論文の概要: A Declarative Query Language for Scientific Machine Learning
- arxiv url: http://arxiv.org/abs/2405.16159v1
- Date: Sat, 25 May 2024 09:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 00:40:50.340800
- Title: A Declarative Query Language for Scientific Machine Learning
- Title（参考訳）: 科学的機械学習のための宣言型クエリ言語
- Authors: Hasan M Jamil,
- Abstract要約: 我々は,ナイーブユーザのための新しい宣言型機械学習クエリ言語であるem MQLを紹介した。
本稿では,MQLを用いた2つの材料科学実験について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The popularity of data science as a discipline and its importance in the emerging economy and industrial progress dictate that machine learning be democratized for the masses. This also means that the current practice of workforce training using machine learning tools, which requires low-level statistical and algorithmic details, is a barrier that needs to be addressed. Similar to data management languages such as SQL, machine learning needs to be practiced at a conceptual level to help make it a staple tool for general users. In particular, the technical sophistication demanded by existing machine learning frameworks is prohibitive for many scientists who are not computationally savvy or well versed in machine learning techniques. The learning curve to use the needed machine learning tools is also too high for them to take advantage of these powerful platforms to rapidly advance science. In this paper, we introduce a new declarative machine learning query language, called {\em MQL}, for naive users. We discuss its merit and possible ways of implementing it over a traditional relational database system. We discuss two materials science experiments implemented using MQL on a materials science workflow system called MatFlow.
- Abstract（参考訳）: 分野としてのデータサイエンスの人気と、新興経済と産業の進歩におけるその重要性は、機械学習を大衆のために民主化することを規定している。
これはまた、低レベルの統計的およびアルゴリズム的な詳細を必要とする機械学習ツールを使用した現在の労働トレーニングが、対処すべき障壁であることを意味している。
SQLのようなデータ管理言語と同様に、マシンラーニングは一般的なユーザにとって必須のツールになるためには、概念レベルで実践する必要がある。
特に、既存の機械学習フレームワークが要求する技術的洗練は、計算に精通していない、あるいは機械学習技術に精通していない多くの科学者にとって禁止されている。
必要な機械学習ツールを使用するための学習曲線も高すぎて、これらの強力なプラットフォームを利用して科学を急速に進歩させるには至らなかった。
本稿では,ナイーブユーザのための新しい宣言型機械学習クエリ言語 {\em MQL}を紹介する。
従来のリレーショナルデータベースシステム上で実装するメリットと可能性について論じる。
本稿では,MQLを用いた2つの材料科学実験について論じる。
関連論文リスト
- Cheap Learning: Maximising Performance of Language Models for Social
Data Science Using Minimal Data [1.8692054990918079]
近年発展してきた3つの安価な技術について概観する。
後者では、大規模言語モデルのゼロショットプロンプトの特定の事例について概観する。
我々は,すべての技術に対して優れた性能を示し,特に大規模言語モデルのプロンプトが,非常に低コストで高い精度を達成できることを示す。
論文 参考訳（メタデータ） (2024-01-22T19:00:11Z) - Large Language Models for Scientific Synthesis, Inference and
Explanation [56.41963802804953]
大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。
我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。
このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
論文 参考訳（メタデータ） (2023-10-12T02:17:59Z) - Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。
このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。
これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
論文 参考訳（メタデータ） (2023-05-03T15:54:23Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。
Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文 参考訳（メタデータ） (2022-01-29T01:03:29Z) - Apache Submarine: A Unified Machine Learning Platform Made Simple [3.667437879442565]
機械学習が広く適用されているため、インフラストラクチャ管理者とユーザの両方に機械学習プラットフォームを用意する必要がある。
既存の機械学習プラットフォームは、コード、接着剤、ポータビリティといった“Machine Learning Tech debts”に対処できない。
課題に対処するために、統合機械学習プラットフォームであるSubmarineを提案する。
論文 参考訳（メタデータ） (2021-08-22T01:47:33Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Intuitiveness in Active Teaching [7.8029610421817654]
我々は,ユーザが積極的に教えるアルゴリズムの直感性を解析する。
我々は人間と機械の相互作用の有効性を判断する体系的な方法を提案する。
論文 参考訳（メタデータ） (2020-12-25T09:31:56Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z) - Machine Learning in Python: Main developments and technology trends in
data science, machine learning, and artificial intelligence [3.1314898234563295]
Pythonは科学計算、データサイエンス、機械学習において最も好まれる言語である。
この調査は、Pythonによる機械学習の分野に関する洞察を提供し、重要なトピックをツアーして、それを可能にしたコアハードウェアとソフトウェアパラダイムのいくつかを特定します。
論文 参考訳（メタデータ） (2020-02-12T05:20:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。