サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
アメリカ大統領選
www.kamishima.net
原著：ペドロ・ドミンゴス 翻訳：神嶌 敏弘 イラスト：六七質 出版社：講談社 発行日：2021-04-21 ISBN：978-4062192231 本書は，ペドロ・ドミンゴス著『The Master Algorithm』の翻訳書で，近年の人工知能技術の進展を支える機械学習についての解説書です．機械学習とは，作業手順を明示的に指示しなくても，それをデータから学ぶ能力を計算機に与える技術です．この機械学習について，計算機科学や統計学の高度な知識を前提とせずに，その内側に踏み込んで仕組みを明らかにし，この技術の可能性と課題を論じています． 出版社ホームページ 版元ドットコム Googleブックス ネット書店：Amazon 楽天ブックス honto 紀伊國屋書店 電子書籍：Amazon 楽天ブックス honto 紀伊國屋書店 Apple 読書ログ： 読書メーター（電子版） ブクログ（電子版） 図書
非線形最適化関数¶ ロジスティック回帰を解くには， ロジスティック回帰の形式的定義 の式(3)の非線形最適化問題を解く必要があります． ここでは，この最適化問題を scipy.optimize モジュールに含まれる関数 minimize() を用いて実装します． そこで，この節では minimize() などの最適化関数について俯瞰します． ロジスティック回帰モデルをあてはめるメソッドの実装については，次の 学習メソッドの実装 で述べます． SciPy の非線形最適化関数¶ SciPy の非線形最適化関数には， minimize_scalar() と minimize() があります． これらを順に紹介します． sp.optimize.minimize_scalar(fun, args=(), method='brent')¶ Minimization of scalar function
The goal of fairness-aware machine learning or fairness-aware data mining is to analyze data while taking into account potential issues of fairness, discrimination, neutrality, and/or independence. Pedreschi, Ruggieri, and Turini in KDD2008 firstly posed this problem, and a literature about this topic was emerged. Tutorial on Fairness-aware Machine Learning This tutorial first shows how an algorit
なお， @staticmethod のデコレータを用いて，静的メソッドとして定義してあります． sigmoid() は数学関数であり，値はその引数だけに依存し，オブジェクトやクラスの内容や状態には依存しないので，このように静的メソッドとして定義しました． それでは，実行してみましょう． sigmoid() は静的メソッドなので，オブジェクトを生成しなくても実行できます． In [10]: from lr1 import LogisticRegression In [11]: LogisticRegression.sigmoid(0.0) Out[11]: 0.5 In [12]: LogisticRegression.sigmoid(1.0) Out[12]: 0.7310585786300049 In [13]: 1.0 / (1.0 + 1.0 / np.e) Out[13]: 0.7
The Data Science Land is a joking multiplayer scenario for the Battle for Wesnoth, free, turn-based tactical strategy game with a high fantasy theme. I hope you to enjoy machine learning in a fantasy world. Download: A scenario of the Data Science Land (Updated 2023-05-10) Five great countries battle with each other for the supremacy of the Data Science Land. Afterward, historians call this turbul
ICML NeurIPS UAI BigData KDD SIGMOD IJCAI DS ALT ICDM ECML ICDE VLDB COLT AAAI SIGIR PAKDD ACML SDM WWW WSDM RecSys CHI IUI ICANN IJCNN STOC FOCS ICPR ICCV ICASSP InterSpeech CVPR ACL CoNLL NAACL EMNLP ICLR KES ECAI ICWSM CIKM HCOMP UIST AISTATS WI ILP ISWC SODA PRIMA EDBT PODS STACS ICALP ESA IAAI ECCV ACCV TREC GECCO CEC IJCNLP COLING EACL ECIR ICONIP AAMAS DSAA PKDD AIRS PRICAI ICIP BMVC CSCW M
Software and Data Sets Ranking SUSHI Preference Data Set : questionnaire survey of preference in SUSHI collected by a ranking method. Test data for a task of learning to rank. Fairness-aware Data Mining Fairness-Aware Classification : classifiers while taking fairness of the analysis results into account. Independence-Enhanced Recommender System : a recommender system that makes recommendations so
配列の次元数や大きさの操作¶ ブロードキャストを紹介する前に， NumPy 配列の基礎 で紹介した，NumPy の配列クラス np.ndarray の属性 ndim と shape を操作する方法を紹介します． ndim は，配列の次元数を表す属性で，ベクトルでは 1 に，行列では 2 になります． shape は，スカラーや，タプルによって配列の各次元の大きさを表す属性です． 例えば，大きさが 5 のベクトルはスカラー 5 によって， \(2 \times 3\) の行列はタプル (2, 3) となります． 次元数を操作する必要がある例として配列の転置の例を紹介します． 転置した配列を得るには，属性 T か，メソッド transpose() を用います． 2次元の配列である行列を転置してみましょう： In [10]: a = np.array([[1, 3], [2, 1]]) In [
情報検索と自然言語処理 神嶌 敏弘 1 情報検索 2 社会の高度情報化 大規模DBと高速通信網 欲しい情報はどこ？ コンピュータに探させる 情報検索 (information retrieval) 情報要求 3 情報要求 (information need) 目標達成現在の知識 不足 この状態を利用者が 認識している 直観的要求 形式化された 要求 目標：コンピュータを使って，捜し物ができるソフトウェアを作る 現在の知識では不足していることは認識している が，具体的に何が足りていないかを説明できない 不足している知識が何かも認識しており，それを具 体的に言葉で表せる 専門家や同僚に相談して具体化に努める 「情報検索」についての本を探す 不明確 明確 探します! 二つの情報検索 4 (広義の)情報検索 (狭義の)情報検索 利用者のもつ問題（情報要求）を解決できる情報を見つけ出す 情報要求が
Python 2020-02-17 08:56:35 +0900 (Toshihiro Kamishima) 2020-02-17 08:56:35 +0900 i 1 1 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 5 2.1 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 . . . . . . . . .
