Search Results A

自己対戦を通じてエージェントをトレーニングして、三目並べをマスターする

あぁ！小学校！これは私たちが識字、算数、そして最適な○×ゲームのプレイなど、貴重なスキルを学んだ時期です友達と○×ゲームをプレイする時、相手に勝たれずに…

キュービットマジック：量子コンピューティングで神話の生物を創造する

しかし、少しの創造力を持つことで、私たちは多くの印象的な偉業を成し遂げることができますその一つに、魅力的な能力であるイメージや音楽の生成がありますそして、この記事では—神話上の生物の可視化が含まれます！

「検索強化生成システムのパフォーマンスを向上させるための10の方法」

LLMは素晴らしい発明ですが、1つの重要な問題がありますそれは、彼らが事実とは異なる情報を作り出すことですRAGは、LLMにクエリに回答する際に事実の文脈を与えることで、より有用にしますクイックスタートガイドを使用して...

「LLMプロンプティングにおける思考の一端：構造化されたLLM推論の概要」

スマートフォンやスマートホームの時代に、単なる指示に従うだけでなく、私たちと同様に複雑な論理を扱い、実際に考えるAIを想像してみてくださいまるでSFのように聞こえますね…

「なぜあなたの上司がODSC West 2023にあなたを求めるのか、その9つの理由」

「カンファレンスは新しいスキルを身につけるための素晴らしい方法であり、遠く離れた同僚とつながるための手段でもあり、新しい洞察を得るための手段であり、もちろん楽しむための手段でもありますさらに、カンファレンスに参加することは、あなただけでなく、会社全体にも利益をもたらすことができます以下に、なぜあなたの上司がそうすることを望むかの理由の一部を示します...」

ODSC West

「大規模言語モデルにおける合成データの活用方法」

大規模な言語モデルは、人々が人工知能のどの種類を考えるときに頭に浮かぶものですこれらのモデルが動作する要因は、これらのモデルが膨大な量のテキストデータで訓練されていることですこのデータの大部分の情報源は、一般に公開されているものです...

Synthetic Data

「ODSC West 2023に登場する10のトレンディングトピック」

ODSC Westまで残り1か月を切りました！ジェネラティブAI、LLMs、MLOps、機械学習、ディープラーニングなどに関する300時間以上の実践トレーニングセッション、ワークショップ、トークをお楽しみにしてくださいここではすべての素晴らしいセッションを紹介することはできませんが、以下は代表的なリストです...

West 2023

リーダーボードとモデルの評価の世界へようこそ。前回の投稿では、大規模言語モデルの評価について説明しました。今日は、異なるが同じくらい挑戦的な領域、つまり物体検出に乗り出します。最近、オブジェクト検出のリーダーボードをリリースしました。このリーダーボードでは、ハブで利用可能な物体検出モデルをいくつかのメトリックに基づいてランキングしています。このブログでは、モデルの評価方法を実証し、物体検出で使用される一般的なメトリック、Intersection over Union (IoU)、Average Precision (AP)、Average Recall (AR)の謎を解き明かします。さらに重要なことは、評価中に発生する可能性のある相違点や落とし穴に焦点を当て、モデルのパフォーマンスを批判的に理解し評価できる知識を身につけることです。すべての開発者や研究者は、正確に物体を検出し区別できるモデルを目指しています。私たちのオブジェクト検出リーダーボードは、彼らのアプリケーションのニーズに最も適したオープンソースモデルを見つけるための正しい場所です。しかし、「正確」とはこの文脈では本当に何を意味するのでしょうか？どのメトリックを信頼すべきでしょうか？それらはどのように計算されるのでしょうか？そして、さらに重要なことは、なぜいくつかのモデルが異なるレポートで相違した結果を示すことがあるのかということです。これらのすべての質問にこのブログで答えます。では、一緒にこの探求の旅に乗り出し、オブジェクト検出リーダーボードの秘密を解き明かしましょう！もしも紹介を飛ばして、物体検出メトリックの計算方法を学びたい場合は、メトリックセクションに移動してください。オブジェクト検出リーダーボードを基に最良のモデルを選ぶ方法を知りたい場合は、オブジェクト検出リーダーボードセクションを確認してください。目次はじめに物体検出とはメトリック平均適合率（Average Precision）とは、どのように計算されるのか？平均再現率（Average Recall）とは、どのように計算されるのか？平均適合率と平均再現率のバリエーションとは？オブジェクト検出リーダーボードメトリックに基づいて最適なモデルを選ぶ方法は？平均適合率の結果に影響を与えるパラメータは？結論…

「3Dガウシアンスプラッティング入門」

3Dガウススプラッティングは、小さな画像サンプルから学習したフォトリアルなシーンをリアルタイムでレンダリングするための技術であり、3Dガウススプラッティングによるリアルタイム放射輝度フィールドレンダリングに記載されています。この記事では、その動作原理とグラフィックスの未来について解説します。ガウススプラッティングのシーンの例については、こちらのリモートガウスビューアーをご覧ください。 3Dガウススプラッティングとは何ですか？ 3Dガウススプラッティングは、本質的にはラスタライゼーション技術です。つまり：シーンを説明するデータを持つ。データを画面に描画する。これは、コンピュータグラフィックスの三角形ラスタライゼーションに類似しており、画面上に多くの三角形を描画するために使用されます。ただし、三角形ではなくガウス分布を使用します。以下は、境界を明確にするために描画された単一のガウス分布のラスタライズ例です。ガウス分布は、次のパラメータで説明されます：位置：どこにあるか（XYZ）共分散：どのように伸縮されるか（3×3行列）色：何色か（RGB）アルファ：どれくらい透明か（α）実際には、複数のガウス分布が一度に描画されます。これが三つのガウス分布です。では、700万個のガウス分布はどうでしょうか？以下は、それぞれのガウス分布を完全に不透明にラスタライズしたものです。これが3Dガウススプラッティングの概要です。次に、論文で説明されている手順を詳しく見ていきましょう。動作原理 1. Structure from Motion 最初のステップは、Structure from…

「時系列データセットで欠損データを特定する方法」

欠損データのギャップを理解するための探索的データ分析の使用

Data science

Learn more about Search Results A - Page 647