機械学習アルゴリズムのしくみを解説 「サポートベクトルマシン」と「k-means法」とは
本記事は『見て試してわかる機械学習アルゴリズムのしくみ 機械学習図鑑』からの抜粋です。掲載にあたり、一部を編集しています。 サポートベクトルマシン（カーネル法） ディープラーニングが登場する少し前には、カーネル法を用いたサポートベクトルマシンは大変人気がありました。 サポートベクトルマシンにカーネル法というテクニックを導入することで、複雑なデータに対して人手で特徴量を作らなくとも扱えるようになったためです。もちろん、今もさまざまな分類・回帰の問題に使われるアルゴリズムです。 概要 本節ではサポートベクトルマシンにカーネル法を導入することで、複雑な決定境界を学習できることを説明します。ここでは分類を例にとって説明していますが、回帰にも同様にカーネル法を利用できます。 線形サポートベクトルマシンではマージン最大化により、データからなるべく離れた「良い」決定境界を得ることができます。しかし、決定
対話研究者が書き下ろした人工知能入門書、その狙いをインタビュー
スマートスピーカーの登場でつとに注目を集める人工知能の対話能力。NTTメディアインテリジェンス研究所の東中竜一郎さんは、かねてから言語処理や対話を最前線で研究してきた一人です。そんな東中さんが今回『おうちで学べる人工知能のきほん』を執筆。入門書でありながら、現在の対話研究の全体像までを示した本書の狙いについてうかがいました。 ソフトウェアエンジニアと人工知能は親和性が高い ――本書『おうちで学べる人工知能のきほん』では言語処理や対話についての章が登場しますが、東中さんが対話研究に関心を持ったきっかけは何だったんでしょうか。 東中：実は最初から対話の研究をしようと考えていたわけではなかったんです。もともと言語が好きで、学生の頃は英語、フランス語、中国語などを文化も含めていろいろ勉強しました。大学では最初ニューラルネットワークの研究室にいたんですが、あんまりピンとこず、言語処理の研究室に移りま
Swiftから透けて見えるAppleのコンパイラ技術
本連載は、はてなエンジニアが、はてなのサービスを支えている技術や日頃注目している技術について解説するものです。Appleは毎年WWDCでいくつもの新規技術を発表していますが、筆者はその中でもObjective-Cの進化に特に注目していました。新たに追加されるAPIやサービスの前では、Objective-Cの進化はあまり注目されてきませんでしたが、実はここ数年の間も進化し続けていました。これにはAppleがコンパイラ技術にコミットしてきたことが大きく影響しています。今回は、Appleのコンパイラ関連技術を振り返り、Swiftにどう繋がるのかを解説します。 はじめに SwiftはAppleによって開発された全く新しいプログラミング言語です。WWDC 2014で稲妻のように現れたこのプログラミング言語は、またたく間に世界中のモバイルアプリ開発者の注目を集めました。 Swiftは衝撃的な登場だった
Visual Studio“だけ”でiOSとAndroidアプリが作れる「Monaca for Visual Studio」
しかし最近では、この分野に大きな変化が起きています。そのきっかけが、マルチプラットフォーム開発を可能にするHTML5ハイブリッドアプリの登場です。HTML5ハイブリッドアプリとはWeb技術であるHTML5を用いて作られるネイティブアプリで、プラットフォームに依存しない「クロスプラットフォーム」であることが最大の特徴です。 Visual Studioでも、このHTML5ハイブリッドアプリの開発の対応がどんどん進んでいます。Visual Studioの優れた開発環境を使い、iOSやAndroid向けのネイティブアプリが開発できます。そこで本稿では、Visual Studio上でHTML5ハイブリッドアプリ開発を実現する「Monaca for Visual Studio」を紹介し、実際にアプリ開発をしていきたいと思います。 対象読者 今回の対象読者は、以下のとおりです。 JavaScriptによ
モダンPerl入門増補改訂版（仮）
※本ページは『モダンPerl入門 増補改訂版（仮）』の特設サイトです。商品紹介のほか、電子書籍版の早期ディスカウント販売（β版を先行提供）などを予定しています。今後の更新情報は「CodeZine Books」のFacebookページなどで配信していきます。 本書の内容 本書は、Perl言語でプログラミングする上で、筆者の経験を基に日々の仕事で使えそうなティップスやベストプラクティスを集めた本です。基礎知識は身につけている読者を想定して、Perlの基本文法やプログラミングの基本は意図的にカバーしていないため、プログラミング初心者にとって本書は難解かもしれません。 2009年に刊行した初版では、いまだに根強い「Perl＝CGI」「Perl＝オブジェクト指向ができない」「Perl＝開発が止まっている」といった間違った思い込みを正したいという当時の筆者の思いから、筆者が使っている最新ツールやモジュ
「膨大なデータを分析して見えてくること」ニコニコ動画データ分析研究発表会
日本最大の動画投稿サービス「ニコニコ動画」は、動画上を流れるコメントや、自由に編集できるタグ機能といった特徴を持ち、単なる動画共有サービスにとどまらず、コミュニティサイトとしての側面も持つ。多くの人がアクセスする中で「アイドルマスター」「初音ミク（VOCALOID）」「東方プロジェクト」など、いろいろなムーブメントが生まれてきた。 今も毎日多くの動画が投稿されており、各動画は「再生数」「コメント数」「マイリスト数」などの情報がわかるようになっている。すでに投稿動画数は200万本を超えるが、これら膨大なデータを分析することで、どんな現象やコミュニケーションが起きているのかを明らかにしようとするのが今回の発表会の目的である。 分析する際の2つの障壁 独自にデータ収集が必要であること しかし、そもそもニコニコ動画自体はデータを分析しやすいように広く提供しているわけではない。1つ1つの動画の再生数
