Soumettre la recherche
Mettre en ligne
AIによるテスト・デバッグ技術 イントロ＆チュートリアル
•
1 j'aime
•
2,486 vues
Fuyuki Ishikawa
Suivre
2018/12/14 第1回AI4SEセミナー
Lire moins
Lire la suite
Logiciels
Signaler
Partager
Signaler
Partager
1 sur 25
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
2019/1/11 SQiP研究会特別講義
IoT/AI時代のテスティング・検証技術の最前線
IoT/AI時代のテスティング・検証技術の最前線
Fuyuki Ishikawa
第3回AI/IoTシステム安全性シンポジウム
機械学習工学の進展と課題 2021
機械学習工学の進展と課題 2021
Fuyuki Ishikawa
2018/06/28 内部用にざっとまとめていたもの
（今ちゃんと振り返る） ゴール指向要求分析 入門
（今ちゃんと振り返る） ゴール指向要求分析 入門
Fuyuki Ishikawa
https://math-coding.connpass.com/event/147508/ Math&coding#6 の発表資料
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
BengioのDeep Learningの輪読会資料 http://www.deeplearningbook.org/ 10.7-10.14
Deeplearning輪読会
Deeplearning輪読会
正志 坪坂
Introduction to Graph Neural Networks
Graph Neural Networks
Graph Neural Networks
tm1966
2019/05/17 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
Deep Learning JP
4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。
Optimizer入門＆最新動向
Optimizer入門＆最新動向
Motokawa Tetsuya
Recommandé
2019/1/11 SQiP研究会特別講義
IoT/AI時代のテスティング・検証技術の最前線
IoT/AI時代のテスティング・検証技術の最前線
Fuyuki Ishikawa
第3回AI/IoTシステム安全性シンポジウム
機械学習工学の進展と課題 2021
機械学習工学の進展と課題 2021
Fuyuki Ishikawa
2018/06/28 内部用にざっとまとめていたもの
（今ちゃんと振り返る） ゴール指向要求分析 入門
（今ちゃんと振り返る） ゴール指向要求分析 入門
Fuyuki Ishikawa
https://math-coding.connpass.com/event/147508/ Math&coding#6 の発表資料
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
BengioのDeep Learningの輪読会資料 http://www.deeplearningbook.org/ 10.7-10.14
Deeplearning輪読会
Deeplearning輪読会
正志 坪坂
Introduction to Graph Neural Networks
Graph Neural Networks
Graph Neural Networks
tm1966
2019/05/17 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
Deep Learning JP
4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。
Optimizer入門＆最新動向
Optimizer入門＆最新動向
Motokawa Tetsuya
2014年11月度 AITC クラウド・テクノロジー活用部会 勉強会資料 遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
Kazuhide Okamura
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
強化学習と方策勾配法をざっくり 注： 全体を通して割引報酬による定式化のみを考慮． p. 4：状態価値関数の図は割引をちゃんと考慮してないイメージ図 ミスたち： p. 33：行動が確率変数ではないため -> 大嘘，行動は決定論的に決められるから
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
2019年6月28日の明治大学での講義資料です。 できるだけ数式を使わずに『機械学習のおさらい』『自動ハイパーパラメタ最適化』『Optuna の使い方』『ベイズ最適化の応用事例』について説明しています。 ●Optuna : https://github.com/pfnet/optuna
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Preferred Networks
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完全性という二つに分解します。提案法の WordTour は、完全性はあきらめ、健全性のみを課すことで一次元埋め込みを可能にし、それでいて、全ての、とまでは言わないまでも、いくつかの応用において有用な一次元埋め込みを得ることに成功しました。
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
First part shows several methods to sample points from arbitrary distributions. Second part shows application to population genetics to infer population size and divergence time using obtained sequence data.
