求人機関登録をすると、 求人公募情報の掲載や、 求職者情報の閲覧、 求職者照会メール配信機能等のサービスをご利用いただけます。
研究分野一覧表 : 研究者人材データベース JREC-IN Portal
求人機関登録をすると、 求人公募情報の掲載や、 求職者情報の閲覧、 求職者照会メール配信機能等のサービスをご利用いただけます。
大学院・研究者を目指す人へ
以下の文章は、Hal Whiteheadのゼミで読むべきものとされていたものを日本語訳したものです（訳の間違いは天野に責任があります。見つけられたらご連絡を）。実は、アメリカの生態学系の大学院では広く読むことを奨められている文章のようです。大学院に進んで、研究者を目指すときに重要な点がいくつもストレートに述べられています。観点がやや異なる二つの文章がありますが、結局言っていることにあまり違いはないように思います。日本とアメリカの大学院というシステムの違いもありますし、若干古い文章で現状とは合わなくなっている点もありますが、私の研究室のみならず、どこの大学ででも海棲哺乳類の研究を目指す人にとって重要な指針となるものと思います。大学院進学を決める前に目を通しておいて損はないでしょう。少なくとも私の研究室に大学院生として進学を希望する人は、研究者を目指す心構えで来て欲しいですし、入学すればそのよ
良い研究と良くない研究の違い - ある生物系博士課程大学院生の日記
今になってちょっとわかってきた 良い研究と良くない研究の違いをわかっておくことは研究者として大事。 んで、今まであまりわかってなかったけど、やっと「良くない研究」が理解できてきた。良い研究のやり方はわからないけど、「良くない研究」の条件を整理しておくのも大事だろう。 研究は、問いを立てて答えること 研究をする動機が好奇心にあるものとすると、研究の成果は、「問いに答える」ものであるはず。*1 良い研究とは、「良い問いにクオリティの高い答えを出す」ものと言える。じゃあ、良い問い、良い答えとはなにか？また、悪い問い、悪い答えをどうしたらよく出来るのか？ 問いの良さ 社会的・学術的に答えて意味のある問いかどうか。その問いに答えることで、社会・学界にどれだけのインパクトがあるか。 知見を生み出す−学会発表準備の時に卒論生に意識してほしいこと - ある生物系博士課程大学院生の日記 良い問いはわからない
強い松尾ぐみのために：研究の指導とステップアップ
松尾ぐみができてから今まで、１０人以上の学生にアドバイスしながら一緒に研究を進めてきました。そのなかで、研究がうまくいく場合とうまくいかない場合があります。もちろん個人の資質によるところは大きいですが、成功例、失敗例にはいくつかの傾向があるように思います。典型的なパターンを類型化し、それぞれの分析と対策を行うことで、よりよい研究の指導、ひいては研究室内外と自分自身のレベルの向上にもつながるはずだと思います。 以下では、うまくいくパターンとうまくいかないパターンの類型化を行います。まず、うまくいかないパターンから分析してみましょう。 研究がうまくいかないパターンとして、次のようなものが挙げられる。 1. 学生が自分のやりたいことを主張して、どうかなぁと思いつつ任せているとやっぱりうまくいかないパターン。 2. アドバイスして「やります」と言ってるのに、やらないパターン。話すと結構きちんとした
データの種類
定性的データ ( 質的変数，カテゴリーデータ，カテゴリカルデータ ) （単にカテゴリーデータという場合，名義尺度を指すことがある．この場合，順序尺度は順序カテゴリーデータという．）
カーネルトリック - Shogo Computing Laboratory
写像 ソフトマージンで線形分離不可能な場合でも、分離超平面を決定することができますが、 所詮線形分離なので、性能には限界があります。 そこで、入力を適当な非線形変換を使って、 より高次元な特徴空間へ写像することを考えます。 例えば左の図で赤丸と青丸は線形分離出来ません。 そこで、元の特徴空間を非線形変換し、 に写像します。 すると、右図のような分布になり、直線で分離することが可能になります。 カーネルトリック 上の例では、二次元から二次元の写像でしたが、複雑な問題なるとより大きな次元に写像する必要があります。 次元があまりにも大きくなると、写像を求めるのは大変になってきます。 しかし、SVMの場合、実は実際に写像を求める必要はなく、ベクトルの内積だけ分かれば計算ができます。 この写像した特徴空間の内積は、当然もとの特徴ベクトルの関数になっているはずです。 そこで、写像した特徴空間の内積を関
