404 SECRET Not Found #29 まだディスク処分で消耗してるんですか?：404 SPAM Not Found
小飼弾です。ブロマガでお届けいたします。「ブロマガを」でなくて「ブロマガで」なのは、はじめは404 Blog Not Foundの方に書こうと思ったから。 しかしつっこみを入れたい元記事「大掃除でHDDを破棄するときは「初期化の方法」に気をつけて」がニコニコニュースということもあり、同じ会社がやってるメディアに掲載した方がいいかなと思い、ブロマガにしました。そういう経緯なので今回(は|も)無料です。 200 Any Questions OK Q. ディスクを安全に処分する方法 弾さんこんにちわ。来年結婚します。結婚にあたって独身時代の黒歴史も一緒に処分したいのですが、下取りに出すパソコンのディスクはどうしたらよろしいのでしょうか。さまざまな記事にあるように繰り返しゼロ書込みするべきなのでしょうか?それともやはり小渕先生のようにドリルで破壊するべきなのでしょうか?そうするだけの時間も螺旋力も
#検察庁法改正案に抗議した人は本当はどのくらいいたのか｜tori
5月8日から，突然 #検察庁法改正案に抗議します というタグがトレンド入りしました． どのくらいの量ツイートされたのかを見てみると，5月8日20時から5月11日15時までの間に，リツイートを含めて4,732,473件，リツイートを除くと，564,797ツイート，拡散に関わったユーザは588,065アカウントでした． 1時間ごとのツイート数を見るとこんな感じ． なんでこんな爆発的に広まったんでしょうか．これだけ広まると，逆にボットとかスパムの影響じゃないの？と考えてしまうのがソーシャルメディア研究者の基本です． というわけで，調べてみましょう． 早速データを収集します．今回は周辺データも見ようということで，「#検察庁法改正案に抗議します」だけじゃなくて，「検察庁」「定年延長」「三権分立」でデータを収集しました． ツイートしたのはボットだったのか？まず最初に疑われるのが，ボットが大量にRTした
『みんなのデータ構造』でデータ構造の基礎を学んだ - valid,invalid
データ構造とアルゴリズムの学習の一環として『みんなのデータ構造』を読んだ。これまでで最も良いデータ構造の学習になった。 みんなのデータ構造 作者:Pat Morin発売日: 2018/07/20メディア: 単行本（ソフトカバー） 日本語訳がWebで公開されているので気になる方は無料で読める。が、著者や訳者や出版社応援の意味も込めて購入すると良いと思います。また、ラムダノート社のサイトから買うと紙書籍と電子書籍のセットがお得。 内容 データ構造とアルゴリズムに関連する本はアルゴリズム寄りのものが多いが、データ構造に焦点を当て続けていることが本書の特色。 内容の依存関係 p.21より 大学の教科書のように、正確性を優先したハードコアな内容。 アルゴリズムの内容も少しだがある。「11章 整列アルゴリズム」ではそれまでの章で学んだデータ構造がどのように使われるかを一瞥でき、「12章 グラフ」では深
オタクと気持ち悪いという言葉 - データをいろいろ見てみる
概要 Twitter上で「気持ち悪い」、「キモイ」という言葉が、どのように使われてるかと調査した。 調査対象は、キモイ、気持ち悪いという言葉を含むtweet、約28万件 時系列の変化を見るため、2018年と2019年で調査を行った 気持ち悪いと言う言葉は、オタクへの言及とともに使われている オタクを含んだtweetは、28万件中、14431件あった 調査結果 2018年調査 2018年に投稿されたツイート調査 調査期間 2018/01/09 - 2018/12/31 tweetソース元 Sample realtime Tweets API 2019年調査 2019年に投稿されたツィート調査 調査期間 2019/01/01- 2019/10/20 tweetソース元 Sample realtime Tweets API 気持ち悪いという言葉の特徴 気持ち悪いという単語は、他者を侮蔑する意味と
無料の API 自動生成ツールを使って、Excelファイルから REST API を生成してみる：CData API Server - Morning Girl
今月はじめに CData API Server というAPIの自動生成ツールで無料版・freeのライセンスがリリースされました！ 今日はこの CData API Server を使ってExcel ファイルから REST API を生成する方法を解説したいと思います。(ちなみに機能的にはExcel だけでなく、MySQL などのRDBからもAPIの生成が可能です。というかそっちの方がメインです) ちなみに今回作ったAPIは以下の内容で公開しています。 O'Reilly Demo API ID：user Token：7y3E6q4b6V1v9f0D2m9j CData API Server って何？ こんな REST API を生成するよ 実施手順 1. Excel データソースの接続設定を追加する 2. ExcelのシートをAPIリソースとして追加する 3. アクセス用のユーザーを追加する
「Amazon Forecast」が正式リリース 過去の時系列データを与えるだけで機械学習による予測をしてくれる、専門知識不要のサービス
