■イベント 【Sansan×エムスリー】自然言語処理勉強会(ライブ配信あり) https://sansan.connpass.com/event/125652/ ■登壇概要 タイトル:多値分類における階層構造を利用したマルチタスク学習とその解釈性 登壇者:DSOC R&D Group 奥田裕樹 ▼Sansan Builders Box https://buildersbox.corp-sansan.com/
AIで顔や広告を自動生成――サイバーエージェントは学習データをどのように集めたか?:“おいしいデータ”で、成果が出るAIモデルを育てる(3)(1/2 ページ) 「AIに広告を自動生成させる」――サイバーエージェントでインターネット広告事業本部の毛利真崇氏が、現在取り組んでいるAIモデル研究開発について語った。 広告事業を展開するサイバーエージェントは、「細分化が進むターゲティング対象に合わせて大量の広告を作成しなければならない」という課題に対し、バナー画像などの広告をAIで大量生成したり、広告に必要な人物画像を自動生成したりして乗り越えようとしている。 「“おいしいデータ”で、成果が出るAIモデルを育てる」第3回は、2019年3月に開催された「SIX 2019」において、サイバーエージェントでインターネット広告事業本部の毛利真崇氏が講演した内容を、要約してお伝えする。 AIモデル開発に利用
本の詳細についてはこちらのエントリをごらんください。 kirimin.hatenablog.com pixiv PAYを使った前払い取り置きをやります pixiv PAYというサービスを使って、技術書典で配布する本の前払いかつ取り置き(予約販売)を行います。 事前に購入していただくことで、売り切れの心配なく確実に本を手に入れて頂くことができます。 どうしてやるの? システム的に可能そうだったので、試してみたいというのが主な動機です。どこかから怒られたら中止します。 同人誌というのは需要を読むのが難しく、サークル側としては何部くらい刷ればいいのか分からず、出来るだけ売り切りたい気持ちもあり弱気な発行部数になりがちです。 一方、一般参加者側としては欲しい本が何時ごろに行けば確実に入手出来るのかが難しかったりします。 なにか事情があり早い時間に買いにいくのが難しい場合もありますが、目的の本はやは
ベイジで新評価システムの運用を開始するにあたって作った、仕事と給与と評価の関係を説明した社内向けのスライドです。会社や経営者によって考え方は変わると思いますが、できるだけ分かりやすく、一般化してみました。何かの参考になれば幸いです。
- The ABEJA platform provides an AI platform that allows for faster circulation of high-volume data through its capabilities in data collection, storage, training, deployment, inference, and retraining. - It offers AI-Ops solutions for businesses through machine learning to efficiently annotate large datasets and achieve high-performance pattern recognition. - ABEJA aims to advance the state-of-th
English | Japanese 大変お待たせしました。京都でもUber Taxiが2019年4月23日(火)よりスタートします。京都と言えば、日本のみならず、海外からも多くの方が訪れる一大観光地です。そこで、Uberはエムケイ株式会社(MKタクシー)と提携し、観光客の足として、また京都の毎日の移動をさらに快適で楽しいものとすべく、新たなタクシー乗車体験を提供します。 サービス開始を記念して、以下3つのキャンペーンを6月2日(日)まで実施します。ぜひご利用、またご参加ください! キャンペーン1: 初めてご利用の方限定で、タクシー乗車が最大4,000円無料! 本日より2019年6月2日(日)までの間、Uberを初めてご利用される方限定で、初回から4回目のご乗車が各回1,000円割引になるプロモーションコードをプレゼント。ただし、ご入力いただける期間は2019年5月19日までとなっており
創薬においてコンピュータの活用はますます盛んになってきており、2012年にはKaggleでコンペも開催されました。このコンペは標的に対する分子の活性を推定するというタスクでした。 用いられた手法としては1位はDeep Learning、2位は非Deepな機械学習手法でありスコアにこそ大差はありませんでしたが、創薬においてDeep Learningの適用可能性を示したことで当時は話題になったそうです。だいぶ前のコンペなの解説記事はすでに多くありますが、コンペを通じて創薬の概要とDeep Learningがどのようなアプローチで適用されたのかを紹介してみます。 !Caution! できる限りの調査をしましたが、私は製薬や医療に詳しい人ではないので誤った解釈をしてしまっている可能性があります。「ここ間違っている」と言う点がありましたら指摘いただけると幸いです。 では、はじめにコンペのタスク背景と
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