前回 に引き続き、有賀康顕さん本橋智光さんの対談全4回の第2回をお届けいたします。今回は機械学習に関する人材市場の盛り上がりについての話から、データーサイエンティストとしての働き方についての議論へと話が続きます。 加熱する機械学習市場 有賀： 「機械学習ええやん」というバズり方と、それに伴う人材市場の過剰な煽りに居心地の悪さも感じています。僕も前職のクックパッドはWeb系で、Railsアプリなんかも書いていたんですけれど、最近聞いた話では、これまでRailsを書いてきたようなWebのサーバーサイドのエンジニアやAndroidやiOSのエンジニアが、転職時の面接なんかで軒並み「僕は機械学習できる会社でなければ転職しません」というようなことを言っているそうでして。そう言って機械学習を実践している会社に行くというようなことが起きていてと。 本橋： 機械学習ブームについて言うと、僕らの頃より多分新
前モデル買った人のことを思うと切なすぎる：Nvidia RTX 2060／2070 Super レビュー2019.07.08 19:00110,165 Alex Cranz - Gizmodo US ［原文］ （ そうこ ） ほんのちょっとの差なのに…。 今年1月にでた同シリーズのNvidia GPUを買った人が涙目必至という新商品Nvidia RTX 2060 Super GPU、米Gizmodo編集部がさっそくレビューしてきました。 今年の1月、Nvidia RTX 2060 GPUが発売された時、前モデルから価格が2倍近い、パフォーマンスは悪くないけど驚くこともないとレビューしていました。が、それでも買った人はいるでしょう。買っちゃった人には本当悪いけど、Nvidia RTX 2060 Super GPUがでました。 2060に350ドル使っちゃった人はもちろん、もっと高い2070や
追記事項（2020/10/13） 10月13日、本日Numerai Signalsが正式にリリースされた。これに伴ってFounderのRichard Craib氏がMediumに記事を投稿している（画像はMedium記事より引用）。 本記事の初回投稿時にはSignalsのターゲットはブラックボックスと書いたが、現在ヒストリカルターゲットが提供されるようになっている。これに加えてCraib氏の記事を受けて、Signalsに参加するインセンティブについても纏め直した。また記事の随所や画像についても最新のものに更新した。 はじめに 前回記事はこちら。 これまでベータ版であったNumerai Signalsの仕様がほぼほぼ確定した。株価のリターンを予測してシャープを競うベータ版から大きく変更が入り、誰も見たことのないようなオリジナルのSignalを探索するというタフな仕様となっている。筆者はこのト
Google の人たちが書いた論文 "Machine Learning: The High Interest Credit Card of Technical Debt" をまとめました
8行のデータで理解する階層ベイズ - Qiita
学習効果を統計的に評価したい！ こんにちは グロービスではさまざまな教育事業を展開していますが、多くの人に学習を継続してもらうためには、研修をしたりコンテンツを視聴してもらったりするだけでなく、その学習効果を測定してユーザーにフィードバックすることが重要です。このとき、だれが見ても明らかな効果が出れば良いのですが、受講前後の成績変化のばらつきが大きかったりデータが少なかったりして、必ずしも分かりやすい結果が得られるとは限りません。そういった場合にデータを丁寧に紐解いて、どの程度効果があったのかを明らかにするのも分析の仕事のひとつです。 今回は階層ベイズモデルという統計モデルを使って、高校における学力コーチングの成果についてのデータを分析します。階層ベイズはやや高度な統計モデルというイメージがありますが、この記事ではたった8行のデータを例にしてその概要を説明してみたいと思います。 想定読者
RaspberryPi 3 Model B+でIoT監視カメラをつくる（その７ カメラのAI化） | そう備忘録
追加インストール機械学習の為にGoogeのTensorFlow関連のモジュールを追加インストールした。 Edge TPUランタイムのインストール以下のコマンドでラズパイにEdge TPU（Tensor Processing Unit）ランタイム（スタンダード版）のインストールを行った。 尚、本来はCoral USB Acceleratorの様なEdge TPUユニットをラズパイに接続して機械学習を行うのが理想なのだろうが今のIoT監視カメラにCoral USB Acceleratorを追加すると外箱を作り直さないといけないのと、そこそこの値段がするので（１．５万円ぐらい）ラズパイ単体でTensor Flow Liteを動かすことにしている。 この為、最後の行のlibedgetpu1-stdのインストールは今回のプログラムをラズパイ単体で動かすだけであれば不要なのだが、今後Coral USB
