Kaggleコンペ（LLM Science Exam）の振り返りと上位解法まとめ
コンペURL どんなコンペ？ LLM（ChatGPT）が作った科学・技術・工学・数学分野の問題をKaggle notebookという限られた環境下（主にメモリ13GBと9時間以内に完了）でどのくらいの精度で解けますか？という自然言語処理系のコンペ。 以下に入出力例を示しています。 ・入力 （質問）バタフライエフェクトとは何ですか？ （A）バタフライ効果とは、巨大な球体が不安定な平衡点から... （B）バタフライ効果は、古典物理学における必要条件... （C）バタフライ効果は、古典物理学における物理現象の... （D）バタフライ効果とは、巨大な球体が不安定な平衡点から.... （E）バタフライ効果は、物理学における因果関係の概念の適用と.... ・出力 E A B （解答を可能性の高い順番に出力） 評価指標はMAP@3（Mean Average Precision）でした。 ベースライン解法
How to win a Kaggle competition in Data Science (via Coursera): part 1/5
Source: CourseraThese are my notes from the 5-weeks course on Coursera, as taught by a team of data scientists and Kaggle GrandMasters. ## Week 1 ##by Alexander Guschin, GM #5, Yandex, lecturer at MIPT Mikhail Trofimo, PhD student at CCAS Learning ObjectivesDescribe competition mechanicsCompare real life applications and competitionsSummarize reasons to participate in data science competitionsDesc
How to Win Kaggle Competitions | by Pavel Ostyakov | Kaggle Days Paris
Pavel Ostyakov "How to win competitions, spending a minimum amount of time" Kaggle Days Paris was held in January 2019 and gathered over 200 participants to meet, learn and code with Kaggle Grandmasters, and compete in our traditional offline competition. This edition is presented by LogicAI in partnership with Kaggle and sponsored by LVMH, Christian Dior, Sephora, and Louis Vuitton. Kaggle D
State of Data Science and Machine Learning 2021
Download our executive summary for a profile of today's working data scientist and their tools
Kaggleで学んだBERTをfine-tuningする際のTips②〜精度改善編〜 | 株式会社AI Shift
こんにちは AIチームの戸田です 本記事では前回に引き続き、私がKaggleのコンペティションに参加して得た、Transformerをベースとした事前学習モデルのfine-tuningのTipsを共有させていただきます 前回は学習の効率化について書かせていただきましたので、今回は精度改善について書かせていただきます データ 前回に引き続きKaggleのコンペティション、CommonLit-Readabilityのtrainデータを使います validationの分け方などは前回の記事を参照していただければと思います 精度改善 一般的なニューラルネットワークモデルの精度改善方法として、ハイパーパラメータのチューニングやData Augmentationが上げられますが、ここではBERTを始めとするTransformerをベースとしたモデル（以降Transformerモデル）特有の工夫について
「Kaggle Grandmaster」PFN秋葉氏は、スキ...
世界有数の研究者やITエンジニアが集うAI企業Preferred Networks（PFN）。秋葉拓哉さんは、同社で機械学習基盤の執行役員を務めている。前職は国立情報学研究所の特任助教で、世界最高峰の国際会議で多数の論文が採択される研究者だった。さらに競技プログラミングのコンテスト「TopCoder」では、世界で数十人しかいない「ターゲット」というレベルに達し、データ分析コンペティション「Kaggle」では、世界で200人ほどの「Kaggle Grandmaster」の称号を得ている。 競技プログラミングとKaggleでその道を究めた秋葉さんは、習得したスキルや知識をどのように業務に生かしているのか。挫折を味わいながらも、それを乗り越えてきた秋葉さんのキャリアをひもとく。【松本香織、羽田顕人、斎藤公也】 〈Profile〉 秋葉 拓哉（あきば・たくや） 株式会社Preferred Netw
仕事も友達もKaggleで得た―。敏腕データサイエンティストが熱中する、分析で「競う」世界
仕事＝Kaggle＝趣味。脳医学、生物学など他分野の専門家と予測モデルを作り続ける、“コンペ漬け”の日々 ――2020年3月から在籍するNVIDIAでは、業務時間のほとんどをKaggleに費やしているそうですね。 小野寺：はい。9割超の時間はKaggleをやっています。完全に趣味が仕事になった感じですね。最初にNVIDIAに声をかけてもらった時は「えっ、遊んでいるだけでお金がもらえるの？」と驚きました。 ――小野寺さんが業務時間をKaggleに費やすことは、NVIDIAにとってはどんな意味があるのですか。 小野寺：Kaggleで得たデータサイエンスの知見などを、会社に還元しているんです。今は主に、「RAPIDS」（＊1）というソフトウエアライブラリを充実させるのに貢献しています。 ＊1 NVIDIAがオープンソースで提供する、データ分析をGPUで高速に実行するためのライブラリ ◆インタビュ
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
Stable Diffusion - Image to Prompts | Kaggle
How to Win a Data Science Competition | Kaggle
Google AI Open Images - Visual Relationship Track | Kaggle
Are Kaggle Competitions Worth It? Ponderings of a Kaggle Grandmaster
Visual Tutorial NER Chunking Token Classification
Annotated Corpus for Named Entity Recognition
Kensho Derived Wikimedia Dataset
NLP Preprocessing Functions
Introduction to Japanese spaCy/GINZA [日本語/Eng]
Clothing Fit Dataset for Size Recommendation
Google AI Open Images - Visual Relationship Track | Kaggle
Applied ML Summit
Pokemon image classification with EfficientNet