🧠Zenn4月3日· 1分で読める中級LLM埋め込み空間×セマンティック通信 6G時代の通信処理技術を整理するセマンティック通信がLLM埋め込み空間を活用して無線通信の常識を変えます。従来のビット伝送から「意味」の伝送へパラダイムシフトし、Generative SemComで99.98%の通信削減、Cache-to-Cache方式で2.5倍高速化を実現。DeepSCから最新アプローチまで、具体的な実装コード付きで技術進化を追跡できます。#セマンティック通信#LLM#6G♡0👎☆ 保存記事を読む →
⚡Zenn4月3日· 2分で読める上級🔥 注目【Claude Code × Colab 第5弾】時系列の次は衛星画像──EuroSATでResNet50が97.8%を出した話Claude CodeとGoogle Colabで衛星画像分類に挑戦し、EuroSATデータセット上でResNet50が97.84%の精度を達成した実装記です。衛星画像特有のAugmentation（回転・反転）や2段階ファインチューニング、Grad-CAMによる注目領域の可視化まで、手を動かしながら画像分類の実装ノウハウを学べます。シリーズ5弾目として、時系列予測から画像分類への領域拡張の道筋も示しており、CNNとドメイン固有の工夫の組み合わせが体感できます。#Claude Code#AI駆動開発#ディープラーニング♡0👎☆ 保存記事を読む →
📰Zenn3月28日· 1分で読める中級「混ぜる」データ拡張は本当に有効なのか？ mixup が示した汎化と頑健性直感に反して、異なるクラスのサンプルを混ぜたデータでモデルを学習させるmixupが、なぜ汎化性能と敵対的頑健性を向上させるのか。原論文の背景から実装方法、理論的メカニズムまで、深層学習における正則化の本質を問い直す技術解説です。#ディープラーニング#データ拡張#正則化♡0👎☆ 保存記事を読む →
📰Zenn3月18日· 2分で読める中級ニューラルネットワークの学習サンプル数をどこまで減らせるか試してみた！ニューラルネットワークの学習に必要なサンプル数を削減できるか、Active Learning と Data-Centric AI の観点から実験検証した記事です。Fashion MNIST・CIFAR-10 でランダム選択と境界データ選択を比較し、限られたデータでもモデルの性能を引き出すアプローチを実装例とともに示しています。データ効率化の実践的なヒントが得られます。#機械学習#ディープラーニング#Active Learning♡0👎☆ 保存記事を読む →
📰Zenn3月17日· 2分で読める初心者【G検定対策】ディープラーニングの基本用語をやさしく整理してみるG検定対策として、ディープラーニングの基本用語を「モデル構造」「学習の枠組み」「重み更新の仕組み」「学習安定化」の4つの観点に整理します。ディープラーニングは教師あり学習とは別物、ReLU・Sigmoid・Softmaxの使い分け、誤差逆伝播法と勾配降下法の役割の違いなど、初学者が混乱しやすい概念を明快に解説しており、試験対策としても実務理解としても価値があります。#ディープラーニング#G検定#初心者向け♡0👎☆ 保存記事を読む →