文/印南敦史 『うちの夫が糖尿病になっちゃった! ズボラ夫が血糖値を下げた方法』(マルコ 著、日本実業出版社)の著者は、関西在住の主婦ブロガー。 タイトルからもわかるとおり、本書は2型糖尿病と診断された夫の病気が発覚した経緯、日常などを描いた同名の闘病絵日記ブログを書籍化したものである。 思い起こすこと3年前のある日…、突然、風邪を引いた夫。 最初はただの風邪だと思っていたら、咳が2、3か月止まらない。 そしてどんどん体の調子が悪くなっていき、寝込んでしまった夫…。 夫の手足はしびれを感じ始め、体重は減っていきガリガリになってしまいます。 夫の体に何が起こっているのか全くわからず、このままどうにかなってしまうのでは…?
全て表示 ネタバレ データの取得中にエラーが発生しました 感想・レビューがありません 新着 参加予定 検討中 さんが ネタバレ 本を登録 あらすじ・内容 詳細を見る コメント() 読 み 込 み 中 … / 読 み 込 み 中 … 最初 前 次 最後 読 み 込 み 中 … うちの夫が糖尿病になっちゃった! ズボラ夫が血糖値を下げた方法 の 評価 100 % 感想・レビュー 8 件
To get the free app, enter your mobile phone number. Product description 内容(「BOOK」データベースより) ナゾの咳が止まらないズボラ夫。放っておいたら、ある日、病院で糖尿病と告げられ…知識ゼロから試行錯誤しながら奮闘する、マルコと家族の明るくて"ためになる"ドタバタ闘病記! オススメの神食材を多数紹介。簡単にできるマルコの糖質オフレシピも掲載! 著者について マルコ 関西在住の主婦。ライブドア公式ブロガー。 夫が2型糖尿病と診断され、病気が発覚した経緯や、夫の日常などを描いた闘病絵日記ブログ「うちの夫が糖尿病になっちゃった!
そこで、月間最高200万PVを誇る絵日記ブログ『 うちの夫が糖尿病になっちゃった! 』を運営し、ヒット中のコミックエッセー『 うちの夫が糖尿病になっちゃった! 『うちの夫が糖尿病になっちゃった! ズボラ夫が血糖値を下げた方法』｜感想・レビュー - 読書メーター. ズボラ夫が血糖値を下げた方法 』(日本実業出版社)の著者であるマルコさんに話を聞いた。なお、文中の医学的な説明の多くは、同書からの引用である。 妻が振り返る 夫の兆候とは 現在、マルコさんの夫の年齢は42歳。IT系のフリーランスとして家でデスクワークをしている。 マルコさんが最初に夫の不調に気付いたのは4年前。症状は「せき」からだった。 「ある日、夫が謎のせきをゴホゴホし始めて、最初は風邪だと思っていました。でも、夫は重度の面倒くさがりで人混みが苦手なため、なかなか病院に行きたがりませんでした。そんな状態が1カ月ちょっと続いたある日、夫のせきに血が混じっていたんです」 すぐさま病院に行き、医師から告げられた病名は「2型糖尿病」。空腹時血糖値は312、ヘモグロビンA1C(過去1~2カ月の血糖の平均値)が11. 2もあった。すでに糖尿病が悪化していて、頸動脈の血管の中に動脈硬化が見つかり、脳梗塞を引き起こす可能性がある状態だった。 マルコさんは当時の夫を振り返ってみて、糖尿病の兆候は多くあったという。 「よく喉が渇いたといっては飲み物を飲んで、頻繁にトイレに行っての繰り返し。手足のしびれや抜け毛などもありました。また、元々夫は外に出かけるタイプではなく、自宅でテレビを見ながらゴロゴロするのが好きな人でしたが、どんどん疲れやすく(虚弱体質に)なっていき、何かあるごとにすぐ横になっていました」 糖尿病の初期症状は人によってさまざまで、ほかにも体のかゆみや目のかすみ、頻尿などもある。 予備軍からの悪化は あっという間 マルコさんの夫はフリーランスだったため、健康診断を受けていなかった。糖尿病と診断される前、最後に健康診断を受けたのは当時から3年ほど前だったが、そのときすでに予備軍と診断されていたにもかかわらず、ずっと放置していたのだ。 「サラリーマンは毎年、会社で健康診断を受けるでしょうが、フリーランスは自分で行くしかありません。夫の場合、面倒くさがりということもあり、3年もの間行く気になれなかったようで、傍にいた私の認識も甘かったと思っています。入院費を全部で10万円ぐらい自己負担したことを考えると、毎年1万円で健康診断を受けておいたほうが経済的にも楽でしたね」
)(妻の高齢妊娠編95))これには自分でもビックリだったんです…。大体、陣痛と言えば、子宮口の開きが大きくなるほど痛みが増していくといったものなんで…。しかも前回の次女の出産の時は10センチの マルコの出産④陣痛の痛みが劇的に軽減した方法…(今さら?
