Submit Search
Upload
Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
•
Download as PPTX, PDF
•
0 likes
•
68 views
西岡 賢一郎
Follow
機械学習の社会実装勉強会第21回 (https://machine-learning-workshop.connpass.com/event/275945/) の発表の資料です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 18
Download now
Recommended
機械学習の社会実装勉強会第14回(https://machine-learning-workshop.connpass.com/event/257236/)で発表した資料です。
Amazon SageMakerでカスタムコンテナを使った学習
Amazon SageMakerでカスタムコンテナを使った学習
西岡 賢一郎
2022/10/30に開催された機械学習の社会実装勉強会第16回の発表で使用した資料です。 https://machine-learning-workshop.connpass.com/event/261688/ 動画はこちら https://youtu.be/VVLga-XYHY4
機械学習の特徴量を管理するAmazon SageMaker Feature Store
機械学習の特徴量を管理するAmazon SageMaker Feature Store
西岡 賢一郎
機械学習の社会実装勉強会第9回 (https://machine-learning-workshop.connpass.com/event/240822/) で発表した資料です。
Amazon SageMaker JumpStart
Amazon SageMaker JumpStart
西岡 賢一郎
機械学習の社会実装勉強会第13回で発表した内容です。 https://machine-learning-workshop.connpass.com/event/254936/ 動画はこちら https://www.youtube.com/watch?v=QfsojLXyhAA
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
西岡 賢一郎
機械学習の社会実装勉強会第19回の発表で試用した資料です。 https://machine-learning-workshop.connpass.com/event/272891/
Amazon SageMakerのNotebookからJobを作成する
Amazon SageMakerのNotebookからJobを作成する
西岡 賢一郎
第12回機械学習の社会実装勉強会 (https://machine-learning-workshop.connpass.com/event/250263/) の発表で使用した資料です。 発表動画はこちら https://www.youtube.com/watch?v=vLaHHJYUAYE
Amazon AthenaでSageMakerを使った推論
Amazon AthenaでSageMakerを使った推論
西岡 賢一郎
機械学習の社会実装勉強会第18回 (https://machine-learning-workshop.connpass.com/event/269886/) の発表で利用した資料です。 発表動画はこちら https://youtu.be/X60p70aS2yw
Amazon SageMaker ML Governance 3つの機能紹介
Amazon SageMaker ML Governance 3つの機能紹介
西岡 賢一郎
機械学習の社会実装勉強会第15回の発表で利用した資料です。 https://machine-learning-workshop.connpass.com/event/258733/ 動画はこちら https://youtu.be/0CL94gXWyAc
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
西岡 賢一郎
Recommended
機械学習の社会実装勉強会第14回(https://machine-learning-workshop.connpass.com/event/257236/)で発表した資料です。
Amazon SageMakerでカスタムコンテナを使った学習
Amazon SageMakerでカスタムコンテナを使った学習
西岡 賢一郎
2022/10/30に開催された機械学習の社会実装勉強会第16回の発表で使用した資料です。 https://machine-learning-workshop.connpass.com/event/261688/ 動画はこちら https://youtu.be/VVLga-XYHY4
機械学習の特徴量を管理するAmazon SageMaker Feature Store
機械学習の特徴量を管理するAmazon SageMaker Feature Store
西岡 賢一郎
機械学習の社会実装勉強会第9回 (https://machine-learning-workshop.connpass.com/event/240822/) で発表した資料です。
Amazon SageMaker JumpStart
Amazon SageMaker JumpStart
西岡 賢一郎
機械学習の社会実装勉強会第13回で発表した内容です。 https://machine-learning-workshop.connpass.com/event/254936/ 動画はこちら https://www.youtube.com/watch?v=QfsojLXyhAA