※サンプル・コード掲載 １．AIに文章を作らせる方法概要 架空の名前から架空の人物の歴史概要を作成させてみました。 やり方としては、wikipediaの人物の概要の部分を抜き出してRNNにトレーニングさせます。 そのトレーニングさせたモデルに対して名前を入力すると、その人物の概要を出力してくれるようにします。 RNNとは、Recurrent Neural Networksの略で、時系列の情報を学習させるためのニューラルネットワークのモデルのことです。 文章を生成させるようなモデルの場合、多層パーセプトロンのようなモデルだと出力の長さが一定になってしまい、うまく作ることができません。 そこでRNNを使い、入力が単語（文字）、出力が次の単語（文字）として学習させると、そのモデルに次々と出力された単語を入力させることによって文章が生成出来るようになります。 そして、RNNは内部の重みを入力によっ
Twitterはユーザーに合わせたコンテンツを表示するため、機械学習を使用してサービスの改善に取組んでいます。記事作成時点で、Twitterは機械学習にTorchを使用していますが、2017年の夏頃からGoogleが開発したTensorFlowに移行する取り組みを行っています。TensorFlowに移行することで得られるメリットについて、Twitterのソフトウェアエンジニアであるニコラス・レオナール氏とシベーリ・モンテス・ハラース氏が説明しています。 Twitter meets TensorFlow https://blog.twitter.com/engineering/en_us/topics/insights/2018/twittertensorflow.html Twitterは2014年にディープラーニングを使用した画像検索やデータベース構築に取り組むMadbitsを買収し、同
実務で使う固有表現抽出 / Practical Use of Named Entity Recognition
■イベント ：自然言語処理勉強会 https://sansan.connpass.com/event/190157/ ■登壇概要 タイトル：実務で使う固有表現抽出 発表者： DSOC R&D研究員 高橋 寛治 ▼Twitter https://twitter.com/SansanRandD
昭和以降の全横綱データをスクレイプしてサバイバル分析にかけたら、突っ張り横綱は短命なのがわかった。 - Qiita
Photo By Better Than Bacon CC BY 2.0 現在、日馬富士による暴行事件で相撲界は賑わっていますが、その中でもそうした騒動の問題を起こす中心に横綱がいるというのは誠に残念と言わざるを得ません。そんな中、先の場所で白鵬が優勝しました。彼は実はすでに40回も優勝していて、さらに横綱歴が10年らしいです。結構長い間横綱なんだなというかんじですが、そもそも今までの横綱というのは、普通どれくらいの間横綱でいつづけるのでしょうか？横綱の時期の一番長い、もしくは一番短い力士は誰なのでしょうか？さらに、横綱の時期の長い力士というのは、短い力士に比べて何か特徴があるのでしょうか？例えば、モンゴルなど外国人力士というのは日本人力士に比べて長いのでしょうか、それとも短いのでしょうか？ 今日はこういった質問に答えるべくデータサイエンスの手法を使って分析をしてみたいと思います。方針とし
謝意 注意!!! この記事は完全にやらかしています ストックしてくれた人、申し訳ないです。 @hal27 様の指摘で気づくことができました、ありがとうございます。 ・やらかしたこと スクレイピング段階から致命的なミスを犯しました。 レース時点から前走3レース分のデータを取得していたつもりですが、実はスクレイピング実行時刻から最新の3レース分の情報を取得していました。 ただ、前走の情報を全く使わずに予測したところ、平均して90%ほどの回収率だったので、 正しいデータを使っても、100%は超えれるんじゃないかと思っています。 やり直します! この記事はやらかしちゃっててるんだなと思いながら見て下さい。（特に前走情報のスクレイピング部分に気を付けてください） はじめに 最近データ分析にはまっています。 データ分析コンペのKaggleをやっていて、私がよく思うのは「売上予測？もっと面白いテーマはな
この記事は，テキストから画像を生成するGANについて横断的にまとめることを目指しました． "text-to-image"と呼ばれるタスクであり，テキスト（キャプション）を条件として，そのテキストにあう画像を生成することを目指します． 有名な研究では，StackGANがあります． 以下目次です． References なぜテキストから画像を生成するのか？ どういう生成モデルが優れているのか？ このタスクを困難にしている要因は？ 自然画像の高次元空間 テキスト空間と画像空間の違い データの用意 text-to-image synthesisの研究の流れは？ どういう画像を生成するか？ 使われているデータセットは？ 生成できる解像度は？ ネットワーク構造はどうなっているか？ Loss関数やDiscriminatorに工夫はあるか？ 雑感 おわりに References [1] GAN-INT-C
