスキルであり、連続的なデータポイントの中に隠された貴重な洞察を解き明かすことができます株価を追跡している場合でも...

PyTorchを使用して畳み込みニューラルネットワークを構築する

このブログ投稿では、PyTorchを使用して画像分類のための畳み込みニューラルネットワークを構築するチュートリアルを提供しています特徴抽出のために畳み込み層とプーリング層を活用し、予測のために完全接続層を使用します

Machine learning

ベスト5のPower BIコース（2024年）

これらのコースは、あらゆるレベルの学習者がPower BIのフルポテンシャルを引き出すための構造化されたパスを提供しています

「大規模な言語モデルを使用した顧客調査フィードバック分析の強化」

はじめに顧客フィードバック分析の世界へようこそ。顧客の意見の未探索の富は、ビジネスの成功を形作ることができます。今日の激しい競争と大規模な言語モデルでは、顧客の思考を理解することは、もはや贅沢ではなく必要不可欠です。顧客フィードバック分析は、アートとサイエンスの両方であり、調査、レビュー、ソーシャルメディア、サポートのやり取りなど、さまざまなソースから実行可能な洞察を抽出するための方法論的なアプローチです。顧客のフィードバックが今まで以上に豊富に流れるデジタルの世界では、ビジネスはこの富にアクセスする方法を絶えず探し求めています。この記事では、AIと顧客フィードバック分析の融合を紹介し、自然言語処理（NLP）や機械学習などの技術が実行可能な洞察を抽出する方法を探ります。AIが顧客満足度向上とビジネスの成功に与える変革の可能性を明らかにします。AIと顧客体験最適化のシナジーを探求するこの啓蒙的な旅に参加してください。学習目標 AIの基礎： NLPや大規模な言語モデルなど、顧客フィードバック分析におけるAIの重要な概念を把握します。 AIの応用：調査、感情分析、フィードバックの分類、自動応答などでのAIの実用的な使用法を探り、その効率性を強調します。現実世界への影響：データ品質やプライバシーなどの顧客フィードバック分析におけるAIの課題と倫理的考慮事項を理解します。戦略的なAIの採用：フィードバック分析における意思決定、顧客志向、効率性、知能、革新を向上させるために、AIを戦略的に活用する方法を学びます。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。 AIの理解：簡潔な概要人工知能（AI）は、機械やシステムに人間のような知能を再現しようとする革命的な技術です。この簡潔な概要では、AIの核心的な概念と機能について洞察を提供します。人間の知能の模倣 AIは、データから学習し、パターンを認識し、意思決定を行い、通常は人間の認知を必要とするタスクを実行できるようにすることで、人間の知能をシミュレートすることを目指しています。これはアルゴリズムとデータの組み合わせによって行われます。アルゴリズムの役割アルゴリズム、つまり事前に定義されたルールと命令のセットがAIの基礎を形成しています。これらのアルゴリズムは、膨大な量のデータを処理し、相関関係を特定し、この情報を予測や意思決定に利用します。機械学習とディープラーニングは、データからの反復学習を通じてアルゴリズムのパフォーマンスを向上させるためのAIのサブセットです。データは燃料データはAIの命脈です。AIシステムがアクセスできる品質の高いデータが多ければ多いほど、パフォーマンスと精度が向上します。このデータには、テキスト、画像、音声など、AIシステムが分析または処理するために設計された情報の任意の形式が含まれます。 AIの種類 AIは、狭いまたは弱いAIと一般的または強いAIの2つの主要なタイプに分類されます。狭いAIは、言語翻訳や画像認識などの特定のタスク向けに設計されています。一方、一般的なAIは人間のような知能を持ち、人間の認知に類似した幅広いタスクを実行できます（ただし、このレベルのAIはまだ主に理論的なものです）。 AIの応用…

