プロフィールに自己紹介を追加する
本書は,画像や音声,動画など複数の異なるデータを扱う「マルチモーダルモデル」の入門書です。自動運転やロボット,AIエージェントといった存在が,実世界の複雑な情報を理解して人間と円滑にコミュニケーションをとるために必要とする最先端技術を,基礎知識からその仕組みまで体系的に解説します。共通基盤となるTransformerの基礎からはじめ,視覚・音声・動画・3次元データの各モデルにふれたうえで,画...