What is NoSQL? Non-Relational Databases Explained | DataStax
NoSQL databases are designed to support cloud application requirements and overcome the scale, performance, data model and data distribution limitations of traditional relational databases (RDBMS’s). To better understand NoSQL databases, let’s first take a look at their alternative: relational databases. The SQL programming language was designed as an easy way to query and modify relational databa
IoTに適したNoSQL・分散Key-Valueストア
NoSQLという言葉をご存知の方は多いと思いますが、実際に使ってみたことがある方はまだ少ないのではないでしょうか？ これまでは一部のWebサービス企業などで利用されてきたNoSQLですが、最近では様々な企業で導入が進んでいます。しかし現状ではまだNoSQLに関する情報が少なく、導入にはハードルが高いところもあると思います。そこで今回、NoSQLに関する知見を増やすため、近年注目されているIoT（Internet of Things）への適用を想定した書き込み性能検証を実施しました。本連載では、その検証結果についてご紹介したいと思います。NoSQL導入の参考になれば幸いです。 最近よく聞くようになったIoTですが、システム化に際してはデータストア（データを保存しておくシステム）に関して、従来のシステムとは違った課題があります。第1回では、IoTにおけるデータストアの課題と、それに対する解決策
IoTデータの分析を高速化するデータベース統合技術を開発 : 富士通
English PRESS RELEASE （技術） 2017年3月17日 株式会社富士通研究所 IoTデータの分析を高速化するデータベース統合技術を開発 データ変換の最適化とデータ転送量削減で4.5倍高速化、さらに分散並列実行の自動化を実現 株式会社富士通研究所（注1）（以下、富士通研究所）は、企業の基幹システムとしてデータの分析に利用される関係データベースと、大量の非定型なIoTデータの蓄積に利用されるNoSQLデータベースを統合して高速に分析する技術を開発しました。 様々なIoTデバイスから出力される多様な構造を持つIoTデータの蓄積には、NoSQLと呼ばれる大量データの高速な蓄積に特化したデータベースが利用されますが、NoSQLデータベースを多機能な関係データベースに統合して横断的に分析する場合、データ構造を変換する処理時間を要するため、IoTデータなどの大量データの分析に時間がか
大量のセンサーデータを高速に保存・検索する、三菱電機が開発した「センサーデータベース」技術
大量のセンサーデータを高速に保存・検索する、三菱電機が開発した「センサーデータベース」技術 2016.11.10 Updated by Asako Itagaki on November 10, 2016, 17:51 pm JST IoTのユースケースの一つとして道路や鉄道などのインフラにおける点検や劣化診断が挙げられる。そこで問題となるのが、収集した大量のデータを高速に蓄積・検索・集計することだ。 三菱電機は、従来のリレーショナルデータベースに比較して、同じ件数のセンサーデータに対してデータ蓄積に要する容量、蓄積に要する時間、センサーデータを検索集計する時間のそれぞれを最大1000分の1に削減する「高性能センサーデータベース」技術を開発している。そのデモンストレーションを見る機会があったので紹介したい。 5億件のデータを2秒で集計 デモでは、10kmの距離を自動車で走行しながら路面の3
404 File Not Found. - お探しのページが見つかりません。 | IODATA アイ・オー・データ機器
URLが正しいか再度確認し、再読み込みしてください。 ページが削除されたか、移動している可能性があります。
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
Dockerで作る機械学習研究開発環境
Docker入門スライドまとめ｜初心者も簡単に学べる学習教材 - エンジニアについて知るならCarearte