例えば、今時の海外のゲームではAIがゲームバランスを調整していると聞く。 自動的なゲームバランスの調整にAI的なロジックが使われていて、ゲームとしての適切なグルーブ感を自動調整しながら、ユーザーの楽しさを継続させるという部分らしい。 文章に書くと昔からアルゴリズムで行われているこのようにも思えるが、きっと、もっと高度なことが行われていると、一旦仮定する。 いずれにせよ一番重要なのが「ゲームとして楽しいバランス」。これを決めるのは、ゲームクリエイターの味付けでありセンスであるというところ。 昔、天才ゲームクリエイターと呼ばれる人と一緒に仕事をしていたので聞かされた話があって、それは現在の業界的に正しいのかはわからないが、ゲームが完成する直前になってからがゲームクリエイターとしての勝負だということ。 決して単純なロジックやフローチャートでは語りきれない「天才だけがもっているセンス」をどうにかパ
はじめに 書籍「Pythonで儲かるAIをつくる」の著者です。当記事でこの本の特徴をご紹介します。 Amazonリンク(単行本) https://www.amazon.co.jp/dp/4296106961 Amazonリンク(Kindle) https://www.amazon.co.jp/dp/B08F9P726T 本書サポートサイト (Github) https://github.com/makaishi2/profitable_ai_book_info/blob/master/README.md まずは、下記の目次をご覧下さい。 目次 タイトルで誤解を受けることが多いのですが、目次を見ていただければわかるとおりいたって真面目な書籍です。「AIを使ってFXや株で大儲けをしよう」という本ではありませんので、誤解なきようお願いします。 主な対象読者 本書は、主に次の2つの読者層を想定して
機械学習の種類と特徴 - Y's note
人間ではなく機械が自動的に意思決定することのメリットとして、大量のデータをInputとした予測、推定、分類などの処理をAlgorithmの構築によって瞬時に行える事である。 1枚の画像だけを見て何が写っているかのような判断においては人間の脳が優れているものの、大量のデータInputを基にした組み合わせの選択や最適解に瞬時に辿り着くという目的においては機械に任せてしまったほうが効率的とも言える。昔から機械学習による予測、推定、分類などの処理は様々な手法として提案されており、どういった問題を機械に判断させるかという切り口で最適なものを人が選択する。下記表に機械学習の種類と特徴を纏めてみた。※ただし必ずしも6種類のいずれかに分類される訳ではない。例としてニューラルネットワークがあり教師あり学習であり深層学習にも位置する。 機械学習の種類 特徴 代表的なAlgorithm 備考 教師あり学習 正解
エムスリーエンジニアリンググループ AI・機械学習チームの中村(@po3rin) です。 好きな言語はGo。仕事では主に検索周りを担当しています。 最近「医療言語処理」という本を読んで、医療用語の表記ゆれ吸収や意味構造検索などについて学びました。 医療言語処理 (自然言語処理シリーズ) 作者:荒牧 英治発売日: 2017/08/01メディア: 単行本 そこで今回はElasticsearchと患者表現辞書を使った意味構造検索がどのくらい実戦投入できるかを簡単に試したので、概要と実装方法を簡単にご紹介します。 患者テキストの表記ゆれ 患者テキストの表記ゆれとは MEDNLPの患者表現辞書 トークンによる検索の課題と対策の検討 主語が違うのにヒットしちゃう？ 意味構造検索 係り受け解析と患者表現辞書を使った意味構造検索の実装 患者表現辞書を使った係り受け解析 患者表現辞書の表現をクエリに展開する
こんにちは。エクサウィザーズAIエンジニアの須藤です。 みなさんはハイキングの写真でしずちゃんばかり写して、まともに撮られなかったジャイアンに殴られかけたことは無いでしょうか。 そんなとき「万能プリンター」があったら便利ですね。もう撮ってしまった写真の、向きやズームを後から修正して、写ってなかったところを復元して再プリントできるというものです。 しかし持ち主であるドラえもんは、うちにもまだ来ていません。仕方がないのでAIの力でなんとかしましょう。 目的 写真の外側に写っているものを推測し、自然な形で合成します。 物体の部分画像からその種類ないし位置を推測し、既存画像を本に全体を復元することが、原理的には可能なはずです。 その過程を直接にプログラムすることは現実的ではありません。 代わりに畳み込みニューラルネットワーク(CNN)に、かいつまんで学習させます。 学習モデル 敵対的生成ネットワー
CNNによる文字コード不明なドキュメントの推定 Advent Calender遅刻いい訳 年末忙しすぎた ネタと期待していたいくつかがまともに結果が出ずに苦しい思いをしていた 元URLの喪失 バイト列から文字コーディングを推定する Twitterで時々バズるネタとして、機械学習がこれほどもてはやされるのに、今だにBrowserは時々文字化けし、ExcelはUTF8を突っ込むと文字化けし、到底、文化的で最低限の人権が保護された状態ではありません。 実際、ルールベースで推定しようとすると、この様にshift jisとeucでは完全に背反な情報を使っているわけでないので、なんらかのヒューリスティックなルールを人間が作成して対応していたのだと思いますが、この様なユースケースの場合、機械学習が強い力を発揮します。 図1. sjisとeucの文字コードのバイト列のマップ(参考：smdn) その度、「そ
自然言語処理LT会・懇親会＠新宿四谷 で発表した資料です。 https://massivelngg.connpass.com/event/47985/