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
Amazon SageMakerでscikit-learnで作ったモデルのEndpoint作成
西岡 賢一郎
機械学習の社会実装勉強会第19回の発表で試用した資料です。 https://machine-learning-workshop.connpass.com/event/272891/
Amazon SageMakerのNotebookからJobを作成する
Amazon SageMakerのNotebookからJobを作成する
西岡 賢一郎
第12回機械学習の社会実装勉強会 (https://machine-learning-workshop.connpass.com/event/250263/) の発表で使用した資料です。 発表動画はこちら https://www.youtube.com/watch?v=vLaHHJYUAYE
Amazon AthenaでSageMakerを使った推論
Amazon AthenaでSageMakerを使った推論
西岡 賢一郎
機械学習の社会実装勉強会第18回 (https://machine-learning-workshop.connpass.com/event/269886/) の発表で利用した資料です。 発表動画はこちら https://youtu.be/X60p70aS2yw
Amazon SageMaker ML Governance 3つの機能紹介
Amazon SageMaker ML Governance 3つの機能紹介
西岡 賢一郎
機械学習の社会実装勉強会第15回の発表で利用した資料です。 https://machine-learning-workshop.connpass.com/event/258733/ 動画はこちら https://youtu.be/0CL94gXWyAc
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
機械学習用のデータを準備する Amazon SageMaker Data Wrangler - ノーコードで前処理から学習まで
西岡 賢一郎
2022/01/29に開催された第7回機械学習の社会実装勉強会の発表で使用したスライドです。 https://machine-learning-workshop.connpass.com/event/234428/
Amazon SageMaker Canvasを使ったノーコード機械学習
Amazon SageMaker Canvasを使ったノーコード機械学習
西岡 賢一郎
2023/02/18開催された機械学習の社会実装勉強会第20回 (https://machine-learning-workshop.connpass.com/event/273951/) の発表で使用した資料です。
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
西岡 賢一郎
機械学習の社会実装勉強会第8回の発表で利用した資料です。 https://machine-learning-workshop.connpass.com/event/238053/
Amazon SageMaker Studio Lab紹介
Amazon SageMaker Studio Lab紹介
西岡 賢一郎
2022/11/26に開催された機械学習の社会実装勉強会第17回(https://machine-learning-workshop.connpass.com/event/264914/)の発表で利用した資料です。 動画はこちら https://youtu.be/VO8RSbfBNic
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
西岡 賢一郎
2021年11月27日に機械学習の社会実装勉強会で発表した資料です。
H2Oを使ったノーコードのAutoML
H2Oを使ったノーコードのAutoML
西岡 賢一郎
2021/10/23開催の第4回機械学習の社会実装勉強会(https://machine-learning-workshop.connpass.com/event/226102/)で使用した資料です。
AutoGluonではじめるAutoML
AutoGluonではじめるAutoML
西岡 賢一郎
2022/04/29開催された第10回機械学習の社会実装勉強会 (https://machine-learning-workshop.connpass.com/event/243466/) で発表した資料です。
TorchDataチュートリアル解説
TorchDataチュートリアル解説
西岡 賢一郎
機械学習の社会実装勉強会第11回(https://machine-learning-workshop.connpass.com/event/246825/) の発表で使用した資料です。
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
西岡 賢一郎
第6回機械学習の社会実装勉強会 (https://machine-learning-workshop.connpass.com/event/233814/) で使用した資料です。
H2O Waveを使ったAIアプリケーション作成入門
H2O Waveを使ったAIアプリケーション作成入門
西岡 賢一郎
2021/08/28の機械学習の社会実装勉強会で発表した資料です。
機械学習の技術的負債
機械学習の技術的負債
西岡 賢一郎