モンテカルロサンプリング
モンテカルロサンプリング
Kosei ABE
2023/3/31 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Deep Learning JP
2022年12月2日開催の「Matlantis User Conference」において、株式会社Preferred Networks高本聡様に「Matlantisに込められた技術・思想」という題にてご講演いただきました。 https://matlantis.com/ja/
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantis
ブースティングはアンサンブル学習の一つです。アンサンブル学習では、性能の低い学習器を組み合わせて、高性能な学習器を作ります。教師あり機械学習の問題設定の復習から始めて、バギングやブースティングのアルゴリズムについて解説します。 レトリバセミナーで話したときの動画はこちらです: https://www.youtube.com/watch?v=SJtdG62691g
ブースティング入門
ブースティング入門
Retrieva inc.
変分推論法（変分ベイズ法）(PRML第10章)
変分推論法（変分ベイズ法）(PRML第10章)
Takao Yamanaka
2022/9/2 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
7月29日開催 July Tech Festa 2018基調講演スライドです。 大村伸吾「Preferred Networksの機械学習クラスタを支える技術」 https://2018.techfesta.jp/ Slides of Keynote in July Tech Festa 2018.
20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術
Preferred Networks
Graph Convolutional Network について基礎的な所を簡単にまとめたスライドです． This slide explains basic of Graph Convolutional Netwrork simply.
Graph Convolutional Network 概説
Graph Convolutional Network 概説
KCS Keio Computer Society
2022/04/01 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
Deep Learning JP
2017/2/22 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Learning convolutional neural networks for graphs
[DL輪読会]Learning convolutional neural networks for graphs
Deep Learning JP
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30～10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
MIRU 2018 でのチュートリアル講演
MIRU MIRU わかる GAN
MIRU MIRU わかる GAN
Tomohiro Takahashi
グラフ分析ナイト (エンジニア向け) https://dllab.connpass.com/event/159148/ グラフ畳み込みネットワークなど、グラフ上の機械学習/深層学習技術の概要についてご説明します。
グラフデータ分析 入門編
グラフデータ分析 入門編
順也 山口
At JaSST'21 Tokyo, Mar 16 2021
Quality Assurance of Machine Learning-based AI Systems
Quality Assurance of Machine Learning-based AI Systems
Fuyuki Ishikawa
2020/11/10 第2回 AI/IoT システム安全性シンポジウム
機械学習システムの品質に関するソフトウェア工学の動向（と安全性）
機械学習システムの品質に関するソフトウェア工学の動向（と安全性）
Fuyuki Ishikawa
Contenu connexe
Tendances
2014年11月度 AITC クラウド・テクノロジー活用部会 勉強会資料 遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
Kazuhide Okamura
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
強化学習と方策勾配法をざっくり 注： 全体を通して割引報酬による定式化のみを考慮． p. 4：状態価値関数の図は割引をちゃんと考慮してないイメージ図 ミスたち： p. 33：行動が確率変数ではないため -> 大嘘，行動は決定論的に決められるから
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
2019年6月28日の明治大学での講義資料です。 できるだけ数式を使わずに『機械学習のおさらい』『自動ハイパーパラメタ最適化』『Optuna の使い方』『ベイズ最適化の応用事例』について説明しています。 ●Optuna : https://github.com/pfnet/optuna
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Preferred Networks
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完全性という二つに分解します。提案法の WordTour は、完全性はあきらめ、健全性のみを課すことで一次元埋め込みを可能にし、それでいて、全ての、とまでは言わないまでも、いくつかの応用において有用な一次元埋め込みを得ることに成功しました。
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
First part shows several methods to sample points from arbitrary distributions. Second part shows application to population genetics to infer population size and divergence time using obtained sequence data.
モンテカルロサンプリング
モンテカルロサンプリング
Kosei ABE
2023/3/31 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Deep Learning JP
2022年12月2日開催の「Matlantis User Conference」において、株式会社Preferred Networks高本聡様に「Matlantisに込められた技術・思想」という題にてご講演いただきました。 https://matlantis.com/ja/
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantis
ブースティングはアンサンブル学習の一つです。アンサンブル学習では、性能の低い学習器を組み合わせて、高性能な学習器を作ります。教師あり機械学習の問題設定の復習から始めて、バギングやブースティングのアルゴリズムについて解説します。 レトリバセミナーで話したときの動画はこちらです: https://www.youtube.com/watch?v=SJtdG62691g
ブースティング入門
ブースティング入門
Retrieva inc.