情報抽出 最後に、自然言語から構造化された情報を抽出します(情報抽出)。 例えば、ある企業の社員情報を記録したデータベースに、社員番号、氏名、部署名、電子メールアドレスなどをフィールドや属性として持つレコードが格納されているとき、構造化されたデータは、コンピュータでそのまま処理できます。 4. 自然言語処理の8つの課題と解決策とは? ここからは上記の自然言語処理の流れにおいて使われている具体的な手法と、そこに何の課題があってどのような研究が進行中であるかを簡単に紹介します。 4-1. 自然言語処理（NLP）とは？具体例と８つの課題＆解決策. 固有表現抽出 「モノ」を認識する 日付・時間・金額表現などの固有表現を抽出する処理です。 例)「太郎は5月18日の朝9時に花子に会いに行った。」 あらかじめ固有表現の「辞書」を用意しておく 文中の単語をコンピュータがその辞書と照合する 文中のどの部分がどのような固有表現かをHTMLのようにタグ付けする
太郎 は5月18日 のに花子 に会いに行った。 人名:太郎、花子 日付:5月18日 時間:朝9時 抽出された固有表現だけを見ると「5月18日の朝9時に、太郎と花子に関係する何かが起きた」と推測できます。 ただし、例えば「宮崎」という表現は、地名にも人名にもなり得るので、単に文中に現れた「宮崎」だけを見ても、それが地名なのか人名なのかを判断することはできません。 また新語などが常に現れ続けるので、常に辞書をメンテナンスする必要があり、辞書の保守性が課題となっています。 しかし、近年では、機械学習の枠組みを使って「後続の単語が『さん』であれば、前の単語は『人名』である」といった関係性を自動的に獲得しています。 複数の形態素にまたがる複雑な固有表現の認識も可能となっており、ここから多くの関係性を取得し利用する技術が研究されています。 4-2. 述語項構造解析 「コト」を認識する 名詞と述語の関係を解析する(同じ述語であっても使われ方によって意味は全く異なるため) 例)私が彼を病院に連れていく 「私が」「彼を」「病院に」「連れて行く」の4つの文節に分け、前の3つの文節が「連れて行く」に係っている。 また、「連れて行く」という出来事に対して前の3つの文節が情報を付け足すという構造になっている。 「私」+「が」→ 主体:私 「彼」+「を」→ 対象:彼 「病院」+「に」→ 場所:病院 日本語では助詞「が」「に」「を」によって名詞の持つ役割を表すことが多く、「連れて行く」という動作に対して「動作主は何か」「その対象は何か」「場所は」といった述語に対する項の意味的な関係を各動詞に対して付与する研究が進められています。 4-3.
現在は第3次AIブームと呼ばれ、その主役は、ディープラーニング(深層学習)です。 ディープラーニングは、学習によって自動で特徴量を抽出できるため、大量のデータを入力さえすれば、勝手に賢くなると思われています。 そこで、一時は、大量の会話データを入力すれば、自動で会話できるようになるかと思われていましたが、実際は、そうはなりませんでした。 それでは、なぜ、ディープラーニングは、会話、自然言語処理に対応できないのでしょう?
3 BERTのファインチューニング 単純にタスクごとに入力するだけ。 出力のうち $C$は識別タスク(Ex. 感情分析) に使われ、 $T_i$はトークンレベルのタスク(Ex. Q&A) に使われる。 ファインチューニングは事前学習よりも学習が軽く、 どのタスクもCloud TPUを1個使用すれば1時間以内 で終わった。(GPU1個でも2~3時間程度) ( ただし、事前学習にはTPU4つ使用でも4日もかかる。) 他のファインチューニングの例は以下の図のようになる。 1. 4 実験 ここからはBERTがSoTAを叩き出した11個のNLPタスクに対しての結果を記す。 1. 4. 1 GLUE GLUEベンチマーク( G eneral L anguage U nderstanding E valuation) [Wang, A. (2019)] とは8つの自然言語理解タスクを1つにまとめたものである。最終スコアは8つの平均をとる。 こちら で現在のSoTAモデルなどが確認できる。今回用いたデータセットの内訳は以下。 データセット タイプ 概要 MNLI 推論 前提文と仮説文が含意/矛盾/中立のいずれか判定 QQP 類似判定 2つの疑問文が意味的に同じか否かを判別 QNLI 文と質問のペアが渡され、文に答えが含まれるか否かを判定 SST-2 1文分類 文のポジ/ネガの感情分析 CoLA 文が文法的に正しいか否かを判別 STS-B 2文が意味的にどれだけ類似しているかをスコア1~5で判別 MRPC 2文が意味的に同じか否かを判別 RTE 2文が含意しているか否かを判定 結果は以下。 $\mathrm{BERT_{BASE}}$および$\mathrm{BERT_{LARGE}}$いずれもそれまでのSoTAモデルであるOpenAI GPTをはるかに凌駕しており、平均で $\mathrm{BERT_{BASE}}$は4. 5%のゲイン、$\mathrm{BERT_{LARGE}}$は7. 0%もゲイン が得られた。 1. 自然言語処理 ディープラーニング 適用例. 2 SQuAD v1. 1 SQuAD( S tanford Qu estion A nswering D ataset) v1. 1 [Rajpurkar (2016)] はQ&Aタスクで、質問文と答えを含む文章が渡され、答えがどこにあるかを予測するもの。 この時、SQuADの前にTriviaQAデータセットでファインチューニングしたのちにSQuADにファインチューニングした。 アンサンブルでF1スコアにて1.
