[B! hatena] Nagataniのブックマーク

Mackerelにおけるフロントエンドのパフォーマンス改善の取り組み - Hatena Developer Blog

この記事は、はてなエンジニアアドベントカレンダー2016の14日目の記事です。13日は id:astj による『Perl 6 のモジュールエコシステムの話とモジュールを公開する話 (2016年12月版) - 平常運転』でした。こんにちは。Mackerelチームでアプリケーションエンジニアをやっている id:itchyny です。 Mackerelは、同じ役割を持つホストを束ねた「ロール」、そしてロールを束ねた「サービス」というまとまりでホストを管理し、一覧性の良いグラフ画面を提供しています。ロールあたりのホスト数、そしてサービスあたりのロール数が増えると、グラフの画面のパフォーマンスに大きく影響します。 Mackerelチームでは大規模なサービスでも快適にグラフを閲覧できるように、継続的に画面のパフォーマンスを改善してきました。本記事では、Mackerelのフロントエンドのパフォーマ

Nagatani 2016/12/16

リンク

Web開発におけるコンピュータサイエンス - 機械学習編2 - Hatena Developer Blog

この教科書は、はてなサマーインターンの講義資料として作成されたものです: https://github.com/hatena/Hatena-Textbook 機械学習編1（基礎編）では、最も初歩的な分類器である単純パーセプトロンを題材に、機械学習の基本について勉強しました。機械学習編2（実用編）では、実問題に機械学習を適用する上でのコツや、各種の機械学習アルゴリズムの使い分け、高次元データへの対処法、といったトピックについて解説していきます。実問題に機械学習を適用するタスクを定義するデータを特徴ベクトルに変換する評価方法を決める正解データの正例と負例は均等にベースラインとなる手法を実装する実データに向き合うときの心構え機械学習のワークフロー 1. 前処理データセット作成サンプリング特徴抽出欠損値・欠測値への対応値のスケーリング特徴選択次元削減 2. 学習モデ

Nagatani 2016/10/05

リンク

Web開発におけるコンピュータサイエンス - 機械学習編1 - Hatena Developer Blog

この教科書は、はてなサマーインターンの講義資料として作成されたものです: https://github.com/hatena/Hatena-Textbook この章では機械学習について、Webサービスの開発で必要とされる知識を中心に、とくに自然言語処理にフォーカスしながら解説します。 Webサービス開発と機械学習実現困難な機能の例闇雲な実装もう少しましな実装機械学習によるパラメータ決定分類問題のための機械学習手法パーセプトロン判別アルゴリズム学習アルゴリズム特徴量のとり方形態素解析量をともなう特徴組み合わせ特徴量モデル機械学習の種類教師あり学習分類 (質的変数の予測) 回帰 (量的変数の予測) 教師あり学習でのデータセット教師なし学習クラスタリング次元削減(次元圧縮) 頻出パターンマイニング異常値検出アルゴリズムの評価訓練データとテストデータ学

Nagatani 2016/10/05

リンク

インターン生に、はてなはすごいと思わせたはてなの何か。 - LifeTimeException@hrk623

以前報告したとおり、株式会社はてなの『はてなエンジニアインターン2011』に参加してきました。はてなインターンは8月の中旬から9月の初めまでの約3週間のプログラムでした。その中で僕自身多くの事を経験し、また学ぶ事が出来ました。これは、いわゆる「お決まりの言葉」ではなく、本当に実感している事です。今回はそのインターンのレポートを書かせて頂くのですが、僕はもともとはてなの主たるサービスであるWebアプリケーションについての深い知識と経験を有していませんでした。そんな僕が技術的な部分の話を詳しくしてもつまらないので、代わりにインターンを通して技術面以外で深く印象に残った、でもあまりに表に出ていない様な事を幾つか綴ってみたいと思います。はてな社員は弱音を吐かないインターンが始まって僕が特に気になったのが、オフィスのどこからも「めんどくさい」「やりたくない」「そんなの無理」などの後ろ向きな言葉