協調フィルタリングについてまとめてみた。 - Analyze IT.
A Survey of Collaborative Filtering Techniques(Xiaoyuan Su and Taghi M. Khoshgoftaar, 2009,Advances in Artificial Intelligence) 仕事で協調フィルタリングについて調べる必要が出てきたのだが、あまりよい日本語の文献を見つけられなかったため（後にしましま先生の文献を見つけた）やむなく英語の論文を検索したところ、 上記のよいサーベイ論文を見つけた。というわけでこのサーベイ論文に書かれていることに自分なりに調べたことを加えて、自分用にまとめておく。 また、一部の人達の間ではとても有名なしましま先生の論文（ドラフト版）があるので、英語が苦手な人はそちらをご覧になるとよいと思われる。 協調フィルタリングは、一言で言えばユーザとアイテムのマトリックスを用いた顧客への商品のレコメン
第30回 データマイニング+WEB＠東京( #TokyoWebmining 30th)−機械学習活用・マーケティング 祭り− を開催しました - hamadakoichi blog
2013/10/19 "第30回 データマイニング+WEB ＠東京 ( #TokyoWebmining 30th) −機械学習活用・マーケティング 祭り−"を開催しました。 第30回 データマイニング+WEB＠東京 ( #TokyoWebmining 30th) ー機械学習活用・マーケティング 祭り−: Eventbrite Google グループ 会場提供し運営を手伝って下さった ニフティ株式会社 のみなさん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。会場参加、USTREAM参加ともに多くの方々の参加を嬉しく思っています。 参加者ID・バックグラウンド一覧： 参加者Twitter List: Twitter List TokyoWebmining 30th 参加者セキココ：第30回 データマイニング+WEB ＠東京 セキココ (作成してくれた [
Apriori algorithm - Wikipedia
Apriori[1] is an algorithm for frequent item set mining and association rule learning over relational databases. It proceeds by identifying the frequent individual items in the database and extending them to larger and larger item sets as long as those item sets appear sufficiently often in the database. The frequent item sets determined by Apriori can be used to determine association rules which
データからの知識発見('12)
講義一覧 > データからの知識発見 > Last Modified: 1章 2章 3章 4章 5章 6章 7章 8章 9章 10章 11章 12章 13章 14章 15章 訂正等 このサイトついて このWebサイトは秋光が主任講師を担当している 放送大学の専門科目 「データからの知識発見('12)」 のための補助資料などを掲載しています. 科目は平成27年度で閉講しました。 資料については各章ごとにページを分けています. 上記のナビから見たい章を選んでご利用ください. これらのページは放送大学の学生や講義の受講生に限らず, 一般に公開しています. 受講生以外の方がご利用になるのは自由ですが, 自己責任にてご利用ください. また, このサイトのデザインや内容については予告なく変更することがあります. サイトをご覧になったからのお問い合わせについては 必ずしもお返事できるとは限りませんが, 修
『入門ソーシャルデータ』9章: サンプルコードの実行 - 虎塚
『入門 ソーシャルデータ』9章のサンプルコードの実行方法についてメモします。 前置き 9章に関して、先日から急に詳しくメモしているのは、今度の勉強会で発表を担当するためです。 当日は休前日だし、終了後には久々の懇親会もあるし、テーマも身近なFacebookです。忙しくて予習ができなくても、誰かとソーシャルデータのよもやま話をしたいから遊びに行こう、という人がいらっしゃると予想しています。 幸いこの勉強会では1時間前後の自習時間が設けられています。サンプルコードはWebで手に入るので、Python実行環境とFacebookアカウントさえあれば、その場で気軽に試せます。というわけで、予習がまだの方に当日読んで使ってもらえることを目指して、メモを書いています。 このまとめでは、実装の詳細には踏み込めていません。ガチな内容は、自習後の成果発表でいつも面白いものを見せてくださる常連の方々におまかせし
Microsoft Word - 第21Weak.doc
[ 連載 ] フリーソフトによるデータ解析・マイニング第 21 回 決 定木と集団学習 研 究ノード １ . 決 定木 樹 木 モ デルに よ る 分類木 ( 決 定 木 ) は 、 計 算の速 さ 、 結果の 読 み やすさ 、 説 明のし や す さ な ど から多くの分野で応用されている。 決 定木は多くのアルゴリズムが提案されている。 WEKA には、 10 種類の樹木に関するアル ゴリズムが実装されている。しかし、その中ではデータ形式に特化したものもある。データの への制約が少ないのは J48 、 NBTree 、 RandomForest 、 RandomTree 、 REPTree などである 。 先 月号で、すでに説明したとおり、 J48 は C4.5 の WEKA バージョンである。 N BTree は、ナイーブベイズの分類器 (naive Bayes c lass
