本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。
近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。
"Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise.
The slides are made by the lecturer from outside our company, and shared here with his/her permission.
Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステムを導入しています。AIをいかに上手に使って仕事を効率化するか、そして人々の役に立つ結果を生み出すのか、それを考えるのが私たちの仕事です。
Arithmer began at the University of Tokyo Graduate School of Mathematical Sciences. Today, our research of modern mathematics and AI systems has the capability of providing solutions when dealing with tough complex issues. At Arithmer we believe it is our job to realize the functions of AI through improving work efficiency and producing more useful results for society.
This document summarizes a presentation on the bandit problem and algorithms to solve it. The presentation will:
1) Explain what the bandit problem is and provide a simple example.
2) Describe algorithms for solving the bandit problem, including epsilon-greedy and Thompson sampling.
3) Discuss how to apply bandit algorithms to problems that include contextual information.
Karl Fristonが提唱している「自由エネルギー原理(free-energy principle = FEP)」について、北大文学部の聴衆を対象にして、物理学や機械学習の知識の前提抜きにして、説明を行い、その意義を説明したものです。FEPの意識研究への応用に向けて、FEPとエナクション説の近接性について強調したものとなっております。
Au Canada, on estime que 29 % des étudiants suivent au moins un cours en ligne durant leurs études universitaires, et que les inscriptions à de tels cours augmentent en moyenne de 8,75 % par année (Martel, 2015). Bien que de nombreuses études aient démontré qu’elle soit au moins aussi efficace que la formation traditionnelle (Bernard et al., 2004; Russel, 1999), la formation en ligne présenterait un taux d’abandon plus élevé qu’en formation traditionnelle : entre 25 % et 40 % comparativement à 10 % à 20 % sur campus (Levy, 2007). Un des objectifs premiers de l’analyse de l’apprentissage (learning analytics) consiste à aider les enseignants à identifier rapidement les étudiants à risque avant qu’il ne soit trop tard pour intervenir (Sclater et al., 2016). Même si l’analyse de l’apprentissage est encore à un stade de développement relativement précoce, il existe des preuves convaincantes qu’elle peut contribuer à améliorer la persévérance et la réussite (Sclater et al., 2016). L’objectif de cette communication est de définir le concept d’analyse d’apprentissage et de dresser un état des lieux des recherches menées jusqu’à présent, afin de conclure à savoir si ses prétentions concernant la persévérance et la réussite sont justifiées.
本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。
近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。
"Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise.
The slides are made by the lecturer from outside our company, and shared here with his/her permission.
Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステムを導入しています。AIをいかに上手に使って仕事を効率化するか、そして人々の役に立つ結果を生み出すのか、それを考えるのが私たちの仕事です。
Arithmer began at the University of Tokyo Graduate School of Mathematical Sciences. Today, our research of modern mathematics and AI systems has the capability of providing solutions when dealing with tough complex issues. At Arithmer we believe it is our job to realize the functions of AI through improving work efficiency and producing more useful results for society.
This document summarizes a presentation on the bandit problem and algorithms to solve it. The presentation will:
1) Explain what the bandit problem is and provide a simple example.
2) Describe algorithms for solving the bandit problem, including epsilon-greedy and Thompson sampling.
3) Discuss how to apply bandit algorithms to problems that include contextual information.
Karl Fristonが提唱している「自由エネルギー原理(free-energy principle = FEP)」について、北大文学部の聴衆を対象にして、物理学や機械学習の知識の前提抜きにして、説明を行い、その意義を説明したものです。FEPの意識研究への応用に向けて、FEPとエナクション説の近接性について強調したものとなっております。
Au Canada, on estime que 29 % des étudiants suivent au moins un cours en ligne durant leurs études universitaires, et que les inscriptions à de tels cours augmentent en moyenne de 8,75 % par année (Martel, 2015). Bien que de nombreuses études aient démontré qu’elle soit au moins aussi efficace que la formation traditionnelle (Bernard et al., 2004; Russel, 1999), la formation en ligne présenterait un taux d’abandon plus élevé qu’en formation traditionnelle : entre 25 % et 40 % comparativement à 10 % à 20 % sur campus (Levy, 2007). Un des objectifs premiers de l’analyse de l’apprentissage (learning analytics) consiste à aider les enseignants à identifier rapidement les étudiants à risque avant qu’il ne soit trop tard pour intervenir (Sclater et al., 2016). Même si l’analyse de l’apprentissage est encore à un stade de développement relativement précoce, il existe des preuves convaincantes qu’elle peut contribuer à améliorer la persévérance et la réussite (Sclater et al., 2016). L’objectif de cette communication est de définir le concept d’analyse d’apprentissage et de dresser un état des lieux des recherches menées jusqu’à présent, afin de conclure à savoir si ses prétentions concernant la persévérance et la réussite sont justifiées.