iOS 12の気になる新機能のAPIを見ていくシリーズ。昨日はARKit 2の永続化・共有機能や3D物体検出機能について書きました。 本記事ではCreate MLについて。1 Create ML Create MLは、Core MLのモデルを作成するためのmacOSの新フレームワークです。 昨日のState of the Unionにてデモがありましたが、なんと、学習用データが入ったフォルダをドラッグ＆ドロップするだけで作成できます。 ちなみに要macOS 10.14 Mojaveです。 MLImageClassifierBuilder まだMojaveにアップデートしていないので試せていない2のですが、丁寧なチュートリアル記事が出ていて、作業手順を図付きで確認できます。 PlaygroundsでMLImageClassifierBuildeを初期化してshowInLiveViewを呼ぶコ
はじめに ふと思い立って勉強を始めた「ゼロから作るDeep LearningーーPythonで学ぶディープラーニングの理論と実装」の5章で私がつまずいたことのメモです。 実行環境はmacOS Mojave + Anaconda 2019.10、Pythonのバージョンは3.7.4です。詳細はこのメモの1章をご参照ください。 （このメモの他の章へ：1章 / 2章 / 3章 / 4章 / 5章 / 6章 / 7章 / 8章 / まとめ） 5章 誤差逆伝播法 この章は、ニューラルネットワークの学習において重みパラメーターの算出を高速化するための、誤差逆伝播法についての説明です。 ちなみにこの「伝播」（でんぱ）という言葉はPropagetionの訳なのですが、「伝搬」（でんぱん）と訳されることもあって日本語は混沌としています。この辺りを調べたブログの記事を見つけましたので、興味のある方は 歩いたら
NLP2017 NMT Tutorial「ゼロから始めるニューラルネットワーク機械翻訳」
Toshiaki NakazawaResearcher of Japan Science and Technology Agency (JST) at Kyoto University
[モデル作成編]0から本当に機械学習を理解するために学ぶべきこと～0からscikit-learnを使いこなす～ - Qiita
[kaggle]0から本当に機械学習を理解するために学ぶべきこと～一流のデータサイエンティストを例に～ [データラングリング編]0から本当に機械学習を理解するために学ぶべきこと～一流のデータサイエンティストを例に～ 前回までのあらすじ 上記の記事では、タイタニック号の水難事故である人が生き残るかどうかを正確に判別できるような機械学習モデルを作るべく、訓練データの傾向や歴史的な事実を用いて仮説を立て、それに基づいて特徴量の作成など、様々な操作を行ってきました。ここからはいよいよ実際にscikit-learnを使って機械学習モデルの作成に入ります。 モデルを作って予測する ついに長きに渡った前処理を終えて、結果を予測させることができるようになりました。ここでは、その使いやすさで絶大な人気を誇る機械学習ライブラリのscikit-learnを使うことになります。 この段階では、どんなアルゴリズムを
![[モデル作成編]0から本当に機械学習を理解するために学ぶべきこと～0からscikit-learnを使いこなす～ - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/e7625fcaa7459556a3f267794de16e19919df3b1/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCJUUzJTgzJUEyJUUzJTgzJTg3JUUzJTgzJUFCJUU0JUJEJTlDJUU2JTg4JTkwJUU3JUI3JUE4JTVEMCVFMyU4MSU4QiVFMyU4MiU4OSVFNiU5QyVBQyVFNSVCRCU5MyVFMyU4MSVBQiVFNiVBOSU5RiVFNiVBMiVCMCVFNSVBRCVBNiVFNyVCRiU5MiVFMyU4MiU5MiVFNyU5MCU4NiVFOCVBNyVBMyVFMyU4MSU5OSVFMyU4MiU4QiVFMyU4MSU5RiVFMyU4MiU4MSVFMyU4MSVBQiVFNSVBRCVBNiVFMyU4MSVCNiVFMyU4MSVCOSVFMyU4MSU4RCVFMyU4MSU5MyVFMyU4MSVBOCVFRiVCRCU5RTAlRTMlODElOEIlRTMlODIlODlzY2lraXQtbGVhcm4lRTMlODIlOTIlRTQlQkQlQkYlRTMlODElODQlRTMlODElOTMlRTMlODElQUElRTMlODElOTklRUYlQkQlOUUmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtY2xpcD1lbGxpcHNpcyZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWFkN2Y1ZjNmMjhhMmIxM2ExMmQ0ZTU3MjNjNmUwZDc5%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwemVub25ucCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NTE0NzQwNjYyZmM0ZTczMGNmM2MxYjQ4YWY0YzhmMzI%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Dd014d51f014516ca49fcd1663a86d0da)
