Course overview Many of the most valuable companies in the world and the most innovative startups have business models based on data and AI, but our understanding about the economic value of data, networks and algorithmic assets remains at an early stage. For example, what is the value of a new dataset or an improved algorithm? How should practitioners understand and exploit the AI service market
※この投稿は米国時間 2021 年 7 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。 密なベクトル空間でデータを表現する方法であるベクトル エンベディングは、ML エンジニアが使用するツールの中で最も便利なツールです。 エンベディングの初期の使用例としては、単語のエンベディングがあります。単語のエンベディングは、ベクトル空間での位置（距離と方向）により、各単語の有意義なセマンティクスを符号化することができるため、一般的なツールとなりました。たとえば、次のような実際のエンベディングを可視化した図では、国とその首都の関係性のように、セマンティックな関係性を表す幾何学的な関係を示しています。 今日、単語のエンベディングやテキストのエンベディングは一般的に、セマンティック検索システムを強化するために使用されています。エンベディングベースの検索は、単純なインデック
CMUに留学している時にFaloutsos教授に教わった論文の書き方をまとめる。この書き方に従うことで論文の採択率がかなり上がった。今となっては自分的に当たり前のことだし、できる研究者の皆様は自然と守っていることも多いと思うけど良い論文を書きたいと思っている学生とかに参考にしてもらえたらと思う。ただし、Faloutsos教授に教えてもらったことを一旦自分で噛み砕いてからまとめたものなので自分の主観とかが混じってしまっているかもしれない。 主語が大きくならないように予め断っておくけど、この書き方はもちろんすべての論文に対して当てはまるわけじゃなくて以下の前提条件がある。 国際会議論文である データマイニング関連分野の論文である 論文誌とか卒論とかもっと長めの論文を書くときは当てはまらない項目もあるし、データマイニング関連分野以外の論文を書いたことが無いのでそれ以外の分野の論文に当てはまるかも
こんにちは。研究開発チームインターンの北田 (shunk031) です。今回は可愛い我が子（研究のことです）について書きます。 この度、私と研究開発チームの関さんで取り組んでいた研究がデータマイニングに関する国際会議KDD2019のApplied Data Science Trackにて採択されました。 gunosy.co.jp 発表した論文は "Conversion Prediction Using Multi-task Conditional Attention Networks to Support the Creation of Effective Ad Creatives"というタイトルで、テキストにフォーカスした広告クリエイティブ作成支援のためのコンバージョン予測がメインの研究です。 arxiv.org 今回はこうした研究がスタートしたきっかけや、インターン中にどのように研究を
こんにちは。研究開発部の深澤(@fufufukakaka)です。 本記事では最近面白いなと思って watch しているレコメンド系のプロジェクト RecBole を紹介いたします。また、クックパッドが展開している事業の一つであるクックパッドマートのデータを使って数多くのレコメンドモデルを試す実験も行いました。その結果も合わせて紹介します。 TL;DR: レコメンドモデルは作者実装に安定性がなく、またモデルをどのように評価したかも基準がバラバラで、再現性が難しいとされている(from RecSys 2019 Best Paper) 再現性に取り組むプロジェクトとして 2020年12月に始まった RecBole がある。 RecBole を利用することでなんと 50個以上のレコメンドモデルを大体１コマンドで試せる クックパッドマートでユーザに対してアイテムをレコメンドするシチュエーションを想定
TL; DR 文のトークン化のためのライブラリである konoha の紹介をします． (旧 tiny_tokenizer) ↓みたいな感じで使えます．なにとぞ〜 from konoha import WordTokenizer sentence = '自然言語処理を勉強しています' tokenizer = WordTokenizer('MeCab') print(tokenizer.tokenize(sentence)) # -> [自然, 言語, 処理, を, 勉強, し, て, い, ます] tokenizer = WordTokenizer('Kytea') print(tokenizer.tokenize(sentence)) # -> [自然, 言語, 処理, を, 勉強, し, て, い, ま, す] tokenizer = WordTokenizer('Sentencepie
This article is a translation of the Japanese blog post authored by Makoto Hiramatsu of Cookpad Inc. I am Makoto Hiramatsu (Twitter: @himkt or @himako_h) from the Business Development Department at Cookpad. 👋 I usually work on natural language processing (NLP) on real-world data. In this article, I introduce nerman, a named entity recognition system from recipe texts. The word nerman is derived f
A simple optimization problem: Define objective function to be optimized. Let's minimize (x - 2)^2 Suggest hyperparameter values using trial object. Here, a float value of x is suggested from -10 to 10 Create a study object and invoke the optimize method over 100 trials import optuna def objective(trial): x = trial.suggest_float('x', -10, 10) return (x - 2) ** 2 study = optuna.create_study() study
Download our executive summary for a profile of today's working data scientist and their tools
Functions Framework Functions Framework を使用すると、次のようなさまざまな環境で実行される軽量関数を作成できます。 Cloud Run 関数 ローカル開発マシン Cloud Run Knative ベースの環境 Functions Framework でサポートされるランタイムの詳細については、詳細をご覧ください。 Functions Framework 紹介動画 この動画では、Grant と Vinny が関数フレームワークを紹介します。 特長 迅速なテストのためのローカル開発用サーバーの起動 リクエストに応じた関数の呼び出し CloudEvents 仕様に準拠したイベントの自動アンマーシャル サーバーレス プラットフォーム間で移植可能 詳細 特定のランタイムの Functions Framework の使用方法については、GitHub のドキュメ
ローカル開発用サーバーを使用すると、本番環境での App Engine アプリケーションの実行をシミュレートしながら、App Engine バンドル サービスにアクセスできます。 シミュレートされた環境では、システム関数や Python 2 モジュールによるインポート機能の制限など、サンドボックスにある程度制限がありますが、リクエストのタイムアウトや割り当てには制限がありません。 App Engine 用 SDK のライブラリによって提供される Datastore、Memcache、タスクキューなどのサービスを、ローカル開発用サーバーでローカルに実行してシミュレートすることもできます。アプリケーションが開発用サーバーで動作している場合でも、Google API の HTTP エンドポイントを使用して、本番環境のインフラストラクチャに対するリモート API 呼び出しを実行できます。 始める前
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
How to produce factually accurate automatic text summaries
Revamping cross-modal recipe retrieval with hierarchical Transformers and self-supervised learning