2021/0925の機械学習の社会実装勉強会で発表した資料です。
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
2022年ラ・サール同窓会東京支部総会の発表で使用した資料です。
未来のカタチ x AI
未来のカタチ x AI
西岡 賢一郎
2022年1月11日のSTATION Aiでの講演で利用した資料です。
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
西岡 賢一郎
ユーザーアクションサイクルの紹介
実践的なUXデザインとグロースハック
実践的なUXデザインとグロースハック
Takahiro Ishiyama
2015/11/27にマイクロソフトにて開催した、「アルゴリズムから学ぶAzureMLモジュールの使い方 ~Azure Machine Learningとの連携について学ぶHDInsight編~」登壇時の資料です。
アルゴリズムから学ぶAzure mlモジュールの使いこなし方 hd-insight編-
アルゴリズムから学ぶAzure mlモジュールの使いこなし方 hd-insight編-
貴志 上坂
Developers Summit 2016冬で発表した時の資料です。
3Dプリント×Python ~コードからアプローチする3Dプリンティング~
3Dプリント×Python ~コードからアプローチする3Dプリンティング~
Takuro Wada
2016年6月28日ゲーム×データ分析活用セミナーの登壇資料 https://idcf.doorkeeper.jp/events/44844
ゲーム事業×データ分析 ドリコムにおける組織と仕事の組み立て方
ゲーム事業×データ分析 ドリコムにおける組織と仕事の組み立て方
Hisahiko Shiraishi
わんくま同盟 名古屋勉強会 #28のLT発表資料 http://www.wankuma.com/seminar/20130824nagoya28/ プロ生ちゃん http://pronama.azurewebsites.net/pronama/
プロ生ちゃんについて
プロ生ちゃんについて
You&I
Econ Fiesta 2に登壇させていただいた際のスライドです。 サイバーエージェント AI Lab Research Scientistの冨田が、社内の身近なところでマッチング・マーケットデザインの知見を活かして社内向けwebアプリを作ってみたというお話しです。 https://sansan.connpass.com/event/203771/
身近なところからはじめるマーケットデザイン
身近なところからはじめるマーケットデザイン
YojiTomita
Jaws Festa 11/03 - Mobingi
Jaws Festa 11/03 - Mobingi
Jaws Festa 11/03 - Mobingi
Zui Ou
テキストコミュニケーションが増えている現代、ミスコミュニケーションを減らすために知っておきたいEgocentrismに関する研究を紹介しています。 解説動画はこちら https://youtu.be/Zcd0zHlouMw
リモートワークで知っておきたい コミュニケーション時の過大な期待
リモートワークで知っておきたい コミュニケーション時の過大な期待
西岡 賢一郎
https://www.youtube.com/watch?v=Dh-OHvylEfo で使っている資料です。
リモートワークで意識すべき7つのこと
リモートワークで意識すべき7つのこと
西岡 賢一郎
More Related Content
Similar to Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
2022/01/29に開催された第7回機械学習の社会実装勉強会の発表で使用したスライドです。 https://machine-learning-workshop.connpass.com/event/234428/
Amazon SageMaker Canvasを使ったノーコード機械学習
Amazon SageMaker Canvasを使ったノーコード機械学習
西岡 賢一郎
2023/02/18開催された機械学習の社会実装勉強会第20回 (https://machine-learning-workshop.connpass.com/event/273951/) の発表で使用した資料です。
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
西岡 賢一郎
機械学習の社会実装勉強会第8回の発表で利用した資料です。 https://machine-learning-workshop.connpass.com/event/238053/
Amazon SageMaker Studio Lab紹介
Amazon SageMaker Studio Lab紹介
西岡 賢一郎
2022/11/26に開催された機械学習の社会実装勉強会第17回(https://machine-learning-workshop.connpass.com/event/264914/)の発表で利用した資料です。 動画はこちら https://youtu.be/VO8RSbfBNic
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
西岡 賢一郎
2021年11月27日に機械学習の社会実装勉強会で発表した資料です。
H2Oを使ったノーコードのAutoML
H2Oを使ったノーコードのAutoML
西岡 賢一郎
2021/10/23開催の第4回機械学習の社会実装勉強会(https://machine-learning-workshop.connpass.com/event/226102/)で使用した資料です。