「Amazon Forecast」が正式リリース 過去の時系列データを与えるだけで機械学習による予測をしてくれる、専門知識不要のサービス AWSが「Amazon Forecast」を正式リリースした。履歴データなどをもとに時系列予測を行ってくれるサービス。売上、利益、経費などのビジネス指標などさまざまな分野に対応可能だとしている。 Amazon Forecastは、なんらかの時系列データおよびその時系列データに影響を与えたであろう周辺情報、例えばある店舗の売り上げの時系列データおよび、その店舗の場所の天候、気温、交通量、曜日や祝日など売り上げに影響すると思われる周辺情報を与えると、予測に必要な機械学習モデルの構築、アルゴリズムの選定、モデルの正確性の検証や改善などを全て自動で実行し、売り上げに関する予測のデータを出力してくれるというサービスです。 一般に、機械学習を活用するには、学習用のデ
予測分析ツール「Prediction One」をソニーが無償提供。導入後は38倍の作業効率化 | Ledge.ai
2019年6月12日、ソニーネットワークコミュニケーションズ株式会社は、機械学習を用いた予測分析サービス「Prediction One」の無償提供を開始した。 過去の実績データから将来の結果を予測するAI技術により、営業や業務管理、人事など幅広いビジネスへの適用が可能だ。 無償提供で企業の予測分析導入の第一歩に 企業が予測分析AIを導入する際、 の2つが必要になる。 多くの企業は「実績データ」を蓄積している。しかし、「機械学習」を扱える専門性を持つ人材の不足が障壁となっている。 そこで機械学習の専門知識がなくても簡単に操作できるのが「Prediction One」だ。本サービスの無料提供により、企業は簡単に予測分析ツールを導入できる。 シンプルで簡単な操作で高精度予測「Prediction One」には4つの特徴がある。 シンプルで簡単まずは、操作が簡単なことだ。学習から分析まではたった6
機械学習の数理: 学部の講義で出した100問の演習課題 – Joe Suzuki (鈴木譲) 公式ブログ
機械学習の数理100問の改訂版 (2019年2月24日)。 2018年度の講義も残りわずかになった。 私が着任した昨年度から、基礎工学部情報科学科数理科学コース3年「計算数理B」で、機械学習の数理に関する講義を行っている。その中で、計算数理B100問 を学生に解かせている。 線形回帰 ロジスティック回帰と判別分析 クロスバリデーションとブートストラップ 情報量基準 スパース推定 非線形 決定木 サポートベクトルマシン 教師なし学習 機械学習の演習と言うと、参加費が◯十万円の企業のセミナーなどでも、中身を理解させないで、データを流し込むだけのものが多い。そういうのをみると、頭を使わない勉強方法を奨励しているように思えてならない。この100問は、理論(簡単な数式の証明)だけでなく、R言語でかかれたソースプログラムを理解するようにしている。 データサイエンスの人材が◯万人不足すると指摘する声は多
プロダクト改善のためにウォッチしておくべき7つの指標 - Gunosyデータ分析ブログ
データ分析部でグノシーというニュースアプリのプロダクト改善を担当している @ij_spitz です。 今回はプロダクト改善のためにウォッチしておくべき7つの指標をSQLで算出してみます。 Gunosyではこれらの指標を、プロダクトに異常があった時に検知するため、また施策の効果検証といった主に2つの目的で使用しています。 簡潔にするため、ユーザーとログインの2つのテーブルを使った算出できる指標のみを対象としています。 また、これらの指標をどうやってプロダクト改善に役立てているのかということも少しではありますが、合わせて書いていきたいと思います。 DAU WAU(MAU) HAU 積み上げHAU 1ユーザーあたりのログイン回数 登録N日後継続率 登録日別N日後継続率 前提 今回のブログで紹介するSQLはAmazon Redshift上で動くSQLなので、MySQLやGoogle BigQuer
ユーザの平均継続期間が「1/解約率」で求められることの数学的証明 - it's an endless world.
グロース分野においてユーザがそのサービスを平均でどのくらいの期間使ってくれるか？という数値は重要な値です。 例えば、広告の費用対効果を見るためにも計算するLTV(Life Time Value)。 LTVはユーザを1人獲得することで平均でどのくらいの売上に繋がるかという値ですので、平均継続期間×ARPUという算出方法になります。 ここで、ARPU(Average Ravenue Per User)のほうの計算は簡単です。 1ユーザあたりの売上を表す数字ですので一定期間の売上/ユーザ数、以上です。 しかし、ユーザの平均継続期間はどのように計算するべきでしょうか？ 離脱したユーザのデータを基に算出しようとしても、それはあくまでも「離脱したユーザ」の平均値となり全体の平均とは異なる明らかに誤ったサンプルから得られた結果となってしまいます。 そしてもちろん、多くのユーザはまだそのサービスを使ってい
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
データアナリストが活用できる（かもしれない）機械学習