ChatGPTによるプロンプトの生成｜NyaFu
えーっと、note初記事です。つたない内容でしかもメッチャ長文ですがお付き合いください。 今回はタイトルにあるように、Stable DiffusionのプロンプトをChatGPTで生成する、今までとはちょっと違うやり方をご紹介します。 簡単なレクチャーも含むのでかなりのテキスト量ですが、最後まで目を通していただければ良いことがきっとあります。 はじめにまずこれからお伝えする技法は現時点でGPT4の使用が前提となっています。（追記：Bingでも可能になりました） 3.5では、私の技量が至らず安定した結果が得られていません。 しかしながら、先だってこの手法をお伝えした有志の方々が3.5及びBingでの実現を模索されていることを予めお伝えしておきます。 今回の手法を発見した経緯とネタバレことの発端は遡ること１か月前、プロンプトを自動でジャンル分けしてデータベースに流し込み、逆にそこからプロンプト
時系列データから大量の特徴量を生成するパッケージ「tsfresh」の使い方｜CO-WRITE
こんにちは！突然ですが、皆さんは下のような二種類の時系列データを判別できるような特徴量を抜き出したいときに何を考えますか？そしてどうやって特徴量を抽出しますか？ 私はパッと見て次の手法を使えば特性が取り出せると思いました。 ピークの数 → k近傍法 ノイズの大きさ → 分散統計量 時系列方向で周期成分の大きさ → Wavelet変換 しかし、当然これだけでは十分な数の特性を網羅できていないでしょうし、適切な特性を抜き出すためにパラメータチューニングを行う必要があります（例えば、Wavelet変換であれば適切な基底関数を選ぶ必要があります）。 このように時系列データの特徴量エンジニアリングは調べることが無限にあり、どの特徴量を算出するかを考えているだけで日が暮れてしまいます。また、抜き出す特徴量が決まったとしてもモノによっては計算が複雑で実装に時間がかかってしまう場合もあります。 そんなとき
ChatGPTなどの大規模言語モデルはどんな理論で成立したのか？重要論文24個まとめ
2022年11月にChatGPTが公開され、たった1週間で100万ユーザーを超えたのをきっかけに、GoogleのBardやMicrosoftのBing AI Chatなど、大規模言語モデルを利用したチャットAIが続々とリリースされています。チャットAIを研究しているセバスティアン・ラシュカさんが、チャットAIが実用化されるまでの研究の軌跡を重要な論文24個に絞って要約しています。 Understanding Large Language Models - by Sebastian Raschka https://magazine.sebastianraschka.com/p/understanding-large-language-models ◆目次 ・主要なアーキテクチャとタスク ・スケーリングと効率性の向上 ・言語モデルを意図した方向へ誘導する ・人間のフィードバックによる強化学習(
LEDは太陽電池のように発電することができるのか実験してみました
太陽電池はn型とp型という、2種類の半導体が貼り合わされて作られています。この2種類の半導体の接合部分に光が差し込むと、半導体の中の電子が移動し電流が発生します。これが太陽電池の発電の原理です。 LEDもp型とn型の半導体が重なった構造をしています。p型半導体とn型半導体の間に電流を流すと、その接合面が発光します。 LEDも発電するのでは？？ 太陽電池もLEDもn型半導体とp型半導体という、2種類の半導体が積み重なった構造をしています。太陽電池の場合は、その接合部に光が当たることで発電します。LEDも、2種類の半導体の接合部に光が当たれば、発電するのではないでしょうか？？
Jupyterで計算・分析した何かをアプリっぽくプレゼンするまで - 33分4秒ではじめるStreamlit「雑」入門 - Lean Baseball
サムネイルで出してる内容がそのままこのエントリーのテーマです. Pythonアドベントカレンダー2020の9日目です. JX通信社のシニアエンジニアで, 趣味で野球*1とヘルスケア*2なデータを分析してるマンの@shinyorkeと申します. ちょっとしたデータサイエンスでもガチのR&Dでも何でもいいのですが, プレゼンするためのスライド作るとか, デモのアプリを作るのって相当ダルくないっすか? いやまあ大事な仕事なので不可避かつちゃんとやろうぜっていうのは事実*3なのですが, 手を抜くところは手を抜くべきだなというのが持論としてありますし, 「怠惰・傲慢・短気」というプログラマーの三大美徳からするとプレゼンの準備は最も「怠惰」であるべきとまで僕は思っています. そんな中, 今年はStreamlitという, 「データを見せるアプリを雑に作ろうぜ」っていうライブラリがめっちゃ流行りました（っ
Jupyter AI — Jupyter AI documentation
Jupyter AI# Welcome to Jupyter AI, which brings generative AI to Jupyter. Jupyter AI provides a user-friendly and powerful way to explore generative AI models in notebooks and improve your productivity in JupyterLab and the Jupyter Notebook. More specifically, Jupyter AI offers: An %%ai magic that turns the Jupyter notebook into a reproducible generative AI playground. This works anywhere the IPyt
タンパク質の言語モデル