変分推論法（変分ベイズ法）(PRML第10章)
変分推論法（変分ベイズ法）(PRML第10章)
Takao Yamanaka
2022/9/2 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
7月29日開催 July Tech Festa 2018基調講演スライドです。 大村伸吾「Preferred Networksの機械学習クラスタを支える技術」 https://2018.techfesta.jp/ Slides of Keynote in July Tech Festa 2018.
20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術
Preferred Networks
Graph Convolutional Network について基礎的な所を簡単にまとめたスライドです． This slide explains basic of Graph Convolutional Netwrork simply.
Graph Convolutional Network 概説
Graph Convolutional Network 概説
KCS Keio Computer Society
2022/04/01 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
Deep Learning JP
2017/2/22 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Learning convolutional neural networks for graphs
[DL輪読会]Learning convolutional neural networks for graphs
Deep Learning JP
第28回言語処理学会年次大会での発表スライド
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30～10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
MIRU 2018 でのチュートリアル講演
MIRU MIRU わかる GAN
MIRU MIRU わかる GAN
Tomohiro Takahashi
グラフ分析ナイト (エンジニア向け) https://dllab.connpass.com/event/159148/ グラフ畳み込みネットワークなど、グラフ上の機械学習/深層学習技術の概要についてご説明します。
グラフデータ分析 入門編
グラフデータ分析 入門編
順也 山口
Tendances
(20)
遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
遺伝的アルゴリズム （Genetic Algorithm）を始めよう！
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
モンテカルロサンプリング
モンテカルロサンプリング
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
【DL輪読会】AUTOGT: AUTOMATED GRAPH TRANSFORMER ARCHITECTURE SEARCH
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
ブースティング入門
ブースティング入門
変分推論法（変分ベイズ法）(PRML第10章)
変分推論法（変分ベイズ法）(PRML第10章)
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
グラフィカルモデル入門
グラフィカルモデル入門
20180729 Preferred Networksの機械学習クラスタを支える技術
20180729 Preferred Networksの機械学習クラスタを支える技術
Graph Convolutional Network 概説
Graph Convolutional Network 概説
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Learning convolutional neural networks for graphs
[DL輪読会]Learning convolutional neural networks for graphs
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
MIRU MIRU わかる GAN
MIRU MIRU わかる GAN
グラフデータ分析 入門編
グラフデータ分析 入門編
Plus de Fuyuki Ishikawa
At JaSST'21 Tokyo, Mar 16 2021
Quality Assurance of Machine Learning-based AI Systems
Quality Assurance of Machine Learning-based AI Systems