1 2 3 4 5 6 7 2 X Y X Y 8 9 X X X X i X i 10 11 12 13 Y = f(X) X Y f f 14 15 16 17 18 19 20 21 22 23 Yes Yes No No 24 25 k 26 27 28 29 30 31 32 33 34 KDD Process: Knowledge Discovery and Data Mining 35 36 37 38 39 40 41 42 43 44 45 46 47 48
NumPy 配列の基礎¶ ここでは，NumPy で最も重要なクラスである np.ndarray について， 本チュートリアルの方針 の方針に従い，最低限必要な予備知識について説明します． np.ndarray は， N-d Array すなわち，N次元配列を扱うためのクラスです． NumPy を使わない場合， Python ではこうしたN次元配列を表現するには，多重のリストが利用されます． np.ndarray と多重リストには以下のような違いがあります． 多重リストはリンクでセルを結合した形式でメモリ上に保持されますが， np.ndarray は C や Fortran の配列と同様にメモリの連続領域上に保持されます． そのため，多重リストは動的に変更可能ですが， np.ndarray の形状変更には全体の削除・再生成が必要になります． 多重リストはリスト内でその要素の型が異なることが許
1 2 3 4 2 X Y X Y 5 X X X X i X i 6 7 8 9 10 X Y Ti 11 12 R.Agrawal and R.Srikant "Fast Algorithms for Mining Association Rules", VLDB 1994 minsup minconf minsup minconf 13 minsup 14 15 minsup minsup 16 minsup minsup 17 18 19 minconf 20 21 minconf minconf minconf 22 23 24 J.Han, J.Pei, and Y.Yin “Mining Frequent Patterns without Candidate Generation” SIGMOD 2000 minsup minsup 25 26 27 28 29 30 31
単純ベイズ：入門編¶ 最初に実装するのは，特徴量がカテゴリ変数である場合の単純ベイズ (Naive Bayes) です． この単純ベイズの実装を通じて，NumPy / SciPy を用いた行列・ベクトルの初歩的な扱いについて説明します．
はじめに¶ 機械学習の基本的な手法の実装を通じて，Python による科学技術計算プログラミングについて知ることができるように，このチュートリアルを執筆しました． 本チュートリアルの方針¶ このチュートリアルでは，いろいろな機械学習の手法を Python で実装する過程をつうじて，NumPy や SciPy など科学技術計算に関連したモジュールの具体的な使い方を説明します． 機械学習の手法についてはごく簡単な説明に留めますので，詳細は他の本を参考にして下さい． また，クラスなどのプログラミングに関する基礎知識や，Python の基本的な文法については知っているものとして説明します． プログラム言語やライブラリの解説の多くは，背景にある概念の説明，ソフトウェアのコア部分の仕様，そして，拡張部分の仕様といった順に，その機能の説明が中心となっています． ここでは，これらとは違うアプローチで Py
著者 神嶌 敏弘 (Toshihiro Kamishima) リリース 2020-02-17 08:56:35 +0900 ダウンロード用 [ PDF版 ] [ ePub版 ] ソースレポジトリ [ https://github.com/tkamishima/mlmpy ]
論争支援マルチモーダル実験システム Mr.Bengo: An Experimental Multimodal Disputation System 罪を憎んで，人を憎まず．愛と正義のソフトウェア Research Topics
Algorithms of Recommender Systems ⟨ http://www.kamishima.net/ ⟩ Release: 2016-09-26 21:53:16 +0900; 9645c3b i 2007 11 [ 07] 2008 1 [ 08a] 2008 3 [ 08b] 3 (1) (3) GitHub https://github.com/tkamishima/recsysdoc TYPO GitHub pull request issues I II III IV V ii J. Riedl J. Herlocker GroupLens WWW iii 𝑥 𝑋 𝐱 𝐗 𝑥 𝑦 𝑋 𝑌 𝐱 𝐲 𝑛 𝑚 {1, … , 𝑛} {1, … , 𝑚} 𝑦 𝑦 𝑥 x 𝑎 𝑟𝑥𝑦 𝑥 𝑦 ̄ 𝑟𝑥
1 2 3 4 5 6 7 8
次のページ
このページを最初にブックマークしてみませんか？
『Toshihiro Kamishima - Toshihiro Kamishima』の新着エントリーを見る
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