AutoGluonではじめるAutoML
AutoGluonではじめるAutoML
西岡 賢一郎
2022/04/29開催された第10回機械学習の社会実装勉強会 (https://machine-learning-workshop.connpass.com/event/243466/) で発表した資料です。
TorchDataチュートリアル解説
TorchDataチュートリアル解説
西岡 賢一郎
機械学習の社会実装勉強会第11回(https://machine-learning-workshop.connpass.com/event/246825/) の発表で使用した資料です。
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
西岡 賢一郎
第6回機械学習の社会実装勉強会 (https://machine-learning-workshop.connpass.com/event/233814/) で使用した資料です。
H2O Waveを使ったAIアプリケーション作成入門
H2O Waveを使ったAIアプリケーション作成入門
西岡 賢一郎
2021/08/28の機械学習の社会実装勉強会で発表した資料です。
機械学習の技術的負債
機械学習の技術的負債
西岡 賢一郎
2021/0925の機械学習の社会実装勉強会で発表した資料です。
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
2022年ラ・サール同窓会東京支部総会の発表で使用した資料です。
未来のカタチ x AI
未来のカタチ x AI
西岡 賢一郎
2022年1月11日のSTATION Aiでの講演で利用した資料です。
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
西岡 賢一郎
ユーザーアクションサイクルの紹介
実践的なUXデザインとグロースハック
実践的なUXデザインとグロースハック
Takahiro Ishiyama
2015/11/27にマイクロソフトにて開催した、「アルゴリズムから学ぶAzureMLモジュールの使い方 ~Azure Machine Learningとの連携について学ぶHDInsight編~」登壇時の資料です。
アルゴリズムから学ぶAzure mlモジュールの使いこなし方 hd-insight編-
アルゴリズムから学ぶAzure mlモジュールの使いこなし方 hd-insight編-
貴志 上坂
Developers Summit 2016冬で発表した時の資料です。
3Dプリント×Python ~コードからアプローチする3Dプリンティング~
3Dプリント×Python ~コードからアプローチする3Dプリンティング~
Takuro Wada
2016年6月28日ゲーム×データ分析活用セミナーの登壇資料 https://idcf.doorkeeper.jp/events/44844
ゲーム事業×データ分析 ドリコムにおける組織と仕事の組み立て方
ゲーム事業×データ分析 ドリコムにおける組織と仕事の組み立て方
Hisahiko Shiraishi
わんくま同盟 名古屋勉強会 #28のLT発表資料 http://www.wankuma.com/seminar/20130824nagoya28/ プロ生ちゃん http://pronama.azurewebsites.net/pronama/
プロ生ちゃんについて
プロ生ちゃんについて
You&I
Econ Fiesta 2に登壇させていただいた際のスライドです。 サイバーエージェント AI Lab Research Scientistの冨田が、社内の身近なところでマッチング・マーケットデザインの知見を活かして社内向けwebアプリを作ってみたというお話しです。 https://sansan.connpass.com/event/203771/
身近なところからはじめるマーケットデザイン
身近なところからはじめるマーケットデザイン
YojiTomita
Jaws Festa 11/03 - Mobingi
Jaws Festa 11/03 - Mobingi
Jaws Festa 11/03 - Mobingi
Zui Ou
Similar to Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
(20)
Amazon SageMaker Canvasを使ったノーコード機械学習
Amazon SageMaker Canvasを使ったノーコード機械学習
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
Amazon SageMaker Ground Truthを使って手動のラベル付けを簡略化する
Amazon SageMaker Studio Lab紹介
Amazon SageMaker Studio Lab紹介
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
Feature StoreのOnline StoreとOffline Storeの違いについて理解する
H2Oを使ったノーコードのAutoML
H2Oを使ったノーコードのAutoML
AutoGluonではじめるAutoML
AutoGluonではじめるAutoML
TorchDataチュートリアル解説
TorchDataチュートリアル解説
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
Amazon Athenaで独自の関数を使う Amazon Athena UDF - AthenaでTweetの感情分析
