#コンピュータサイエンス 95件

「ドラえもんアナリスト」になれ　サッカーアナリストが教えるスポーツアナリストに必要な8つの要件
Sports Analyst Meetup
プログラミング学習や化学実験も　「マインクラフト」の教育現場での活用事例とその意義
de:code
AIりんなのチャットモデルの進化　「共感」をテーマに人と人をつなぐ未来を目指して
de:code
バスケの選手とボールの位置データから機械学習で攻撃・守備戦術を分類
Sports Analyst Meetup
シャーディングやEthereum 2.0などブロックチェーンの最新技術を解説
blockchain.tokyo
「Ethereum 2.0」の仕様と研究動向についてLayerX R&Dチームが解説
blockchain.tokyo
LayerX社のブロックチェーン研究　パフォーマンスを改善するシャーディングの仕組み
blockchain.tokyo
メルカリ写真検索のアーキテクチャと安定化までの歴史を振り返る
ML@Loft
ELMoによる類似キーワード検索システムで四択クイズを作る　「ソフトバンク」は会社か？野球チームか？
ML@Loft
BASEアプリにおける類似画像検索の裏側　機械学習における画像とテキストの使い分け
ML@Loft
リピーター分析における特徴量DBの3つの課題と解決アプローチ
ML@Loft
東大助教が作った、シンプルかつ軽量な近似最近傍探索アルゴリズムのベンチマーク「annbench」
ML@Loft
マクロミルの事例にみる、AWSを中心としたデータ分析基盤構築のノウハウ
データ分析基盤Developers Night
Sansanのデータエンジニアが語る、名刺データ分析基盤の構築方法
データ分析基盤Developers Night
メルカリのデータ分析を支える機械学習システムのデザインパターン
データ分析基盤Developers Night
機械学習モデルの予測値を解釈する「SHAP」と協力ゲーム理論の考え方
Data Gateway Talk
メルペイの不正決済検知への機械学習活用　グラフ理論で“疑わしい人”を事前に推定する
株式会社メルカリ
機械学習における勾配ブースティングのアルゴリズム「XGBoost」「LightGBM」「CatBoost」の違い
Data Gateway Talk
会話の文脈を理解する電話応対AI「LINE AiCall」開発で苦心したこと
LINE DEVELOPER DAY
音声応対AIサービス「LINE AiCall」実用化の舞台裏　AIとの自然な会話を実現するためにやったこと
LINE DEVELOPER DAY
LINE DEVELOPER DAYの顔認証受付システム、UI/UXはどうあるべきか？　開発チームが経験した試行錯誤
LINE DEVELOPER DAY
待ち時間1秒以内を実現した、顔認証受付の仕組み　LINE DEVELOPER DAYで実際に使用されたシステム開発の舞台裏
LINE DEVELOPER DAY
精度の高い日本語OCRを実現する技術　LINE BRAIN OCRのパイプラインを解説
LINE DEVELOPER DAY
日本語OCRはなぜ難しい？　NAVERのエンジニアが語る、テキスト検出における課題と解決策
LINE DEVELOPER DAY
LINEを支えるVision AIプラットフォーム「PicCell」の仕組みとこれから
LINE DEVELOPER DAY
AIを用いてLINEに投稿されるアダルトコンテンツを検出––ディープラーニングプラットフォーム「PicCell」が生まれるまで
LINE DEVELOPER DAY
Rubyで「expected tokens」をどうやって知るか？ Part.2
平成Ruby会議
機械学習におけるハイパーパラメータ最適化の理論と実践 Part.2
PyCon JP
Rubyで「expected tokens」をどうやって知るか？ Part.1
平成Ruby会議
機械学習におけるハイパーパラメータ最適化の理論と実践 Part.1
PyCon JP
「検索条件＝本当に見つけたい相手」ではない　Pairsの検索体験を生み出す工夫と改善
Cookpad Product Kitchen
メルペイ×エムスリー×Preferred Networksの機械学習エンジニアたちが語る、技術的課題 Part.2
Machine Learning Pitch
機械学習とビジネス課題をどう融合させるか？　メルペイ×エムスリー×Preferred Networksのユースケース Part.1
Machine Learning Pitch
コードが書けなくても使える機械学習プラットフォーム「Azure Machine Learning」は何がすごいのか
DIGITAL X
“イルカ”から始まったマイクロソフトのAIサービスの現在地　学習済みAIを使える「Azure Cognitive Services」でできること
DIGITAL X
開発効率とサービス競争力を上げる　機械学習のために整備した「3種類の特徴量」について解説
LINE DEVELOPER DAY
LINE社内でのサービス横断データ活用の取り組み「Feature as a Service」の全体像
LINE DEVELOPER DAY
機械学習を用いたテキスト正規化手法の最新動向　高精度を実現する仕組み
Machine Learning Meetup KANSAI
Elasticsearchを用いて類似度ベクトル検索をやってみてわかったこと
Search Engineering Tech Talk
機械学習による自動応答の今　外部知識に基づく応答生成に関するサーベイ結果 Part2
nlpaper.challenge
機械学習による自動応答の今　外部知識に基づく応答生成に関するサーベイ結果 Part1
nlpaper.challenge
グラフ構造にまつわるサーベイ結果まとめ　GNNからApplicationsまで Part2
nlpaper.challenge
グラフ構造にまつわるサーベイ結果まとめ　GNNからApplicationsまで Part1
nlpaper.challenge
エムスリーの機械学習チームのチームビルディング　“強い仲間”をいかにして集めるか？
Machine Learning Pitch
5年後のCV分野はどうなっているか？　CVPR2019に参加して感じたこと Part 2
nlpaper.challenge