本記事では、機械学習コンペなどでよく見られる勾配ブースティング決定木(gradient boosting decision tree)を説明します。勾配ブースティング決定木は、MNISTデータに対して、ニューラルネットの最高精度と同等の精度を出したり、また高速な実装xgboostなどで有名な手法です。ライブラリを使用している方も多いと思いますが、意外とどのような構造になっているかを知らない人もいるかもしれません。 そこで、本記事では、決定木とは何か、というところから始めて、アンサンブル学習、勾配ブースティング決定木について見ていきます。 決定木 情報利得 アンサンブル学習 バギング ブースティング 勾配ブースティング決定木 各反復での訓練 モデルの複雑性 最適解の導出 実装例 まとめ 参考 決定木 決定木(decision tree)は、データに対して一連の質問を与えることによって、目標に
Recurrent Neural Networksとは何か RNNの応用事例 機械翻訳 音声認識 画像の概要生成 説明文からの画像生成 知っておくと便利なRNNの種類と進化 Simple RNN LSTM GRU Bi-directional RNN Attention RNN Quasi-Recurrent Neural Network TensorFlowによるRNNの実装 まとめ 参考文献 人間は、目の前で起きた出来事から、次に起こりそうな出来事を予測しながら文脈を読んで判断を下すことができます。例えば、車を運転している際に歩行者が飛び出しそうだと思えば、十分な間隔を置いて走行することが出来るでしょう。 また、現実世界は時間の制約を受ける事象はたくさんあります。アニメーションなどのストーリーでは、前回の文脈を前提として次の展開が進んでいきます。 Recurrent Neural Ne
DataRobot使ってAI予測モデル4000個完成。リクルート社内で進む人工知能ツールの民主化
＜グーグルを辞めてリクルートAI研究所の所長になったアーロン・ハーベイ氏は、リクルートが社員向けにAIツールを何も用意していないことに驚いたという。日本のテック企業はキャッチアップできるか＞ 「AI for everybody（AIの民主化）」。米Microsoftの最近のキャッチフレーズだ。だれもがパソコンを使えるようになったことで企業の生産性が格段に上がったように、これからのビジネスマンはだれもがAIを使いこなせるようにならなければならない。Microsoftを始め米国のテック企業は、そう考えて動き始めている。日本では、リクルートが一般社員向けにAI関連ツールを導入し始めており、半年間でAIの予測モデルが4000個以上も完成するなど、早くもその成果が表れ始めているという。 AI化の３つのレベル 企業のAI化には３つのレベルがあると言われる。レベル１は、AIの技術者を一人採用する、という
AI、機械学習、ディープラーニングの違いを説明できますか？機械学習と統計の違いは？ (1/3)：MarkeZine（マーケジン）
『MarkeZine』が主催するマーケティング・イベント『MarkeZine Day』『MarkeZine Academy』『MarkeZine プレミアムセミナー』の 最新情報をはじめ、様々なイベント情報をまとめてご紹介します。 MarkeZine Day
こんにちは。データサイエンティストの堀部です。 この記事は Enigmo Advent Calendar 2020 の9日目の記事です。 何か社外のデータを使っていい感じのことができないかなと思っていたところ、3日目の竹本さんの記事がおもしろく、パクリ二次創作しました。 短期間で実装したので汚いコードで見苦しいかもしれないですがご了承ください。ちなみに、私は競馬は簡単なルールを知っているくらいでズブの素人です。 目次 使用したライブラリ データ取得 前処理 学習 予測・評価 VSオッズ低い順 VS競馬必勝本 感想 参考資料 使用したライブラリ import urllib.parse import urllib.request as req from time import sleep import category_encoders as ce import lightgbm as lgb
どんなアプリ？ みんな大好き「いらすとや」さん 記事の挿絵に使ってみたいけれども、適切な画像を探すのに苦労していませんか？ 検索キーワードを何にしようか迷ったり、一つ一つ検索するのは面倒だなぁとか。 そんな苦労を解決してくれる、 ドキュメントの文章をまるっと全部与えると、自動で特徴的なキーワードを見つけてくれて、そのトピックに合った画像を「いらすとや」さんから探してきて、文章中に埋め込んでレコメンドしてくれるアプリを作ってみました。 例えば、下図のように北大路魯山人「だしの取り方」の文章を全部与えると、「鉋（カンナ）」や「だし」などの特徴的なキーワードを自動抽出して、それに合った挿絵を適した位置にレコメンドしてくれ、簡単に挿絵入りの文章を作れます。 加えて、レコメンド完了までの所要時間は数秒です。簡単かつ高速！ 以下、このアプリの作り方について解説していきます。 なお、本記事はあなたの文章