H2O Waveを使ったAIアプリケーション作成入門
H2O Waveを使ったAIアプリケーション作成入門
機械学習の技術的負債
機械学習の技術的負債
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
未来のカタチ x AI
未来のカタチ x AI
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
PMFを目指すプロダクト開発組織が組織拡大するときににやるべきこと
実践的なUXデザインとグロースハック
実践的なUXデザインとグロースハック
アルゴリズムから学ぶAzure mlモジュールの使いこなし方 hd-insight編-
アルゴリズムから学ぶAzure mlモジュールの使いこなし方 hd-insight編-
3Dプリント×Python ~コードからアプローチする3Dプリンティング~
3Dプリント×Python ~コードからアプローチする3Dプリンティング~
ゲーム事業×データ分析 ドリコムにおける組織と仕事の組み立て方
ゲーム事業×データ分析 ドリコムにおける組織と仕事の組み立て方
プロ生ちゃんについて
プロ生ちゃんについて
身近なところからはじめるマーケットデザイン
身近なところからはじめるマーケットデザイン
Jaws Festa 11/03 - Mobingi
Jaws Festa 11/03 - Mobingi
More from 西岡 賢一郎
テキストコミュニケーションが増えている現代、ミスコミュニケーションを減らすために知っておきたいEgocentrismに関する研究を紹介しています。 解説動画はこちら https://youtu.be/Zcd0zHlouMw
リモートワークで知っておきたい コミュニケーション時の過大な期待
リモートワークで知っておきたい コミュニケーション時の過大な期待
西岡 賢一郎
https://www.youtube.com/watch?v=Dh-OHvylEfo で使っている資料です。
リモートワークで意識すべき7つのこと
リモートワークで意識すべき7つのこと
西岡 賢一郎
産業規模のデータを扱う機械学習では、データが変化することの影響により、計算にかかる時間やコストが爆発的に増えていきます。 Amazonが開発しているSageMakerを用いることで、時間もコストも大幅に減らすことができるという論文を解説しました。 参考にした論文はこちら Liberty, Edo, et al. "Elastic machine learning algorithms in amazon sagemaker." Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. 2020.
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
西岡 賢一郎
ストリートビューの画像データにディープラーニングを適用することで、その地域の豊かさを予測するという研究の紹介です。 他の地域で学習したモデルを転移学習に用いることができるということも実験的に示されています。 Suel, Esra, et al. "Measuring social, environmental and health inequalities using deep learning and street imagery." Scientific reports 9.1 (2019): 1-10. 解説動画はこちら → https://youtu.be/m0A9HvYx1wo
ストリートビューから地域の豊かさを推定
ストリートビューから地域の豊かさを推定
西岡 賢一郎
データ拡張 (Data Augmentation) を学習中に使い分けるRefined Data Augmentationについて解説しました。 He, Zhuoxun, et al. "Data augmentation revisited: Rethinking the distribution gap between clean and augmented data." arXiv preprint arXiv:1909.09148 (2019).
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
2021年のサイエンスに投稿された意思決定理論に機械学習を適用した論文を紹介します。 期待効用理論やプロスペクト理論をベースとしたモデルや、既存のモデルをベースとしないモデル、既存モデルを選択できるようにしたモデルなどを解説しました。 機械学習が違う分野で素晴らしい成果を上げた例の1つです。
人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか
西岡 賢一郎
ブラックボックスな機械学習のモデルを解釈可能にするための手法であるSHAPについての解説です。
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
西岡 賢一郎
機械学習の社会実装では、予測精度が高くても、機械学習がブラックボックであるために使うことができないということがよく起きます。 このスライドでは機械学習が不得意な予測結果の根拠を示すために考案されたLIMEの論文を解説します。 Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "" Why should i trust you?" Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016.
