生成AIのプロンプトを素敵に管理してくれるPythonの標準ライブラリ - Qiita
この記事について ファイルはTOML形式を利用します。 Pythonの標準ライブラリ（tomllib、string）を使った、生成AIのプロンプト管理を紹介します。 実施条件 Python 3.12（3.11以上が必要です） ライブラリのインストールは不要です 実装の紹介 今回は例として、Anthropicが公開しているプロンプトサンプルを置き換えていきます。 サンプルの中でもやや複雑なプロンプトになります。システムプロンプト、ユーザーとアシスタントのやりとりの往復があってから、質問を投げます。 普通にプロンプトを実装すると… まず、書き変える前の状態を見ていきます。Anthropicのサンプルそのままの状態です。 プロンプトサンプルから、プロンプトの実装部分をあらためて見てみます。 client.messages.create( model="claude-3-opus-20240229
👀✨革命的なAI言語誕生！Pythonの35,000倍速いMojoが登場！｜だいち
Mojo 🔥— NEW Language for AI (FIRST Look)より概要Chris Lattner氏が開発したプログラミング言語MojoはPythonを基盤としており、Pythonのスピードの問題を解決し、CやC++のパフォーマンスとAIモデルのプログラマビリティを組み合わせた言語である。また、Pythonの互換性があるため、Pythonの知識を活かしてMojoを使用することができる。 ハイライト💻 MojoはPythonを基盤としており、Pythonのスピードの問題を解決し、CやC++のパフォーマンスとAIモデルのプログラマビリティを組み合わせた言語である。 💾 MojoはPythonと互換性があるため、Pythonの知識を活かしてMojoを使用することができる。 🚀 Mojoは並列処理をサポートし、複数コアでの処理が可能であり、パフォーマンスを向上させることがで
Python: ベイズ最適化で機械学習モデルのハイパーパラメータを選ぶ - CUBE SUGAR CONTAINER
機械学習モデルにおいて、人間によるチューニングが必要なパラメータをハイパーパラメータと呼ぶ。 ハイパーパラメータをチューニングするやり方は色々とある。 例えば、良さそうなパラメータの組み合わせを全て試すグリッドサーチや、無作為に試すランダムサーチなど。 今回は、それとはちょっと違ったベイズ最適化というやり方を試してみる。 ベイズ最適化では、過去の試行結果から次に何処を調べれば良いかを確率分布と獲得関数にもとづいて決める。 これにより、比較的少ない試行回数でより優れたハイパーパラメータが選べるとされる。 Python でベイズ最適化をするためのパッケージとしては Bayesian Optimization や skopt、GPyOpt などがある。 今回は、その中でも Bayesian Optimization を使ってみることにした。 使った環境は次の通り。 $ sw_vers Produ
マイクロソフト、次世代の機械学習ツールと AI 開発ツールを発表
[2017 年 9 月 25 日] 米国フロリダ州のオーランドで 9/25～9/29 で開催されている Microsoft Ignite 2017 において、マイクロソフトの様々な最新 AI テクノロジーのロードマップが公開されました。新しい次世代の機械学習ツールの発表、Visual Studio に統合された AI 開発環境の提供、そしてプレビューで提供されている様々なツールや API の一般提供開始、などです。この記事では主なアップデートをまとめました。 次世代 Azure Machine Learning ツールの提供～ AML Workbench 等 Azure Machine Learning Studio を補完する次世代の機械学習ツールとして、以下の 3 種類のツールがプレビューとして利用できるようになりました。開発者の世界で ML や AI が取り入れられつつあるトレンドや
特徴量(素性)を作るときのメモ + scikit-learnにちょっと触る - 唯物是真 @Scaled_Wurm
機械学習のデータとして特徴量を作るときの注意点や悩むことなどをメモっておきました。 間違いなどが含まれているかもしれません。 基本的な内容ですので調べればもっと適切なやり方があると思います。 カテゴリカル・データ カテゴリカル・データというのは、いくつかの限られた種類の値をとり、その大小関係に意味が無いものです。 質的データとか名義尺度とか呼ばれることもあります。 例えば都道府県のデータを考えた時に、北海道と沖縄は違う値ですが、その大小関係は定義できません。 (もちろん北海道と沖縄に面積的な大小関係などはありますが、欲しい情報ではないとします) カテゴリカル・データを特徴量にするときにはカテゴリーごとにその特徴であるかどうかの二値にするとよいと言われています 以下に例を示します。それぞれの列がデータごとの特徴量を表していると考えてください 北海道:1 沖縄:0 東京:0 北海道:0 沖縄:
機械学習の情報を手法を中心にざっくり整理 - Qiita
概要 自分用のメモとして、機械学習に関する情報を浅く ( それなりに ) 広くをモットーに、ざっくり整理してみました。 少しでも、他の方の理解に役立ったら嬉しいです。 機械学習とは コンピュータプログラムが経験によって自動的に出力結果を改善していく仕組み。 機械学習の代表的な手法について記載します。 １．教師あり学習 ２．教師なし学習 ３．強化学習 に分けて記載しました。 ※概要説明は一例です。 1．教師あり学習 1-1．線形回帰 予測したい値を算出する式を連続する多項式として表し、各係数を最小二乗法や最尤推定法で求めることでモデルとなる式を決定する Pythonライブラリ：scikit-learn（sklearn.linear_model.LinearRegression） 参考：最小二乗法による線形回帰のアルゴリズム (自身のQiitaの過去記事です) 1-2．ロジスティック回帰 2択
Pythonコードを使用して、Pythonコードを書く方法を人工知能に学習させる | POSTD
ここでは少しの間、自律走行車のことは忘れてください。物事は深刻になってきています。この記事では、独自のコードを書くマシンを作ることに的を絞って話を進めていきたいと思います。 GlaDoS Skynet Spynetを使用します。 具体的に言うと、Pythonのソースコードを入力することで、自分でコードを書くように、文字レベルでのLong Short Term Memoryニューラルネットワークを訓練していきます。この学習は、TheanoとLasagneを使って、EC2のGPUインスタンス上で起動させます。説明が曖昧かもしれませんが、分かりやすく説明できるように頑張ってみます。 この試みは、 こちらの素晴らしいブログ記事 に触発され行うに至りました。皆さんもぜひ読んでみてください。 私はディープラーニングのエキスパートではありませんし、TheanoやGPUコンピューティングを扱うのも初めてで
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