はじまりこの note を運営しているピースオブケイク社でエンジニアをしている hanaori です。少し前から統計学を勉強中でして、現実世界に当てはめて試せそうな題材を探している毎日を過ごしています。 そんな折、「弊社CTOが引っ越しを検討している」という話を聞き、 CTOの引越し先としてコスパの良い物件を、統計を使って探し出しだす のはどうかとひらめいてしまいました 😆 そこで、重回帰分析を用いてコスパに優れる物件を洗い出していきたいと思います。 今回探す物件の条件ここで今回対象とする物件の条件を確認しておきます。 ・ ジムが近い（→ 狙いは東京体育館） ・ 最寄り駅は千駄ヶ谷 ・ 高すぎる物件はちょっと・・・（一旦２０万より下で設定） 物件データを可視化する今回は千駄ヶ谷駅周辺の物件データを用意しました。 最寄り駅ごとに箱ひげ図を描いてみると駅ごとに賃料の分布が異なりそうなことが分
SVM、ニューラルネットなどに共通する分類問題における考え方 - HELLO CYBERNETICS
はじめに 分類問題の基本 分類における困難：線形分離不可能 非線形な分類問題 曲線、曲面によって境界を定める＝空間を捻じ曲げて線形な境界を定める 素朴な疑問とその回答 次元に自由度がある 分離できる可能性が上がる うまい曲げ方を見つける 学習とは空間の曲げ方を学ぶこと ニューラルネットワーク ニューラルネット最初期 ニューラルネット中期 ニューラルネット現在 過学習 サポートベクターマシン まとめ ディープラーニングの手法については以下の記事を参考に サポートベクターマシンについて数式ベースで理解したい方 はじめに 分類問題の基本 分類問題の基本はデータがプロットされた空間上に境界面を配置することです。 下記の図のように、2種類のデータを分類する際の境界の配置の仕方は一意に定まりません。 このどちらが良い配置の仕方であるのかも、通常は決定できません。 そのため、境界面を決定するための様々な
Help us understand the problem. What is going on with this article?
![育児×家事×IoT Raspberry Piで最強の防犯カメラを作ってみる（動画記録・配信、動体検知・Line通知、顔検知・顔認証、Alexa搭載）[1/6] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/05531f35414f123eb01c31516528b9e2a5fe5e29/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-1150d8b18a7c15795b701a55ae908f94.png%3Fixlib%3Drb-1.2.2%26w%3D1200%26mark%3Dhttps%253A%252F%252Fqiita-user-contents.imgix.net%252F~text%253Fixlib%253Drb-1.2.2%2526w%253D840%2526h%253D380%2526txt%253D%2525E8%252582%2525B2%2525E5%252585%252590%2525C3%252597%2525E5%2525AE%2525B6%2525E4%2525BA%25258B%2525C3%252597IoT%252520Raspberry%252520Pi%2525E3%252581%2525A7%2525E6%25259C%252580%2525E5%2525BC%2525B7%2525E3%252581%2525AE%2525E9%252598%2525B2%2525E7%25258A%2525AF%2525E3%252582%2525AB%2525E3%252583%2525A1%2525E3%252583%2525A9%2525E3%252582%252592%2525E4%2525BD%25259C%2525E3%252581%2525A3%2525E3%252581%2525A6%2525E3%252581%2525BF%2525E3%252582%25258B%2525EF%2525BC%252588%2525E5%25258B%252595%2525E7%252594%2525BB%2525E8%2525A8%252598%2525E9%25258C%2525B2%2525E3%252583%2525BB%2525E9%252585%25258D%2525E4%2525BF%2525A1%2525E3%252580%252581%2525E5%25258B%252595%2525E4%2525BD%252593%2525E6%2525A4%25259C%2525E7%25259F%2525A5%2525E3%252583%2525BBLine%2525E9%252580%25259A%2525E7%25259F%2525A5%2525E3%252580%252581%2525E9%2525A1%252594