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
表形式データのために提案されたDNNをベースとしたモデルとXGBoostを比較した論文を解説。 DNNとXGBoostの両方を用いたアンサンブル学習が良い性能が出たという実験結果などを紹介します。 Shwartz-Ziv, Ravid, and Amitai Armon. "Tabular Data: Deep Learning is Not All You Need." arXiv preprint arXiv:2106.03253 (2021).
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
西岡 賢一郎
More from 西岡 賢一郎
(9)
リモートワークで知っておきたい コミュニケーション時の過大な期待
リモートワークで知っておきたい コミュニケーション時の過大な期待
リモートワークで意識すべき7つのこと
リモートワークで意識すべき7つのこと
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
機械学習プラットフォーム5つの課題とAmazon SageMakerの4つの利点
ストリートビューから地域の豊かさを推定
ストリートビューから地域の豊かさを推定
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
表形式データで高性能な予測モデルを構築する「DNNとXGBoostのアンサンブル学習」
Recently uploaded
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
CRI Japan, Inc.
公開URL:https://arxiv.org/pdf/2404.19174 出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023) 概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matching
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matching
harmonylab
FIDO Alliance Osaka Seminar
FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf
FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf
FIDO Alliance
2024/05/25 serverless Meetup osaka
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
ssuserbefd24
FIDO Alliance Osaka Seminar
FIDO Alliance Osaka Seminar: LY-DOCOMO-KDDI-Mercari Panel.pdf
FIDO Alliance Osaka Seminar: LY-DOCOMO-KDDI-Mercari Panel.pdf
FIDO Alliance
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料) 2024年4月24日(水) 株式会社NTTデータグループ 技術開発本部 笠原 辰仁
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
NTT DATA Technology & Innovation
FIDO Alliance Osaka Seminar
FIDO Alliance Osaka Seminar: Welcome Slides.pdf
FIDO Alliance Osaka Seminar: Welcome Slides.pdf
FIDO Alliance
YouTube nnabla channelの次の動画で利用したスライドです。 【AI論文解説】Consistency ModelとRectified Flow https://youtu.be/3IKCrAPe55k Consistency ModelとRectified Flowに関連する以下の論文を紹介しています。 Consistency models(解説編Part1で紹介) - “Consistency Models,” ICML 2023. - “Improved Techniques for Training Consistency Models,” ICLR 2024. - “Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion,” ICLR 2024. Rectified flow(解説編Part2で紹介) - “Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow,” ICLR 2023. - “InstaFlow: One Step is Enough for High-Quality Diffusion-Based Text-to-Image Generation,” ICLR 2024.
【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow
Sony - Neural Network Libraries
This presentation introduces a paper about offline reinforcement learning.
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
atsushi061452
FIDO Alliance Osaka Seminar
FIDO Alliance Osaka Seminar: PlayStation Passkey Deployment Case Study.pdf
FIDO Alliance Osaka Seminar: PlayStation Passkey Deployment Case Study.pdf
FIDO Alliance
This presentation introduces a paper about offline reinforcement learning.
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
atsushi061452
サイバーエージェントAI事業部の新卒研修で利用したスライドを公開します。
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
yassun7010
2024/05/24の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
iPride Co., Ltd.
FIDO Alliance Osaka Seminar
FIDO Alliance Osaka Seminar: CloudGate.pdf
FIDO Alliance Osaka Seminar: CloudGate.pdf
FIDO Alliance
Recently uploaded
(14)
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matching
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matching
FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf
FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
2024年5月25日Serverless Meetup大阪 アプリケーションをどこで動かすべきなのか.pptx
FIDO Alliance Osaka Seminar: LY-DOCOMO-KDDI-Mercari Panel.pdf
FIDO Alliance Osaka Seminar: LY-DOCOMO-KDDI-Mercari Panel.pdf
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)
FIDO Alliance Osaka Seminar: Welcome Slides.pdf
FIDO Alliance Osaka Seminar: Welcome Slides.pdf
【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes
FIDO Alliance Osaka Seminar: PlayStation Passkey Deployment Case Study.pdf
FIDO Alliance Osaka Seminar: PlayStation Passkey Deployment Case Study.pdf
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
論文紹介: Exploiting semantic segmentation to boost reinforcement learning in vid...
