きれいなコードは互いに似通っているが、クソコードはどこもその趣が異なっている - きしだのHatena
先日のJJUG CCC 2023 Fallの懇親会でクソコードを研究しているという学生がいたのだけど、クソコードの研究は難しいという話をした。 人工的にクソコードを再現しても、あの野生のクソコードのクソさには全く足りないわけで。 トルストイが言うように「すべてきれいなコードは互いに似通っているが、クソコードはそれぞれにクソの趣を異にしているものである」なので、なかなか「これがクソコード」のように類型化するのも難しい。 典型的なクソコードを書いてみても、なんだかきれいなクソコードができてしまう。 クソコードはネットに出回らないので、資料の収集もまた難しい。ネットにないということは、ネットの情報に基づいている「AI」もホンモノのクソコードには触れていないことになる。 クソコード収集サイトをつくっても、実際のクソコードは業務固有処理も含まれるので、掲載できる形に整理していくと本来のクソさが薄れて
卒論/修論/博論のためのモダンな LaTeX の書き方 - 情報系大学院生のWebメモ
古い環境や、非推奨のコマンド・パッケージ・書式で LaTeX を書いていませんか？モダンな LaTeX で美しい卒業論文/修士論文/博士論文を書く方法を紹介します。 古いコマンド・パッケージ・書式を新しいものに書き換えるのはもちろん、ドキュメントクラスや処理系をよりモダンなものにすると、LaTeX ファイルの構造的な（セマンティックな、コードとしての）美しさや PDF ファイルの見た目の美しさを磨くことができます。 注意事項 モダンな LaTeX 環境の構築 エンコーディング：UTF-8 ドキュメントクラス：jsclasses 処理系：e-upTeX LaTeX ファイルをタイプセット（コンパイル）する TeXworks でタイプセットする コマンドプロンプトでタイプセットする 非推奨のコマンド・パッケージ・書式 太字や斜字など 数式 中央揃え EPS 画像 余談 参考サイト 注意事項 ま
芸能界から45歳で早稲田大学へ。俳優、研究者・いとうまい子さんの「大人になってかなえた夢」 - 天然生活web
歳を重ねても、チャレンジ精神を忘れずに。芸能界から45歳で早稲田大学へ入学、現在も同大学の研究室に所属しながら、東京大学で抗老化学の研究を行う、俳優、研究者のいとうまい子さんにお話を伺いました。 （『天然生活』2022年11月号掲載） 社会に恩返ししたいという夢に向かって、邁進中※記事中の情報は『天然生活』本誌掲載時のものです 1980年代に歌手デビュー、俳優として活躍中のいとうまい子さんは、研究者の顔もお持ちです。 「芸能生活25周年を迎えた40代、社会に対して何か恩返しがしたいと考えるようになりましたが、できることが思い浮かばず。大学に行けば、その土台が見つかるかもと思い、何気なく夫に相談したところ、背中を押してくれたんです」 関心があった予防医学を学び、自分の体を守ることの大切さを伝えたいと、早稲田大学の通信教育課程を受験。面接では『芸能人はすぐに辞める』といわれたそうですが、『目的
「生成AIは何に使えるか」はもはや愚問、活用して需要を突き止めたダイキン工業
ChatGPTの登場から早1年がたとうとしている。生成AI（人工知能）をどう生かすかが企業の競争力を分ける時代が迫る中、先行企業は一歩踏み込んだ活用に乗り出し始めた。セキュリティーを担保するオリジナルの仕組みを実装したり、自社の業務に合わせてチューニングを施したりといった具合だ。 ChatGPTをお試しで利用する段階は終わりを告げ、いよいよ企業独自の取り組みで差がつく段階に突入している。日本企業における意欲的な取り組みを追った。 全社に展開してニーズを把握 「生成AIが与えるインパクトや、技術との親和性を考えると、絶対に必要になると確信した」――。このように話すのはダイキン工業の清木場卓IT推進部IT企画担当課長兼テクノロジー・イノベーションセンター主任技師だ。 ダイキン工業は2023年2月、いち早く生成AIへの取り組みを始めるため、先進技術の活用提案をする組織「IT創発グループ」に生成A
今さら聞けないGAN（4） WGAN - Qiita
はじめに 前回までの記事で、DCGANへの拡張および、現状のGANの問題点について述べました。今回は、それを解決するための方法としてWGANおよびその改良版（WGAN-gp）について説明します。前回までの記事は以下 今さら聞けないGAN (1) 基本構造の理解 今さら聞けないGAN (2) DCGANによる画像生成 今さら聞けないGAN (3) 潜在変数と生成画像 WGANについて参考になったリンク Wasserstein GAN [arXiv:1701.07875] ご注文は機械学習ですか？ Wasserstein GAN（WGAN）でいらすとや画像を生成してみる Wasserstein GAN と Kantorovich-Rubinstein 双対性 #GANの問題点 学習が難しい 勾配消失問題が起こる 生成結果のクオリティを損失関数から判断しにくい モード崩壊が起こる 改良方法 Wa
フレンズ画像を生成させてみたい - Wasserstein AutoEncoder - Qiita
GrubCutを使ってそこそこ背景除去ができたので、そのデータを使って画像生成にチャレンジしてみました。今回はGANではなくWasserstein AutoEncoderを使っています。 Adversarial AutoEncoder 当初、Adversarial AutoEncoderの利用を考えていました。これはAutoEncoderをGANのアプローチで実現するもので、一般的なAutoEncoderと異なり画像の特徴を特定の分布に従った潜在空間に埋め込むもので、VAEに近いものと理解しています。 参考: [Survey]Adversarial Autoencoders - Qiita Wasserstein AutoEncoder Wasserstein AutoEncoderの符号化器は決定的ではなく確率的である方が潜在変数の次元数がデータの有効次元数と合わない場合でもうまく学習で
縮小ランク回帰
M 次元のベクトル x から N 次元のベクトル y への 写像で雑音 S が加わるもの y = Lx + S を考えます。L は線形写像を表す行列です。 実世界の問題において、 L がフルランクであることは 少なく、L のランクが M, N よりも小さいことが しばしば起こります。 仮に L のランクが H であると考えて、 Ax が H 次元のベクトルになるように設計したモデル y=BAx + S のことを縮小ランク回帰といいます。つまり A は M 次元ベクトルから H 次元ベクトルへの線形写像です。 ここで B と A が 行列で、この二つがパラメータです。 現実の問題では、真のランクはわかりませんが、 データから真のランクを 知るにはどうしたら良いでしょうか。 この問題を考えるとき、真のランクが r であるときの 確率的複雑さや汎化誤差の挙動がわかっていると、データから 計算した
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
拡散モデルによる画像生成（CVIMチュートリアル）
Data-Centric AI - 関連する学術分野と実践例 -
確率分布の取り扱い
表現論 Advent Calendar 2023 - Adventar
FPGAマガジン公式 | FPGA.Tokyo
https://www.renom.jp/ja/notebooks/tutorial/generative-model/WGAN/notebook.html
https://www.sciencedirect.com/science/article/abs/pii/S0893608005000559