%2525E6%2525A4%25259C%2525E7%25259F%2525A5%2525E3%252583%2525BB%2525E9%2525A1%252594%2525E8%2525AA%25258D%2525E8%2525A8%2525BC%2525E2%252580%2525A6%2526txt-color%253D%252523333%2526txt-font%253DHiragino%252520Sans%252520W6%2526txt-size%253D54%2526txt-clip%253Dellipsis%2526txt-align%253Dcenter%25252Cmiddle%2526s%253D6aa0049acf21f940162c51a7434074c9%26mark-align%3Dcenter%252Cmiddle%26blend%3Dhttps%253A%252F%252Fqiita-user-contents.imgix.net%252F~text%253Fixlib%253Drb-1.2.2%2526w%253D840%2526h%253D500%2526txt%253D%252540naka-kazz%2526txt-color%253D%252523333%2526txt-font%253DHiragino%252520Sans%252520W6%2526txt-size%253D45%2526txt-align%253Dright%25252Cbottom%2526s%253D488f040872bd6edbfaa92a4748015ca9%26blend-align%3Dcenter%252Cmiddle%26blend-mode%3Dnormal%26s%3D6570ca2c1a753edbd93f2ac7efd013e0)
はじめに 機械学習を使って五等分の花嫁の予測をする記事はいくつかあるのですが、最新10巻までのデータを使ったもの、Neural Network Console（以下NNC）を使ったものが無かったので自分の練習がてら試してみました。 多少のネタバレを含みますので注意してください。 因みに私は三玖派です。 過程はいいから結果だけ見たい方はこちら。 Neural Network Consoleとは？ Neural Network Consoleとは、SONYが開発したディープラーニング・ツールで、ドラッグ＆ドロップでニューラルネットワークを編集できるため、数学やプログラミングの知識がない人でも簡単にディープラーニングを行うことができるツールです。また、学習にはクラウド上のGPUを使うので、頭もPCも低スペックな私でも簡単に学習モデルを作ることができます。 開発者である小林由幸氏自身による解説動画
“実在しないリアルな顔”を自在に編集できる「StyleRig」 StyleGANで生成した顔の向き、表情、照明を制御
Innovative Tech： このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。 独MPI Informatics、仏Technicolor、仏Valeo.ai、米スタンフォード大学による研究チームが開発した「StyleRig」は、機械学習が生成したリアルな、だが実在しない人物の顔（静止画）を自在に編集できるシステムだ。 顔の向きや表情、光の当たり方などを変更できる。 今回の手法は、GAN（Generative Adversarial Network）を用い、リアルな顔画像を生成するNVIDIAの「StyleGAN」をベースにしている。 StyleGANは、高解像度の人物画像や2つの顔を組み合わせた合成画像を生成するスタイル変換ネットワークで、実在しないがリアルな顔を出
機械学習を活用して見えないインフラ障害を検知――九州のISPサービスを担う、QTnet運用エンジニアの挑戦
機械学習を活用して見えないインフラ障害を検知――九州のISPサービスを担う、QTnet運用エンジニアの挑戦：＠ITソフトウェア品質向上セミナー2018 九州のISPサービスを担う、QTnet運用エンジニア木村氏は、ITインフラの監視に機械学習を活用し、これまで見えていなかった異常の検知や予測に取り組んでいる。「機械学習に関しては、ほぼど素人の取り組みだが、ソフトウェア開発に活用する際のヒントになれば」と謙遜しながら、その歩みを紹介した。 九州電力グループの電気通信事業者としてITサービス、インターネット接続サービスを提供しているQTnetでは、ITインフラの監視に機械学習を活用し、これまで見えていなかった異常の検知や予測に取り組んでいる。 ＠ITが2018年12月14日に開催した「＠IT ソフトウェア品質向上セミナー AI／機械学習、自動化で開発現場にも訪れるシンギュラリティにどう備えるか
こんにちは、アプリケーションエンジニアの id:alpicola です。先日社内で機械学習を題材としたハッカソンを開催しました。サービスに蓄積されたデータを使って、何か面白いことができないか気軽に試してみる場を設けるのが開催の趣旨です。このハッカソンの成果をいくつか紹介します。 この記事ははてなエンジニアAdvent Calendar 2017の24日目の記事です。昨日は id:wtatsuru さんによる「エンジニア新人研修で障害対応を行いました 」でした。明日は id:motemen さんです。 id:Windymelt 「おすすめブログのレコメンド」 はてなブログにはブログの購読機能があるのですが、ユーザーの購読情報を元にブログのレコメンドを行なっていて、いい度合いに動いてそうでした。協調フィルタリングという手法を使っていて、どんなブログを購読しているかによってユーザーの類似度を計算