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。
FIDO Alliance Osaka Seminar: CloudGate.pdf
FIDO Alliance Osaka Seminar: CloudGate.pdf
Amazon SageMaker Foundation Modelsで事前学習済みモデルを利用する
1.
Amazon SageMaker Foundation
Modelsで 事前学習済みモデルを利用する 大規模言語モデルを社会実装する 2023/03/25 第21回勉強会
2.
自己紹介 ● 名前: 西岡
賢一郎 ○ Twitter: @ken_nishi ○ note: 西岡賢一郎@研究者から経営者へ (https://note.com/kenichiro) ○ YouTube: 【経営xデータサイエンスx開発】西岡 賢一郎のチャンネル (https://www.youtube.com/channel/UCpiskjqLv1AJg64jFCQIyBg) ● 経歴 ○ 東京大学で位置予測アルゴリズムを研究し博士 (学術) を取得 ○ 東京大学の博士課程在学中にデータサイエンスをもとにしたサービスを提供する株式会社ト ライディアを設立 ○ トライディアを別のIT会社に売却し、CTOとして3年半務め、2021年10月末にCTOを退職 ○ CDPのスタートアップと株式会社データインフォームドの2つに所属 ○ 自社および他社のプロダクト開発チーム・データサイエンスチームの立ち上げ経験
3.
本日のお話 ● 大規模言語モデルの社会実装 ● 事前学習モデル ●
Amazon SageMaker Foundation Models ● デモ
4.
大規模言語モデルの社会実装
5.
言語モデルとそれを用いたサービスの普及 ● 言語モデルの研究が急速に進み、次々と大規模言語モデルが開発されている ○ GPT-3
(Generative Pre-trained Transformer 3): OpenAIが開発した自然言語処理モデル ○ T5 (Text-to-Text Transfer Transformer): Googleが開発した自然言語処理モデル ○ BERT (Bidirectional Encoder Representations from Transformers): Googleが開発した自 然言語処理モデル ○ RoBERTa (Robustly Optimized BERT Pretraining Approach): Facebookが開発した自然言 語処理モデル ○ DALL-E: OpenAIによって開発された大規模言語モデル ● これらを用いたサービス開発も盛んになってきている ○ e.g. チャットボット、記事・レポート作成、翻訳など ● 大規模言語モデルを用いたサービス開発では大規模言語モデルを構築すると きの課題を乗り越えなければならない
6.
大規模言語モデルを構築する難しさ ● 計算資源 ○ 多くのパラメータを持つため、トレーニングや推論の際に高いコンピューティングパワーが必要 ●
データ ○ トレーニングするために大量の多くのデータが必要 ○ 多くの場合、大量のデータを収集することは困難であり、また、データの品質やバランスを維持す ることも難しい。 ● トレーニング時間 ○ 大規模言語モデルをトレーニングするには、数週間から数ヶ月かかる ○ データの変化に対応するための定期的な再トレーニングのコストも高い ● パラメータ数の調整 ○ 多くのパラメータを持つため、適切なパラメータ数の決定が難しい ■ パラメータ数が多すぎると、トレーニング時間が長くなり、オーバーフィッティングのリスク が高くなる ■ パラメータ数が少なすぎると、モデルの表現力が制限される
7.
大規模言語モデルの社会実装 ● 大規模言語モデルを学習するには、膨大なデータセットと高度な計算資源が 必要。しかし、それらができるのは、一部の大手IT企業や研究機関に限られ る。 ● 自社のアプリケーションやサービスに対して自然言語処理を適用したくても、 データや計算資源に限界があるため、高品質の自然言語処理モデルを構築す ることが困難 事前学習モデルをファインチューニングして 自社の自然言語処理タスクに適用する
8.