Fuyuki Ishikawa
2020/11/10 第2回 AI/IoT システム安全性シンポジウム
機械学習システムの品質に関するソフトウェア工学の動向（と安全性）
機械学習システムの品質に関するソフトウェア工学の動向（と安全性）
Fuyuki Ishikawa
2020/10/20 第41回IBISML研究会オーガナイズドセッション「ロバスト機械学習」にて
ロバスト機械学習へのソフトウェア工学からのアプローチ
ロバスト機械学習へのソフトウェア工学からのアプローチ
Fuyuki Ishikawa
2020/09/11：SES 2020 チュートリアル「機械学習工学への誘い」
機械学習工学への誘い：SES'20チュートリアル
機械学習工学への誘い：SES'20チュートリアル
Fuyuki Ishikawa
Introduction at MLSE Int'l Symposiuim 2019
Introduction at MLSE Int'l Symposiuim 2019
Introduction at MLSE Int'l Symposiuim 2019
Fuyuki Ishikawa
2019/5/21 ERATO-MMSDシンポジウム
高信頼自動運転システム実現にむけて： ソフトウェア工学・機械学習の視点からの技術俯瞰
高信頼自動運転システム実現にむけて： ソフトウェア工学・機械学習の視点からの技術俯瞰
Fuyuki Ishikawa
2018/11/17 第61回自動制御連合講演会 特別企画2 「制御と形式手法：物理情報システムの品質保証に向けた包括的取り組み」セッションにて
品質保証における発見的・経験的アプローチの活用：ソフトウェアテスティング分野からの知見
品質保証における発見的・経験的アプローチの活用：ソフトウェアテスティング分野からの知見
Fuyuki Ishikawa
2018/06/23 国立情報学研究所 オープンハウス2018 「NII研究100連発」内の10連発
スマートなシステム、スマートなディペンダビリティ保証－次世代システムを頼れるものへ
スマートなシステム、スマートなディペンダビリティ保証－次世代システムを頼れるものへ
Fuyuki Ishikawa
2018/10/17 CEATEC 2018 「JEITA 国際戦略・標準化セミナー ～ 超スマート社会の実現と標準化 ～」セッション
機械学習応用システムの品質保証に向けて
機械学習応用システムの品質保証に向けて
Fuyuki Ishikawa
2018/12/14 第1回AI4SEセミナー
自動（運転）車システムのためのAI的自動テスト生成
自動（運転）車システムのためのAI的自動テスト生成
Fuyuki Ishikawa
Plus de Fuyuki Ishikawa
(10)
Quality Assurance of Machine Learning-based AI Systems
Quality Assurance of Machine Learning-based AI Systems
機械学習システムの品質に関するソフトウェア工学の動向（と安全性）
機械学習システムの品質に関するソフトウェア工学の動向（と安全性）
ロバスト機械学習へのソフトウェア工学からのアプローチ
ロバスト機械学習へのソフトウェア工学からのアプローチ
機械学習工学への誘い：SES'20チュートリアル
機械学習工学への誘い：SES'20チュートリアル
Introduction at MLSE Int'l Symposiuim 2019
Introduction at MLSE Int'l Symposiuim 2019
高信頼自動運転システム実現にむけて： ソフトウェア工学・機械学習の視点からの技術俯瞰
高信頼自動運転システム実現にむけて： ソフトウェア工学・機械学習の視点からの技術俯瞰
品質保証における発見的・経験的アプローチの活用：ソフトウェアテスティング分野からの知見
品質保証における発見的・経験的アプローチの活用：ソフトウェアテスティング分野からの知見
スマートなシステム、スマートなディペンダビリティ保証－次世代システムを頼れるものへ
スマートなシステム、スマートなディペンダビリティ保証－次世代システムを頼れるものへ
機械学習応用システムの品質保証に向けて
機械学習応用システムの品質保証に向けて
自動（運転）車システムのためのAI的自動テスト生成
自動（運転）車システムのためのAI的自動テスト生成
AIによるテスト・デバッグ技術 イントロ＆チュートリアル
1.
2.
◼ ◼ ◼
3.
◼ ◼ ◼ ◼ ◼
4.
◼ ◼ ◼ ◼ ◼ ◼
5.
◼ ◼ ◼ ◼ ◼
6.
7.
◼ ◼ ◼
8.
◼
9.
10.
◼ ◼ ◼ ◼ ◼
11.
12.
◼ ◼ ◼ ◼ ◼ ◼
13.
◼ ◼ ◼
14.
◼ ◼ ◼ ◼
15.
16.
◼ ◼ ◼ ◼
17.
◼ ◼ ◼ ◼ ◼
18.
19.
◼ ◼ ◼ ◼ ◼
20.
◼ ◼ ◼ ◼ ◼ ◼
21.
• • • • • • • • • •
22.
◼
23.
◼
24.
◼
25.
◼ ◼ ◼ ◼
Télécharger maintenant