「2023年に行うべきトップ10のウェブスクレイピングプロジェクト」

Webスクレイピングとは、ボットの助けを借りてウェブサイトからコンテンツと情報を生成するプロセスです。データベースに保存されているデータとともに、全体のHTMLコードを抽出します。Webスクレイピングは、大規模なビジネス組織にとってさまざまな用途があります。それによって、彼らのターゲット市場の正確な連絡先情報を生成することができ、それがさらにこれらの企業のリードと売上を増やすのに役立ちます。Webスクレイピングは、市場で新興のスキルと技術です。Webスクレイピングプロジェクトに取り組むことは、個人にとってスキルを磨く上で非常に有益であり、彼らが働いている会社にとっても貴重な資産となります。以下は、2023年に行う必要のあるトップ10のWebスクレイピングプロジェクトのリストです。また読む：ソースコード付きの10の最高のデータ分析プロジェクト求人市場分析求職者にとって、オンラインの求人検索がどれだけ重要かを知っています。求職者の多様なニーズに対応し、求職者が簡単に求人を見つけるのを助けるWebスクレイピングプロジェクトを作成することは、非常に価値のあるツールです。求人検索サイト（Indeed、Glassdoor、LinkedInなど）から求人情報を収集し、これらのウェブサイトからデータをスクレイピングし、焦点を当てるべきキーパラメータを把握します。求人市場分析では、求人の説明、求人の場所、必要なスキル、必要な経験、そして最も重要なのは給与などの主要なメトリックに焦点を当てます。求人需要のトレンドを分析します。トレンドとなっている求人の場所を分析します。どの求人の役割がどのくらいの経験を必要とし、特定の求人に必要な重要なスキルは何かを調べます。たとえば、ソフトウェアエンジニアの求人をスクレイピングする場合、必要なスキルはコーディング言語の習熟度、データベースのメンテナンスのための実践などです。これらの洞察が十分に生成され、分析された後は、求職者がプロジェクトを進める際に理解しやすいようにデータを提示することが重要です。また読む：リサーチアナリストになるには？説明、スキル、給与 Eコマース価格トラッカーオンラインショッピングは、年々進化しています。電子商取引のウェブサイトが提供する快適さと利便性が非常に人気を集めています。Eコマースのウェブスクレイピングプロジェクトを作成し、価格を追跡する価値のあるツールを構築することができます。AmazonやFlipkartなどのスクレイピングしたいウェブサイトを選択します。リストされているすべての商品、その説明、およびその他の重要な情報の価格を追跡します。Webスクレイピングプロジェクトを作成し、価格がユーザーが定義したしきい値以下になった場合に生成されたリードの顧客にアラートを送信します。さまざまなオンライン小売業者の商品の価格を比較して、最良の価格を提供し、最も効率的なWebスクレイピングプロジェクトとして機能します。ニュースアグリゲーターニュースを読むことに熱中し、最新の情報を得ることに興味を持っている人々は、あらゆる分野のニュースを提供するプラットフォームを探しています。ニュースアグリゲーターのWebスクレイピングプロジェクトを開発することは、情報としてだけでなく、貴重なツールとなります。Times of India、Hindustan Times、Economic Timesなどの複数のニュースウェブサイトからニュース記事を収集するWebスクレイピングツールを作成します。収集したニュースを特定のトピックとキーワードで分類し、ユーザー向けにパーソナライズされたニュースフィードを作成します。これにより、ニュースをカテゴリ別に分類することが容易になります。不動産市場分析 Pythonプロジェクトを使用して不動産リスト（物件の詳細、価格、場所など）を収集するWebスクレイピングプロジェクトを作成します。不動産市場分析を行うための必須ツールとなります。市場のトレンド、物件の価値上昇率、賃貸収入の可能性を分析し、効率的なシステムを作成します。異なる不動産ウェブサイトから収集したこのデータを可視化し、投資家や家購入者が情報をもとに適切な判断を下すのに役立つツールを作成します。天気データダッシュボード楽しい活動やビジネスディールに出かける前に、天気の更新情報を確認することは非常に重要です。PythonのWebスクレイピングプロジェクトは、天気データダッシュボードの開発の例として考えられます。異なる天気解析ツールからデータを収集し、予測や過去のデータなどの天気情報を表示するダッシュボードを作成します。天気アラートや場所に基づいたおすすめなどの機能を含め、プロジェクトをパーソナライズします。…