Pythonを始めよう：CodeZine
はじめに こんにちわ、hirataraです。 本稿では、オブジェクト指向のスクリプト言語であるPythonの紹介をしたいと思います。と言っても、実は私がPythonを勉強し始めたのは数ヶ月前のことで、まだPythonに関してさほど詳しいとは言えません。それでもこの記事を書こうと思い立ったのは、ある言語が他の言語に比べて面白い部分と言うのは、その言語にどっぷり漬かってその言語を使うことが当たり前になっている人間よりも、その言語を好きになり始めたくらいの人間の方が見つけやすいのではないかという思いからです。 そのような事情で、もしかすると本当のPythonistaからお叱りを受けるような内容も含まれるかもしれませんが、その点はTBやコメントでご教授頂けると幸いです。この記事で、少しでもPythonに興味を持ってくれる方が増えることを願っています。対象読者他言語でのプログラミング経験者Pytho
CodeZine：DeNAの人気サイトに学ぶ LAMPによるWeb-DBシステム構築/運用の極意（前編）（モバオク, モバゲー）
シングルマスタの非同期レプリケーション機能では、マスタサーバーが1台に限定され、マスタからスレーブへの複製は非同期で行なわれるため遅延が生じ、短時間のスケールで見ると全スレーブとの同期が保証されない。しかし、その反面スレーブの台数を増加させていってもマスタサーバーの更新負荷は大きくならず、スケーラビリティを維持できるという利点がある。DeNAによる運用実績でも、マスタとスレーブ間の遅延は通常数秒程度以内に収まる。 このレプリケーションを利用する場合、アプリケーション側ではデータ更新時にはマスタサーバーへ接続し、データ参照のみを行なう場合はスレーブサーバーへ接続するように作成する必要がある。 Webや携帯電話向けサービスの場合、小さな規模で始めてユーザー規模、データ規模、ページビュー数を徐々に増加させていくことが多い。小さな規模のためDBの負荷分散が不要な場合でも、マスタサーバー1台、スレー
CodeZine：MS、フリーのパケット解析ツール「Microsoft Network Monitor 3.1」リリース（チートツール, ネットワーク, マイクロソフト）
Microsoftはネットワーク上のパケット情報を解析できるツールの新バージョン、「Microsoft Network Monitor 3.1」をリリースした。Microsoftダウンロードセンターより無償でダウンロードすることができる。 このツールを使うと、ネットワーク上に流れるパケットをキャプチャ／解析することができる。リアルタイムでの監視も可能なほか、複数のネットワークを同時にキャプチャすることもできる。 今回のバージョンアップでは、Windows Vistaにおけるワイヤレス環境およびRAS使用時のキャプチャに対応。ユーザーインターフェイスの改良や、右クリックでフィルタ条件を設定できる機能などが追加された。その他、Microsoftアップデートにも対応している。 Microsoftダウンロードセンター：Microsoft Network Monitor 3.1 Network
PerlによるCSVファイルの高速集計 2：CodeZine
open(OUT, '>result.csv'); open(IN1, 'enquate.csv'); # アンケートデータを1行ずつ処理する while(my $line1 = <IN1>){ # 1行を4つに分ける chomp($line1); my ($id, $ans1, $ans2, $ans3) = split(/,/, $line1, 4); # この行にマッチする顧客データを検索する my $name = ''; my $address = ''; open(IN2, 'address.csv'); while(my $line2 = <IN2>){ chomp($line2); my ($tmp_id, $tmp_name, $tmp_address) = split(/,/, $line2, 3); if($tmp_id eq $id){
ニューラルネットワークを用いたパターン認識
はじめに ニューラルネットワークの主要なアルゴリズムであるバックプロパゲーション法を、車両のナンバープレートの自動読取りへの応用例で紹介します。完成版のアプレットを見る 対象読者 パターン認識に興味を持ち、特にニューラルネットワークを用いる方法に関心のある人。必要な環境 J2SE 5.0を使っていますが、これより古いバージョンでも、本稿のコードをコンパイルし、実行することができます。ただし、添付のコンパイル済みアプレットの実行には、J2SE Runtime Environment 5.0が必要です。また、CPUパワーが足りないと、学習に時間がかかります。 パターンには、音声、画像、図形、文字などがあります。これらが何であるかを認識することを「パターン認識」と呼び、音声認識の応用は音声入力装置に、画像認識の応用は顔や指紋の照合に使われます。文字認識は、大別して、手書き文字の認識と、印刷文字の
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
「実現したいことを計算機の問題に置き換えることが『技術力』」、伊藤CTOが“はてな流”大規模データ処理の極意を語る：CodeZine