WEBVTT 00:01.760 --> 00:02.480 友人だ。 00:02.510 --> 00:05.390 本当に疲れ果てている。 00:05.390 --> 00:09.620 疲れきっているし、 ちょっとだけトラウマになっている。 00:09.950 --> 00:13.520 そして、 その責任はあなたにもある。 00:13.550 --> 00:16.760 その理由はすぐにわかるだろう。 00:16.790 --> 00:21.050 その前に、 今日の予定について話そう。 00:21.500 --> 00:25.670 だから、 ベースラインのハードルを上げていくつもりだ。 00:25.670 --> 00:29.360 すでにできることを思い出してほしい。 00:29.390 --> 00:36.230 もちろん、 AIアシスタントを使ったフロンティアモデルの組み合わせからテキストを生成したり、 ツールを使ってコードを生成したり、 00:36.230 --> 00:44.240 抱き合わせ顔変換ライブラリを使ったオープンソースシステムもあり、 ラングチェーンを使ってラグパイプラインを構築することもできるし、 00:44.240 --> 00:51.110 今ではデータをキュレーションすることもできる。 00:51.110 --> 00:52.700 最後に、 言わせてもらえば。 00:52.700 --> 00:57.740 また、 かなり馬鹿げたテクニックを使ってベースラインモデルを作ることもできる。 00:57.740 --> 01:04.040 しかし、 特徴工学とバッグ・オブ・ワードの両方を含む伝統的な機械学習の線形回帰を使い、 01:04.040 --> 01:14.270 さらにワード2ベクトルを使ったより高度な技術を使い、 サポートベクターマシン、 そしてランダムフォレストを加える。 01:14.330 --> 01:16.250 かなりの旅だった。 01:16.250 --> 01:17.750 だから今日も。 01:17.780 --> 01:23.510 今日は、 私たちが組み立てたフレームワークを、 フロンティア・モデルに当てはめてみよう。 01:23.510 --> 01:30.080 そしてこれは、 適切なビジネス上の問題を取り上げ、 データを理解し、 それをフロンティア・モデルに提示し、 01:30.140 --> 01:35.750 そのパフォーマンスを比較するために必要なすべてのステップを実際に捉えることになる。 01:35.750 --> 01:41.870 だから、 我々にとってはエキサイティングな瞬間だ。 01:41.930 --> 01:46.130 それではまたJupyterLabでお会いしましょう。