マイクロソフトの研究者は、テキスト重視の画像の機械読み取りのためのマルチモーダルリテラシーモデルであるKosmos-2.5を紹介しました

近年、大規模言語モデル（LLM）が人工知能の中で注目を浴びていますが、これまで主にテキストに焦点を当て、視覚的な内容の理解に苦労してきました。多モーダル大規模言語モデル（MLLM）は、このギャップを埋めるために登場しました。MLLMは、ビジュアルとテキストの情報を単一のTransformerベースのモデルで組み合わせ、両方のモダリティからコンテンツを学習・生成することができるため、AIの能力の大幅な向上をもたらします。 KOSMOS-2.5は、統一されたフレームワーク内で2つの密接に関連する転写タスクを処理するために設計された多モーダルモデルです。最初のタスクは、空間認識を持つテキストブロックを生成し、テキストリッチな画像内のテキスト行に空間座標を割り当てることです。2番目のタスクは、さまざまなスタイルと構造を捉えたマークダウン形式の構造化されたテキスト出力を生成することに焦点を当てています。両方のタスクは、共有のTransformerアーキテクチャ、タスク固有のプロンプト、および適応可能なテキスト表現を利用した単一のシステムで管理されています。モデルのアーキテクチャは、ViT（Vision Transformer）に基づくビジョンエンコーダと、Transformerアーキテクチャに基づく言語デコーダを組み合わせ、リサンプラモジュールを介して接続されています。このモデルを訓練するためには、テキストが多い画像の大規模なデータセットで事前トレーニングを行います。このデータセットには、境界ボックス付きのテキスト行とプレーンなマークダウンテキストが含まれています。このデュアルタスクトレーニングのアプローチにより、KOSMOS-2.5の全体的な多モーダルリテラシー能力が向上します。上記の画像は、KOSMOS-2.5のモデルアーキテクチャを示しています。KOSMOS-2.5の性能は、エンドツーエンドのドキュメントレベルのテキスト認識と、マークダウン形式の画像からのテキスト生成の2つの主要なタスクで評価されます。実験結果は、テキスト集中の画像タスクの理解力における強力なパフォーマンスを示しています。さらに、KOSMOS-2.5は、フューショットおよびゼロショット学習を含むシナリオで有望な能力を発揮し、テキストリッチな画像を扱う実世界のアプリケーションにおいて、多目的なツールとなります。これらの有望な結果にもかかわらず、現在のモデルにはいくつかの制限があり、貴重な将来の研究方向を提供しています。たとえば、KOSMOS-2.5は現在、テキストの空間座標を入力と出力として事前トレーニングしているにもかかわらず、自然言語の指示を使用してドキュメント要素の位置を細かく制御することはサポートしていません。広範な研究領域では、モデルのスケーリング能力の開発をさらに進めるという重要な方向性があります。

