Retrieval-Augmented Generation(RAG)とは？ | IBM ソリューション ブログ
主要カテゴリー IBM Cloud Blog IBM Data and AI IBM Consulting IBM Partner Ecosystem IBM Sustainability Software Client Engineering IBM テクニカル・サポート 社員が語る「キャリアとIBM」 IBM Cloud Blog IBM Cloud News IBM クラウド・ビジョン IBM Cloud アップデート情報 IBM Cloud チュートリアル IBM Data and AI IBM Watson Blog アナリティクス Data Science and AI SPSS Modeler ヒモトク Db2 オートメーション IBM Consulting デジタル変革（DX） アプリの開発とモダナイゼーション 製品／サービス ソフトウェア ハードウェア サービス 無料評価
量子群勉強ノート（教科書・参考文献集） - 古い土地
wagaizumo.hatenablog.com wagaizumo.hatenablog.com wagaizumo.hatenablog.com ようやく量子群について勉強することができる。12000文字。 量子化という病：非可換幾何学の夢 文献A：量子群の前に読むべき表現論の教科書 文献B：日本語で読める量子群の教科書 文献C：量子群の教科書 文献D：可解格子模型について 文献E：結び目理論と量子群 文献F：最高パス・箱玉系・艤装配位 文献G：量子群の広がり おわりに 『可積分系の歴史』で述べたように、Drinfeld-神保の量子群（1985年）の起源は、統計力学の可解格子模型などの量子可積分系が解ける理由を説明するYang-Baxter方程式の研究に求めることができる。 一般にYang-Baxter方程式を解くことは難しい。しかしその解である量子R行列は、個々の量子多体系モデルを通
ハンマースホイの作品｜ハンマースホイ / ハマスホイの世界
古代ギリシア彫刻アフロディア素描習作 1880年頃 納屋のある風景 1883年 農家 1883年 木立のある風景 1883年 若い女性の後ろ姿（アナ・ハンマースホイ） 1884年 若い女性の肖像、画家の妹アナ・ハンマースホイ 1885年 窓辺の老女 1885年 後姿の女性像 1888年 白い扉 1888年 自画像 1890年 イーダ・イルステズの肖像 1890年頃 イーダ・イルステズの肖像、のちの画家の妻 1890年 クレスチャンスボー宮殿、晩秋 1890-92年 フレズレクスホルム運河 1892年 画家の弟スヴェン・ハンマースホイの肖像 1892年 チェロ奏者 1893年 室内 1893年 ティアスデーエススコウエン（火曜の森） 1893年 アルフレズ・ブラムスンの肖像 1893年 窓辺のふたり 1895年頃 3人の若い女性 1895年 風景、ファーロム湖近くのリューエト 1896年 裁
dot言語を使わずにGraphvizでグラフを描く便利なライブラリ - Qiita
Graphvizはオープンソースのグラフ描画ソフトです。dot言語というグラフ構造を記述する言語によって書かれたグラフを綺麗に描画してくれます。Graphvizの良いところの一つはdot言語でグラフ構造さえ書けばノードやエッジをどのように配置するかは勝手に決めてくれるところでしょう。この機能があるおかげでグラフの管理や自動生成などが簡単に実現できます。 しかしグラフを描きたいと思っただけなのに新しい言語を覚えるのは大変です。加えてdot言語には変数や関数など抽象化をサポートする機能が乏しく複雑なグラフを描こうとするとコピペが大量に発生して記述が冗長になることもあります。そこでgraphvizというライブラリを使えばHaskellのEDSLとしてグラフ構造を記述することが可能になり、直接Graphvizを通してグラフ画像を生成することができます。必要ならdot言語を生成することも可能です。ち
大規模言語モデルの知識を補完するための Retriever の紹介 - ACES エンジニアブログ
こんにちは、株式会社ACESでインターンをしている篠田 (@shino__c) と申します。普段は博士課程の学生としてNLPの研究をしています。 ここ数ヶ月で ChatGPT に加えて GPT-4 等の大規模言語モデル (LLM) が次々とリリースされていますね。 ChatGPT (gpt-3.5-turbo) はAPIの使用料が安いことから、多くの人が気軽にLLMを使用できるようになり、AI、特にNLPを売りにしている多くの企業は技術的にどうやって競争優位性を築けばいいのか模索しているのではないでしょうか。 その問いに対する１つの答えになりそうなものに、Retriever というものがあります。 例えば、社内にある外部には出せない文書を元に顧客からの質問に答える質問応答のサービスを作りたい場合、ChatGPT のような LLM の訓練にはそのようなデータは使われていないため、prompt
どこでも効果 - Wikipedia
どこでも効果[1]（どこでもこうか、英: look-elsewhere effect、略称: LEE）とは、科学実験の統計分析における、特に複雑な素粒子物理学実験における現象であり、探索するパラメータ空間の大きさのせいで一見統計的に有意な観測が実際に偶然生じることを意味する[2][3][4][5][6]。 ひとたび分析におけるLook-elsewhere誤りの確率が認知されれば、標準的な数学手法を注意深く応用することによって補正することができる[7]。 統計学においては多重比較問題としてより一般的に知られているが、この用語は大型ハドロン衝突型加速器（LHC）でのヒッグスボゾンの探索の文脈で、2011年に一部のメディアの注目を浴びた[8]。 使用[編集] 多くの統計検定は、偶然の同時を仮定した時に任意の結果が得られる確率であるp値を与える。「XはYに影響を与えるか?」を問う時、Xを変動させ、
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
EinsteinPy - Making Einstein possible in Python — EinsteinPy
pdgLive