ここ数年、深層学習に基づく生物配列の解析技術が台頭してきている。本稿は、その中でも特に急速に発達しているタンパク質の言語モデル（protein language models: pLMs）に関する総説である。アカデミアはもとより巨大IT企業も研究参画するこの技術は、基盤となるモデル開発がすでに一段落し、多様な生物学的・工学的タスクに対する応用結果が続々と報告されるフェーズに入っている。本稿では、最近のpLMsで中心的に用いられるTransformerの内部機構や学習方法、pLMsが獲得した生物学的情報の解析といった基本的な事項の解説から始め、配列解析、タンパク質機能予測・機能改変、立体構造予測、そして大規模言語モデルによる機能性タンパク質配列生成まで、実験的検証事例を交え幅広いテーマを紹介する。最後に、今後のpLMs研究が迎えうる展開について、萌芽的結果を踏まえつつ考察したい。
Sugimoto Algebra Seminar
We meet on every Friday at 16:00 in Sugimoto campus of Osaka Metropolitan University. The venue is Room E408 in the Science Building E. We broadcast the seminar via Zoom as well. Organizers: Yohsuke Matsuzawa, Ryo Kanda, Sho Ejiri, Takamichi Sano Friday, April 19, 2024, 16:00-17:00 Yoshimune Koreeda (Hiroshima University) Title : Jet scheme of singular surfaces of rational double points Abstract :
時系列予測モデルの実践論２ －昔のKaggleを事例に－ - NRI Data Science BLOG
Part2 特徴量エンジニアリング 前回の振り返り... パート１では、実践的な多変量時系列予測モデルを構築するためのアプローチを紹介し、過去のKaggleコンペティション のデータセットを用いて、ベースラインとなるSeasonal Naiveモデルを作成しました。 今回のパート２では特徴量エンジニアリングを扱います。 時系列データの特徴量エンジニアリング NRIデータサイエンスブログへようこそ！NRIのデータサイエンティスト、時系列予測プラクティスチームのSatyakiです。 パート2では、特徴量エンジニアリング、特に時系列のMLモデルのトレーニングに使用される特徴量について説明します。 ARIMAやExponential Smoothingなどの伝統的な時系列モデルと異なり、機械学習モデルはクロスセクションデータを用いて学習させるため、それぞれの学習用サンプルは独立していると考えられま
Naoto Shiraishi's webpage - 物理数学I・II（2022冬ー2023夏）
オンライン公開後のテキスト修正箇所： ・(3.4)及びその直上の不等式の向きを逆向きに変更（X^{-1}の単調性との証明の整合性のため）（10/13） ・p18で「X^{1/2}の単調性」が1か所「X^{-1/2}の単調性」となっていたので訂正（10/13） ・(2.43)の†が不要だったので削除（10/14） ・定理3.4の適用範囲X\leq 0をX>0に修正（10/14） ・定理3.5の適用範囲が抜けていたので補足（10/14） ・脚注35の式の最後の項がB^{-1}AとなるべきところがAB^{-1}となっていたので訂正（10/19） ・特異値分解の証明の最初の段落でA^¥dagger AとなるべきところがAA^\daggerとなっていた（3か所）ので訂正（10/19） ・[4-1]のWとVをW^¥daggerとV^daggerに訂正（10/19） ・6.1節に内点、境界点、端点の定義
パナソニックHD、AIでロボット同士の鉢合わせ約半分に--走行経路効率的に
パナソニック ホールディングス（パナソニックHD）は6月1日、人やほかのロボットが共存する環境下でも、ロボットの効率的な走行経路を計画できるAI技術を開発したと発表した。 パナソニックHDによると、労働力不足を補うために自律走行ロボットの開発、実証が進められ、オフィスビルのような狭い屋内環境でも、人や別のシステムの制御下にある複数のロボットと衝突することなく、かつ効率的な走行が求められているという。 その一方で、ロボットが衝突を避ける際に減速や停止を繰り返すと、そのたびに目的地までの到達時間に遅延が発生。このような環境で効率的な走行を実現するためには、遅延時間を考慮した難易度の高い走行経路の計画技術が要求される。 これまでにも、MAPF（Multi-agent Path Finding）という、グリッド状のグラフ上で複数ロボットが衝突しない経路を作成する問題設定が研究、応用されてきたが、従
24GB GPU で 20B LLM の RLHF ファインチューニング｜npaka
以下の記事が面白かったので、軽くまとめました。 ・Fine-tuning 20B LLMs with RLHF on a 24GB consumer GPU 1. LLM と RLHF「RLHF」と組み合わせた「LLM」は、ChatGPTなどの非常に強力なAIシステムを構築するための次のアプローチです。「RLHF」でLLMを学習するには、通常、次の3つのステップが必要です。 (1) 事前学習モデルを教師あり学習でファインチューニング。 (2) 報酬モデルの学習。 (3) 教師あり学習でファインチューニングしたモデルを、強化学習でさらにファインチューニング。 2. TRL「trl」は、LLMを誰でも簡単に強化学習でファインチューニングできることを目的としたライブラリです。これを使用して、映画の肯定的なレビューを生成するように調整したり、より毒性がないものに調整したりすることができます。 強化
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
Cookie support required
GitHub HTML viewer
https://people.math.harvard.edu/~lurie/papers/survey.pdf
Sentence Embeddings and Dimension Reduction in the Browser
System Pro
-.dvi
理論家の職探しのための大騒ぎ～アンダーソンの遺言～