「画像の匿名化はコンピュータビジョンのパフォーマンスにどのような影響を与えるのか？伝統的な匿名化技術とリアルな匿名化技術の比較」

画像匿名化は、識別可能な特徴をぼかすことにより、個人のプライバシーを保護するために視覚データを変更することを指します。デジタル時代が進むにつれて、画像内の個人データを保護する必要性が増しています。しかし、コンピュータビジョンモデルのトレーニング時には、匿名化されたデータが重要な情報を失うために精度に影響を与えることがあります。プライバシーとモデルのパフォーマンスのバランスをとることは、依然として重要な課題です。研究者は、データの有用性を維持しながらプライバシーを保護する方法を継続的に探求しています。特に自律型車両（AV）の研究において、視覚データの個人のプライバシーへの懸念は非常に重要です。ぼかしといった従来の画像匿名化の方法は、プライバシーを保護する一方で、コンピュータビジョンのタスクにおけるデータの有用性を低下させる可能性があります。顔のぼかしは、特に人間が主な焦点の場合にさまざまなコンピュータビジョンモデルの性能に悪影響を与えることがあります。最近の進歩では、生成モデルから合成されたコンテンツでプライバシーに関連するデータを置き換える現実的な匿名化が提案され、従来の方法よりもより多くの有用性を保持しています。また、歩様や服装などの顔以外の手がかりから個人を識別できる可能性を考慮した全身の匿名化の新たなトレンドも存在しています。同じ文脈で、最近発表された新しい論文では、これらの匿名化方法が自律型車両に関連する主要なタスクに与える影響を具体的に探求し、従来の技術とより現実的な技術を比較しています。以下は論文で提案された手法の簡潔な要約です：著者らは、コンピュータビジョンタスクにおける異なる画像匿名化手法の効果と結果を、特に自律型車両に関連するものに焦点を当てて探求しています。ぼかしやマスクアウトといった従来の手法と、現実的な匿名化と呼ばれる新しい手法の3つの主な手法を比較しています。後者は、生成モデルから合成されたコンテンツでプライバシーに関連する情報を置き換え、従来の手法よりも画像の有用性をより保持することを主張しています。彼らの研究では、2つの匿名化の主要領域、つまり顔と全身を定義するためにデータセットの注釈を利用しています。顔の匿名化には、DeepPrivacy2からのモデルを使用し、顔を合成します。全身の匿名化には、キーポイントの注釈に依存するU-Net GANモデルを利用しています。このモデルはDeepPrivacy2フレームワークと統合されています。最後に、合成された人体がローカルなコンテキスト（例：画像内の周囲の状況）に適合するだけでなく、画像の広範なコンテキストとも一致するようにするという課題に取り組んでいます。彼らは2つの解決策を提案しています：アドホックなヒストグラム均等化と潜在的な最適化を介したヒストグラムマッチング。研究者は、COCO2017、Cityscapes、およびBDD100Kの3つのデータセットを使用して、匿名化手法がモデルのトレーニングに与える影響を調査しました。結果は次のとおりです：顔の匿名化：CityscapesとBDD100kにはわずかな影響がありますが、COCOのポーズ推定では性能が著しく低下しました。全身の匿名化：すべての手法でパフォーマンスが低下し、現実的な匿名化はわずかに良い結果を示しましたが、元のデータセットには及びませんでした。データセットの違い：BDD100kとCityscapesの間には注釈と解像度の違いがあるため、顕著な相違があります。要するに、匿名化はプライバシーを保護しますが、選択した方法はモデルのパフォーマンスに影響を与える可能性があります。高度な技術でも、元のデータセットのパフォーマンスに近づけるために改良が必要です。本研究では、自律型車両向けのコンピュータビジョンモデルへの匿名化の影響を調査しました。顔の匿名化は特定のデータセットにほとんど影響を与えませんが、他のデータセットでは性能が劇的に低下し、現実的な匿名化が対策となりました。ただし、全身の匿名化は一貫してパフォーマンスが低下しましたが、現実的な手法の方がやや効果的でした。現実的な匿名化は、データ収集時のプライバシー上の懸念に対処するのに役立ちますが、完全なプライバシーを保証するものではありません。この研究の制限事項には、自動注釈の依存性や特定のモデルアーキテクチャが含まれます。将来の研究では、これらの匿名化手法を改良し、生成モデルの課題に取り組むことができるでしょう。

「ハックからハーモニーへ：レコメンデーションでの製品ルールの構造化」

今日のデータ駆動のランドスケープでは、推薦システムがソーシャルメディアのフィードから電子商取引まで、すべてを支えています機械学習アルゴリズムがすべての重要な作業を行っていると考えるのは誘惑されるかもしれませんが、…

分岐と限定法 -アルゴリズムをスクラッチからコーディングする前の導入

整数計画（IP）は、決定変数が整数値に制約される線形計画（LP）の特殊なケースですつまり、2.5や4.2のような値は解として考えられません

Learn more about Search Results A - Page 634