Microsoft Word - 第20Weak.doc
[ 連載 ] フ リーソフトによるデータ解析・マイニング 第 20 回 WEKA と樹木モデル 1 ． WEKA とは 樹 木モデルに関するアルゴリズムは多く提案されているが、R には CART のファミリーの一 族 tree 、 rpart 、 randomForest 以外には見当たらない。樹木モデル ( 決定木 ) の話題で欠かせな いのは C4.5 のアルゴリズムである。そこで、本稿では、 C4.5 のアルゴリズムが実装されてい るデータマイニングのフリーソフト WEKA を紹介する。 W EKA は、 ニュージーランドのワイカト大学 (University of Waikato) の Ianh. Witten 、 Eibe. Frank を中心とした機械学習の研究者によって開発され続けている、 Java 言語によるオープ ンソースのデータマイニングのフリーソフトである。実
WEKA利用中にメモリ不足で終了してしまう時の対策 - LostMemories
日頃感じていることや、身の回りで起きる少し変わったことを紹介します。 携帯版は、http://trialpc.net/mt/mt4i.cgi?id=1 です。 データマイニングツールWEKAを利用していると、たまにメモリ不足で不正終了してしまうことがあります。これは、WEKAに割り当てられているヒープ領域（メモリの大きさ）が十分でないために起こる現象です。これを回避するためには、ヒープ領域を十分に割り当ててやる必要があります。 これ以降は、Windows環境（GUI）を前提にします。他のOS向けのWEKAを利用している場合は、普通のjavaアプリケーションの時と同様に、-Xmxオプションでヒープ領域を大きめに指定してください。 Windows上でWEKAのヒープ領域を大きくするには、設定ファイルの設定を変更する方が簡単です。インストールされているフォルダ（一般的には「C:\Program
データマイニングの基礎データマイニングの基礎 Multidisciplinary Design Exploration (MDE)Multidisciplinary Design Exploration (MDE) Lecture Series 1Lecture Series 1 20072007年年33月月2323日日 東北大学大学院東北大学大
データマイニングの基礎データマイニングの基礎 Multidisciplinary Design Exploration (MDE)Multidisciplinary Design Exploration (MDE) Lecture Series 1Lecture Series 1 20072007年年33月月2323日日 東北大学大学院東北大学大学院 情報科学研究科／情報科学研究科／((株株))三菱総合研究所三菱総合研究所 寺邊寺邊 正大正大 Multidisciplinary Design Exploration (MDE) Lecture Series 1@Tohoku Univ. All Rights Reserved, Copyright © 2007 Mitsubishi Research Institute, Inc.2007/3/232007/3/23 22 本日の内容本日
糞糞糞ネット弁慶
先に結論 nDCG@all はどんな予測値やモデルであっても 1.0 に近づくので注意したほうが良さそうです． 疑問 機械学習モデルにおける予測値の評価にはさまざまな指標が用いられます． RMSE prec / recall / f1-score negative log-likelihood 二値分類ではとくに ROC-AUC (Area Under the Receiver Operating Characteristic Curve)1が用いられることが多いでしょう． ランダムな予測値に対する ROC-AUC はその定義上からも 0.5 になることが知られています．これは非常に便利で，ROC-AUC の厳密な定義を知らない人でも「この予測結果はコイントスよりどれだけ優れているのか」がすぐに把握可能です． (ちなみに ROC-AUC については Quality Metrics in R
データ・マイニングに関するTEDプレゼンテーション | とうごろぐ
データ・マイニングに関するTEDプレゼンテーションを集めました． 人工知能に関するものはこちら． Deb Roy: The birth of a word TED 2011, Filmed Mar 2011; Posted Mar 2011, 19:52 Rajesh Rao: A Rosetta Stone for the Indus script TED 2011, Filmed Mar 2011; Posted Jun 2011, 17:01 Anders Ynnerman: Visualizing the medical data explosion TEDxGöteborg 2010, Filmed Nov 2010; Posted Jan 2011, 16:37 David McCandless: The beauty of data visualization TEDGlob
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
https://www.wimbledon.com/en_GB/scores/index.html
https://db-event.jpn.org/deim2012/data/uploads/t2.pdf
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
濱田 晃一さんのプロフィール | iddy