人工知能やIoTを活用したビジネスを行う株式会社ABEJAの勉強会に参加してきました。 ＆CODEIQ MAGAZINEにて記事を書きました。 人工知能、機械学習、ディープラーニング――これらの技術はGoogleやMicrosoft、Facebookをはじめとした大型IT企業が牽引している側面もありますが、昨今、これらの技術を活用した事業を展開するベンチャーが続々と誕生しつつあります。今回はその最先端テクノロジーを紹介する勉強会に参加してきました！ codeiq.jp どうぞこちらの記事もよろしくお願いいたします。 こんにちは、@ikeayです。 機械学習にもいろいろなモデル（アルゴリズム）があります。これらのモデルは優劣だけではなく、得意分野・不得意分野があったりするので、解きたい問題に応じて最適なものを選びます。 scikit-learnより どういう時にどういうモデルを使えばいいか、

今年３月で東日本大震災より６年－－七回忌となる。その日、恐ろしいほど多くの「縁」が突然断ち切られた。画面越しとはいえ、あの日の光景は忘れられない。個人、家族を超え、コミュニティーまでもが深い傷を負った。その日に思いをはせ死者を悼むのは、同時代に生きた日本人なら当たり前のことだ。 ３月にはテレビや新聞でもいろいろな特集が組まれるだろう。毎年、その日のヒューマンストーリー、光の当たらなかった多くの苦難が掘り起こされてきた。 しかし、もしそこに「忘れないために」というような枕ことばが付くなら、私は違和感を抱く。年忌は死者を忘れないためのもの。しかし、「その日」被災した「その地」は、今も活動している多くの若者が未来を描いている地でもある。

どうも、まさとらん（@0310lan）です。 今回は、JavaScriptでJSONを使った「Webアプリ開発」に挑戦してみようと思います！ そこで、アップルが提供している「RSS Generator」からJSONデータを取得し、多彩なジャンルのランキングサイトを構築してみましょう！ 【 RSS Generator 】 「RSS Generator」という名前の通り、これはiTunes Storeで提供されているスマホアプリ、音楽、映画…などの最新情報をRSS形式で取得可能なURLを自動生成してくれるサービスです。 ただし、URLを少し変えるだけで「JSON(JSONP)データ」も取得できるようになっているので、このデータを読み込んでアプリや音楽などの最新ランキングを自動表示するサイトを作ってみたいと思います！ ■必要なファイルを準備しよう！ それでは、最初に必要となるファイルを準備すると

¹ SSAIL Lab, University of Illinois Urbana-Champaign, ² Anyscale, ³ Snowflake TL;DR: AutoSP automatically converts standard transformer training code into sequence-parallel code for long-context LLM training across multiple GPUs. Integrated…

注 デザイナーは、従来の事前構築済みコンポーネント (v1) とカスタム コンポーネント (v2) の 2 種類のコンポーネントをサポートします。 これら 2 種類のコンポーネントには互換性がありません。 従来の事前構築済みコンポーネントは、主にデータ処理や、回帰や分類などの従来の機械学習タスク向けの事前構築済みのコンポーネントを提供します。 この種類のコンポーネントは引き続きサポートされますが、新しいコンポーネントは追加されません。 カスタム コンポーネントを使用すると、独自のコードをコンポーネントとしてラップすることができます。 これは、ワークスペース間での共有と、Studio、CLI v2、SDK v2 インターフェイス間でのシームレスなオーサリングをサポートします。 新しいプロジェクトでは、AzureML V2 と互換性があり、新しく更新され続けるカスタム コンポーネントを使用する

シリコンバレーのエンジニアが一年ほどをDL(Deep Learning)を追いかけてみて思ったこと、感じたことをまとめてみました。とにかく伝えたいことは、DLはもはやその一言では片付けられないほどに構造やアプローチが多様化しているということ。そしてその進化スピードがえげつないほど速いということです。 将来のプログラミングや問題解決の仕方を変え、人を取り巻く環境を変えていくかもしれないというじりじりとした圧迫感。これを少しでも伝えられればと思っています。 このポストの方針 技術部分の説明は初心者向け。各構成要素など基礎から解説します。今からDLをキャッチアップしていく人には多分丁度良いです。 最初と最後だけ読むのも良いですが、各部の技術的な部分や難しさはできるだけ短く分かりやすく書くつもりですしここが一番大事なところです。できれば時間のあるときにじっくり読んでもらえればと思います。 内容 _

この数年で、プログラミング言語（PL）や機械学習のコミュニティは 確率的プログラミング（PP） を用いて、それぞれに共通する研究の関心事を明らかにしてきました。その概念は、抽象化のような強力なPLのコンセプトを”エクスポート”し、現状では複雑で困難な作業である統計的モデリングに再利用することができるかもしれない、というところにあります。 （講義ノートの 最新版 を閲覧したい方は、リンクをクリックしてください。ソースは GitHub に投稿してあります。誤りを発見した場合は、Pull Requestを送信してください。） 1. 何、そしてなぜ 1.1. 確率的プログラミングは○○○ではない 直観に反して、確率的プログラミングとは確率的に振る舞うソフトウェアを書くことでは ありません。 例えば、暗号のキー・ジェネレータやOSカーネルでの ASLR の実装、または回路設計のための 焼きなまし法

はじめに ソニーやパナソニック、シャープなどの日本を代表するエレクトロ二クス企業の苦境が昨今伝えられています。これらの企業では、かつてのようなイノベーションが止まってしまったように見えます。 日本発の代表的なイノベーションとして恐らく多くの人が想起するのは、1979年に発売されたソニーの携帯型音楽プレーヤー「ウォークマン」ではないでしょうか。音楽の楽しみ方など生活スタイルに影響を与えて、新しい市場を切り開いたというインパクトの大きさからも、10年以上にわたり世界市場シェアの5割以上を占めていたという競争力の持続性からも、真っ先に挙げられるべきイノベーションであったことは間違いありません。 近年の薄型テレビなどでも日本企業は確かにイノベーションを先導し、2000年代前半には世界をリードしていましたが、周知のようにすぐにアジア新興国に追い付かれてしまいました。今求められているのは、新市場を作り