A User Experience Storyboarding activity, based upon a presentation at SxSW 2011 by: Joseph O’Sullivan, Intuit & Rachel Evans, Intuit
![Users' Story: UX Storyboarding](https://cdn-ak-scissors.b.st-hatena.com/image/square/a72b6ab37807ffb011b3ff0ed75977530fc34a82/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fuxstoryboardingactivity-110811195014-phpapp01-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
2020/6/11 画像センシングシンポジウム オーガナイズドセッション2 「限られたデータからの深層学習」 https://confit.atlas.jp/guide/event/ssii2020/static/organized#OS2 での招待講演資料です。 コンピュータビジョン分野を中心とした転移学習についての講演です。 パブリックなデータセットも増えていて、物体検出や領域分割などの研究も盛んですが、実際に社会実装しようとするときのデータは学習データと異なる性質(異なるドメイン)のデータである場合も非常に多いです。 本講演では、そのような場合に有効なドメイン適応の原理となるアプローチ2つと応用としての物体検出と領域分割の事例を紹介しています。
【注意点】 ● MTurkにおける回答の質の悪化 現在、MTurkにおける回答の質の悪化が複数の論文で指摘されています。(botや不誠実な参加者)。代替サービスとしてProlificという学術利用に特化したクラウドソーシングサービスがあります。MTurkとProlificの回答の質を比較し、Prolificの利用を推奨すると結論付ける論文が複数発表されています。 ● ユーザ調査の報酬額の相場の変化 P12にて2010~12年頃の論文に書かれていた報酬額設定(低価格)を引用しましたが、現在は研究倫理の観点から十分な報酬額設定が重要視されています。 2019年現在における最新の報酬額の動向については以下の資料をご参照ください。 https://speakerdeck.com/ayakohasegawa/design-of-user-study ● 仕様変更 本資料は2018年当時のMTurkの
Persisting data from Amazon Kinesis using Amazon Kinesis Firehose is a popular pattern for streaming projects. However, building real-time analytics on these data introduces challenges, including managing the format, size and frequency of the files created. This session will present an end-to-end use case for deploying machine learning streaming analytics at-scale using Structured Streaming on Dat
1. The document discusses different patterns for implementing locks in a distributed key-value store to maximize concurrency and throughput of operations. 2. It describes a naive giant lock approach that locks the entire storage for any operation, resulting in poor concurrency and throughput. 3. Better approaches use metadata locks plus simple resource locks, and reference counting locks, to allow
Hivemall is an open source machine learning library built as a collection of Hive UDFs. It provides over 100 machine learning algorithms and functions for tasks like feature engineering, evaluation, and recommendation. Hivemall entered the Apache Incubator in 2016 and the first Apache release (v0.5.0) is upcoming. It supports platforms like Hive, Spark, and Pig for scalable parallel processing.Rea
ML Ops Study # 1 https://ml-ops.connpass.com/event/73814/ での発表資料です。メルカリで機械学習をどんな風に改善していったかなどの内容となっていますRead less
シリコンバレーのスタートアップを数多く取材する中で気付いた「シリコンバレーにおけるディシプリン(規律)の存在」や「General Electric(GE)やIBM、SAPといった老舗企業が必死になってシリコンバレーのスタートアップを真似している理由」、そして「日本企業がイノベーションを実現するための処方箋」について解説します 詳しく知りたい場合は「GE 巨人の復活」をご覧下さい。 http://www.nikkeibp.co.jp/atclpubmkt/book/17/P55110/ 今後の記事は「シリコンバレーNext」をご覧下さい。 http://itpro.nikkeibp.co.jp/siliconvalley/ Read less
In this tutorial we walk through state-of-the-art streaming systems, algorithms, and deployment architectures and cover the typical challenges in modern real-time big data platforms and offering insights on how to address them. We also discuss how advances in technology might impact the streaming architectures and applications of the future. Along the way, we explore the interplay between storage
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
処理を実行中です
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