事前学習モデル
9.
事前学習モデル ● 事前学習モデルは、深層学習など、パラメータ数が非常に多く、学習に膨大 な計算資源が必要とされるモデルでよく使われる ● 大量のデータを用いて事前に学習されたモデルであるため、少ないデータで も高い性能を発揮できる ●
画像認識や自然言語処理など大量の学習データが必要なモデルでよく使われ る ● 事前学習モデルをファインチューニングすることで、特定のタスクに対して 高い性能を発揮することができる
10.
事前学習モデルを提供するサービス ● PyTorch Hub ●
https://pytorch.org/hub/ ● 使い方
11.
事前学習モデルを動かす環境の課題 pipでインストールしただけではいろいろなエラーが出てきて、一つ一つ解決して いかないといけない → 環境とセットでないとすぐに使うのは難しい
12.
Amazon SageMaker Foundation
Models
13.
Amazon SageMaker Amazon SageMakerでは、Foundation
Models (事前学習モデル) とそのモデル が動く環境が用意されている 事前学習モデル 計算環境
14.
提供されているFoundation Models ● AI21
Jurassic: AI21 Labsが開発した言語モデル ● Cohere Generate Model: Cohere Technologiesが開発した言語モデル ● Lyra-Fr 10B: フランス語のキュレーションデータで学習させた言語モデル ● Bloom: 産業規模の計算資源を用いて膨大な量のテキストデータに対してプ ロンプトからテキストを継続するように訓練されている ● FLAN-T5: 適切なプロンプトがあれば、テキストの要約、常識的な推論、自 然言語推論、質問と回答、文/感傷の分類、翻訳、代名詞解決などのゼロシ ョットNLPタスクを実行可能 ● Stable Diffusion: テキストからイメージを作成するモデル
15.
Foundation Modelsを使ってみる ● Amazon
SageMaker > Jump Start > Foundation Models でモデル一覧が参 照可能 ● TokyoリージョンなどJump Startがそもそも提供されていないリージョンも ある
16.
Model Overview モデルを選択すると以下が表示される ● モデルの説明 ●
モデルのお試し機能 ● モデルを使うためのサンプルnotebook
17.
モデルのお試し機能 Promptとパラメータを指定して、モデルを使ってテキストやイメージの生成ができる
18.
デモ ● Flan T5
XLを使ったテキスト作成 ● https://github.com/knishioka/machine-learning- workshop/blob/main/sagemaker/foundation_models/flat-t5.ipynb
Editor's Notes
こちらが私のプロフィールとなります。 機械学習には、大学時代の研究から携わっており、自分で立ち上げたスタートアップでも機械学習を使ったサービスを提供していました。 プロダクト開発チームやデータサイエンスチームの立ち上げなどもやっています。
パフォーマンス:大規模言語モデルは、多くのパラメータを持つため、トレーニングや推論の際に高いコンピューティングパワーを必要とします。そのため、パフォーマンスの向上に対応するためには、高性能なハードウェアと効率的なアルゴリズムが必要です。 データ:大規模言語モデルをトレーニングするためには、多くのデータが必要です。しかし、多くの場合、大量のデータを収集することは困難であり、また、データの品質やバランスを維持することも難しい場合があります。 トレーニング時間:大規模言語モデルをトレーニングするには、通常、数週間から数ヶ月かかります。トレーニング時間が長くなると、データの変化に対応するために定期的に再トレーニングする必要があり、トレーニングコストが高くなることがあります。 パラメータ数の調整:大規模言語モデルは、多くのパラメータを持っています。パラメータ数が多すぎると、トレーニング時間が長くなり、オーバーフィッティングのリスクが高くなります。一方、パラメータ数が少なすぎると、モデルの表現力が制限されることがあります。適切なパラメータ数を決定することは、難しい問題です。
Download now