オープンドメイン質問応答技術の最新動向招待講演：言語処理学会年次大会（NLP2021）ワークショップ「AI王 〜クイズAI日本一決定戦〜」 https://sites.google.com/view/nlp2021-aio/
東京都デジタル人材確保・育成基本方針 ver.1.0
東京都デジタル人材確保・育成基本方針 エグゼクティブサマリー 方針策定の基本認識 組織が求めるデジタル人材像 QOSの高いデジタルサービスの実現にあたり、カギに なるのは「ひと」 デジタルサービスを支える「ひと」を確保・育成するとともに、 最大限の能力を発揮できるようにすることが重要 デジタルサービスの利用者からは直接見えない水面下で、 デジタル人材に係る確保・育成の取組みの充実が必要 人材の確保・育成に向けた具体的な取組 リスキリング 人材 高度 専門人材 ICT職 デジタルスキルマップの導入 ➡ICT職のスキルを詳細に可視化 ➡都庁内で不足しているスキルを把握 その結果を踏まえ、よりニーズに合致 した人材を戦略的に確保 デジタル人材の確保策 データ・デザインなどの高度な専門 研修の拡充 民間企業や海外への研修派遣 コミュニティ構築 ICT職向け デジタルリテラシ
GitHubだけで超高機能なスライド資料が作れる「GitPitch」の使い方を徹底解説！ - paiza times
どうも、まさとらん（@0310lan）です！ 今回は、ブラウザ上のGitHubでMarkdown（マークダウン）ファイルを作成し、そのまま超高機能なスライド資料に変換してくれるサービスのご紹介です！ もちろん、自分でMarkdownファイルを用意してpushするだけでもOKなのですが、今回はコンソール画面などは使わずにすべてブラウザだけで完結できる方法をご紹介致します。 【 GitPitch 】 ■「GitPitch」の基本的な使い方！ それでは、実際に簡単なスライド資料を作ってみましょう！ まず最初に、自分のGitHubアカウントでログインし、新規のリポジトリを作成しましょう！ 「① リポジトリ名」は好きな名前を付けてください。 画面下にある「② チェックボックス」をONにしてから「③ Create repository」ボタンをクリックしましょう。 すると、自動的に「README.md
レガシーコードの触り方 / Working Effectively with Legacy Code
オープンセミナー2017@岡山
Ruby で高速なプログラムを書く
2. 自己紹介：遠藤侑介 • Ruby コミッタ（2008年～） – Rubyのテストを増強した – コードカバレッジ測定機能を 実装した – キーワード引数を実装した – Ruby 2.0 リリースマネージャ だった – 最近は何もしてない 2 ’06下 ’07上 ’07下 ’08上 60 70 80 90 100 coverage(%) 70% 85% C0カバレッジ遷移 3. と私 • 立ち上げの時に @chezou さんに相談を受けた • 初期に数回だけ参加した • Kawasaki.rb #005 （2013-10-23）で発表した – 以上（すみません） • ちなみに Kawasaki.rb #005 で発表したものは 3 4. eval$s=%q(eval(%w(B=92.chr;N=10.chr;n=0;e=->(s){Q[Q[s,B],?"].gsub(N,B+?n)};
ユーザーに受け入れられ、問題を起こしづらい大規模リニューアルの進め方
iOSDC Japan 2016の発表資料です。 https://iosdc.jp/2016/c/node/84
Stanコードの書き方 中級編 | Sunny side up!
暑いですね。夏ですね。 今年も広島ベイズ塾は夏合宿を行いました。そこで発表した，Stanコードの書き方中級編についてのスライドをアップしました。 内容としては，回帰分析から一般化線形モデル，欠損値のあるモデル，潜在変数があるモデル，ゼロ過剰分布，混合分布モデルなどを扱いました。いつものように長いです。 扱った分布は，正規分布，ベルヌーイ分布，二項分布，ポアソン分布，ガンマ分布，対数正規分布，ベータ分布，負の二項分布，ベータ二項分布，などです。それに加えてゼロ過剰ポアソン分布なども扱いました。 コードは2.10以降のバージョンで書いています。 最初の方にベイズ統計によるモデリングの話がありますが，この辺りがわかってる人は飛ばしてコードだけ見てもらってもいいかと思います。
技術者と研究者の狭間で得たたったひとつの教訓 2016 / career-keynote-2016
新卒研修 贈る言葉 - キャリア・キーノート 2016
RCOアドテク部論文輪読会：「Random Search for Hyper-Parameter Optimization」を紹介しました | RCO Ad-Tech Lab Blog
RCOアドテク部論文輪読会：「Random Search for Hyper-Parameter Optimization」を紹介しました 2016/03/15s_akiba エンジニアの秋庭です。 データ分析チームの論文輪読会にて、「Random Search for Hyper-Parameter Optimization」[1]を紹介しました。 こちらの論文では、機械学習のハイパーパラメータ探索手法として、Random Searchに注目し、Grid Searchとの比較を行っています。Random Search自体は、非常に簡単な手法ですが、Grid Seachと比較して、効率的にハイパーパラメータの探索を行うことができます。機械学習のハイパーパラメータには、性能に影響を与える重要なパラメータとあまり重要ではないパラメータがあります(論文中では、それぞれ、Important par
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
サブスクリプション決済入門 Stripeでの実装方法と、要件定義時のポイント/jp_stripes_okayama_vol3
AI Project Management Flow and Build Trap Review
https://www.kamishima.net/archive/clustering.pdf
Beyond Intra-modality Discrepancy: A Survey of Heterogeneous Person Re-identification
サービス別資料 | AWS クラウドサービス活用資料集
http://i.stanford.edu/~jure/pub/talks2/graphsage-ieee_bigdata-dec17a.pdf
遺伝的FM音源
TLS徹底演習
【資料公開】強いチームの作り方(デブサミ2016版)
(分散)バージョン管理システムの組織化
画像認識に関する 機械学習技術 / kivantium さん - ニコナレ