自分が制作に関わっているスマホアプリに将棋ウォーズというゲームがある。オンライン対戦でたくさんのユーザーが毎晩将棋を指しており、最近になって合計対局数が３億対局を超えた。私の想像を遥かに超えるほど指されておりアプリ製作者としてはこれ以上にない喜びである。 しかし初心者にとってオンライン対局は決して気楽なものとは限らない。多くの強豪たちがオンラインの世界ではたくさんいるからである。そこで将棋ウォーズではオンライン対局とは別に練習対局というモードが実装されている。このモード、結構弱めで旧バージョンのPonanzaが搭載されており、ユーザと気軽に対戦できるようになってる。 Ponanzaの中でも「簡単」モードを選ぶと、史上最強に弱いPonanzaが選べる。このPonanzaこれ本当に弱い。ここまで弱いプログラムがあるのかというくらい弱い。おそらくランダムに手を指すプログラムよりも弱い。 このPo
マッチングアプリ「Pairs」で結婚した俺が聞く！ 機械学習を活用した相性診断の仕組みと安全性へのこだわり | HRナビ by リクルート
恋愛・婚活マッチングサービス「Pairs（ペアーズ）」は、日本・台湾を合わせて累計会員数570万人、累計マッチング数4000万組を誇る国内最大級のマッチングアプリだ（2017年7月現在）。婚活や出会いを求める“恋活（こいかつ）”のために、「Pairs」はいったいどのように相性の算出を行っているのか？ そして、真剣にパートナーを探す人のために、どのようにサービスの安全性を担保しているのか？ 今回は、ユーザーとして「Pairs」を利用し、晴れて結婚に至った筆者が、仲人（？）である運営会社のエウレカを直撃。相性診断の仕組みやこだわりポイント、同社のマッチング哲学について話を伺った。 相性はどのように決まる？ マッチングのための工夫 インタビュアー 仁田坂 淳史（にたさか あつし、写真左） 編集者。出版社やmixiを経て独立し、出版ベンチャー株式会社ZINEを設立。仕事が忙しく時短のため、これまで
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
『仕事ではじめる機械学習』＆『前処理大全』著者対談（Part 2）
前モデル買った人のことを思うと切なすぎる：Nvidia RTX 2060／2070 Super レビュー
機械学習による株価予測 さがそう 真のNumerai Signals - Qiita
「機械学習：技術的負債の高利子クレジットカード」のまとめ
自動文章生成AI（LSTM）に架空の歴史を作成させた方法とアルゴリズム
Twitterが機械学習用ライブラリをTensorFlowに移行しようとしている理由とは？ - GIGAZINE
競馬予想 機械学習(LightGBM)で回収率100%超えたと思ったら、やらかしてた話 - Qiita
テキストから画像を生成するGANまとめ - akmtn記録
機械学習を使いこなすUXアーキテクト�エンジニアの必要性 | F's Garage
最短コースで機械学習を学べる 書籍「Pythonで儲かるAIをつくる」紹介 - Qiita
GiNZAと患者表現辞書を使って患者テキストの表記ゆれを吸収した意味構造検索を試した - エムスリーテックブログ
写真に写っていないところを復元する - エクサウィザーズ Engineer Blog
CNNによる文字コード不明なドキュメントの推定 - にほんごのれんしゅう
fastTextの実装を見てみた
ドラッグ＆ドロップで機械学習のモデルがつくれる「Create ML」の使い方 - その後のその後
ゼロから作るDeep Learningで素人がつまずいたことメモ:5章 - Qiita
勾配ブースティング決定木を理解する - hiyoko9t’s blog
RNN：時系列データを扱うRecurrent Neural Networksとは
機械学習で競馬必勝本に勝てるのか？ 〜Pythonで実装するランク学習〜 - エニグモ開発者ブログ
あなたの文章に合った「いらすとや」画像をレコメンド♪（応用編） - Qiita
【後藤弘茂のWeekly海外ニュース】 本格的に深層学習へ舵を切った真のジャイアントコア「Tesla V100」
アラサーエンジニア シティボーイ化計画 - 都会のお得物件を統計的に探してみる -｜hanaori｜note
育児×家事×IoT Raspberry Piで最強の防犯カメラを作ってみる（動画記録・配信、動体検知・Line通知、顔検知・顔認証、Alexa搭載）[1/6] - Qiita
Neural Network Consoleを使って五等分の花嫁を学習してみた - Qiita
Visual Studio Python IDE - Windows 向け Python 開発ツール
社内で機械学習ハッカソンを開催しました - Hatena Developer Blog
将棋ウォーズにある史上最強に弱いPonanzaの話｜山本一成🚗TURING