身近な自然言語処理(NLP) 「自然言語を処理する」ということ一体どういうことなのでしょうか? 日々の生活でも取り入れられて、知らない間に私たちの生活を便利にしてくれている自然言語処理(NLP)について以下をはじめ様々なものがあります。 日本語入力の際のかな文字変換 機械翻訳 対話システム 検索エンジン 等々 3. 自然言語処理の流れ 以上のような技術を実現するのが自然言語処理で、まずは処理するための「前処理」というものを見ていきます。 はじめに、解析するための「元のデータ」が必要になり、このときできるだけ多くの高品質なデータを収集すると、後の処理が楽になるとともに、最終的に出来上がるモデルの品質が高くなります。 データの収集を終えたら、必要な部分を取り出したり不要なデータを削除したりします。 3-1. 自然言語処理のための前処理 3-1-1. コーパス 近年、コンピュータの記憶容量や処理能力が向上し、ネットワークを介してデータを交換・収集することが容易になりました。 その為、実際の録音やテキストなどを収集し、そのデータを解析することによって、言語がどのように使われているかを調べたり、そこから知識を抽出したりといったことが広く行われています。 このように、言語の使用方法を記録・蓄積した文書集合(自然言語処理の分野ではコーパスと呼ぶ)が必要になります。 3-1-2. 自然言語処理モデル「GPT-3」の紹介 | NTTデータ先端技術株式会社. 辞書 日本語テキストを単語に分割し、ある日本語に対する「表層形」「原形」「品詞」「読み」などを付与するなど何らかの目的を持って集められた、コンピュータ処理が可能なように電子的に情報が構造化された語句のリストである辞書も必要です。 3-1-3. 形態素解析 テキストを言語を構成する最小単位である単語を切り出す技術(形態素解析)も必要になります。 単語は言語を構成する最小単位で、文書や文を1単位として扱うよりも正確に内容を捉えられ、文字を1単位として扱うよりも意味のある情報を得られるというメリットがあるため、自然言語処理では、多くの場合、単語を1つの単位として扱っています。 英語テキストを扱う場合、基本的に単語と単語の間はスペースで区切られているため、簡単なプログラムでスペースを検出するだけで文を単語に分割できるのですが、日本語テキストでは通常、単語と単語の間にスペースを挿入しないため、文を単語に分割する処理が容易ではありません。 つまり、形態素解析は、日本語の自然言語処理の最初のステップとして不可欠であり、与えられたテキストを単語に分割する前処理として非常に重要な役割を果たしています。 3-1-4.
論文BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding解説 1. 0 要約 BERTは B idirectional E ncoder R epresentations from T ransformers の略で、TransformerのEncoderを使っているモデル。BERTはラベルのついていない文章から表現を事前学習するように作られたもので、出力層を付け加えるだけで簡単にファインチューニングが可能。 NLPタスク11個でSoTA を達成し、大幅にスコアを塗り替えた。 1. 自然言語処理 ディープラーニング ppt. 1 導入 自然言語処理タスクにおいて、精度向上には 言語モデルによる事前学習 が有効である。この言語モデルによる事前学習には「特徴量ベース」と「ファインチューニング」の2つの方法がある。まず、「特徴量ベース」とは 事前学習で得られた表現ベクトルを特徴量の1つとして用いるもの で、タスクごとにアーキテクチャを定義する。 ELMo [Peters, (2018)] がこの例である。また、「ファインチューニング」は 事前学習によって得られたパラメータを重みの初期値として学習させるもの で、タスクごとでパラメータを変える必要があまりない。例として OpenAI GPT [Radford, (2018)] がある。ただし、いずれもある問題がある。それは 事前学習に用いる言語モデルの方向が1方向だけ ということだ。例えば、GPTは左から右の方向にしか学習せず、文章タスクやQ&Aなどの前後の文脈が大事なものでは有効ではない。 そこで、この論文では 「ファインチューニングによる事前学習」に注力 し、精度向上を行なう。具体的には事前学習に以下の2つを用いる。 1. Masked Language Model (= MLM) 2. Next Sentence Prediction (= NSP) それぞれ、 1. MLM: 複数箇所が穴になっている文章のトークン(単語)予測 2. NSP: 2文が渡され、連続した文かどうか判定 この論文のコントリビューションは以下である。 両方向の事前学習の重要性を示す 事前学習によりタスクごとにアーキテクチャを考える必要が減る BERTが11個のNLPタスクにおいてSoTAを達成 1.