「もし私が顧客に何がほしいかを聞いていたら、彼らは『もっと速い馬がほしい』と答えただろう」という自動車王フォードの名言があります。またユーザー中心のはずのUXデザインで「顧客の声を聞かない」「ユーザーは本当に欲しいものを言葉にできない」という言葉を聞くことがあります。どうすればよいのでしょうか。欲しいものを訊くのではなく、行動の目的を訊くことで、ユーザーの本当のニーズにたどりつくことができます。Read less
![「顧客の声を聞かない」とはどういうことか](https://cdn-ak-scissors.b.st-hatena.com/image/square/6476622a32b628a49da4fee0b5be47a8cf491a54/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2F20210816-ux-innovation-faster-horses-210815142841-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
2019/11/23 JJUG CCC 2019 Fall 「多言語対応の仮想マシンGraalVMが照らす未来」のセッションスライドです。 --- オラクル社からGraalVMというOSSプロダクトが発表され、話題を呼んでいます。GraalVMは、Javaで書かれたJITコンパイラ、Graalを搭載しています。さらに、言語実装用のフレームワークTruffleを提供しており、そのフレームワークを使って実装したJavaScriptやRuby、Pythonなど他の言語を、GraalVMは高いパフォーマンス実行できます。GraalVMを多言語対応の仮想マシンと呼ぶ理由です。加えて、それらすべての言語間で、相互に呼び出しができます。また、ネイティブイメージを作成し、JVMを利用せずにアプリケーションを実行できます。MicronautやQuarkus、Helidonといった最新のフレームワークが、この
研究室での論文紹介スライド. Laurens van der Maaten, Geoffrey Hinton, ”Visualizing Data using t-SNE”, Journal of Machine Learning Research (2008) pp.1-48
特徴量選択の手法 1. 特徴量選択の手法 株式会社 サイバーエージェント メディアデベロップメント事業本部 エンジニア 大澤翔吾 2. 特徴量選択とは? ● 使用可能なN個の特徴量 から 最適な部分集合を見つけること ● N個全てを使うことが最適とは限らない ● 特徴量を減らすことによって精度が向上することがある ● 特徴量が多すぎる場合、 学習処理の高速化や次元の呪いの軽減が期待できる {F1, F2,..., FN } 3. 特徴量選択手法の分類 ● Wrapper method – 候補の特徴量部分集合を用いて学習を行い、 テストセットに対する評価指標を計算 (log loss、MSEなど) – 全部分集合を探索できないので(指数オーダー) 近似的に探索する ● Filter method – 特徴量と目的変数の依存関係を定量化し、 依存の最も強いK個の特徴量を採用する 4. Wra
2018年2月23日(金)に開催されたオレシカナイトvol.5(https://cyberagent.connpass.com/event/77000/)での発表スライドですRead less
統計解析の再現可能性を高める取り組み 1. 統計解析の再現可能性を 高める取り組み 専修大学人間科学部心理学科 国里愛彦 2017/7/8 臨床疫学研究における報告の質向上のための統計学の研究会 第30回「Rを用いたデータハンドリング入門:効率的かつ再現性の高い統計解析のための第一歩」 2. 再現性の危機 • 心理学研究 本のうち再現されたのは 本 • 引用数が多く効果があるとされた臨床医学研究 本のうち再現されたのは 本 • 名の調査から, が他の研究者の研究を再 現できず, が自分の研究の再現もできなかった 3. と • 再現可能性 :ある現象が他の研究者 が行った研究でも再現されること(新規なデータ収 集あり) • 再生可能性 :データから解析結果 が再生できること(新規なデータ収集なし。コードや データの共有などで確認する) →今回は,再生可能性について扱う Peng, R. D.
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です. 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています.巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました. 主に以下のような強化学習の概念やアルゴリズムの紹介をしています. ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN(Deep Q-Network) ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Nois
PyDataTokyoでの発表資料をアップしました。 http://pydatatokyo.connpass.com/ スマートフォンやセンサーデバイスの普及に伴い、「ロケーション・インテリジェンス」と言われるように、位置情報データの解析が盛んになってきています。本発表では、地図オタクが位置情報データを扱う上でぶつかる特有の問題やPythonライブラリを活用した対処方法を紹介します。位置情報データにまつわる解析事例も交えつつ、地図の世界に誘います。 参考) https://www.youtube.com/watch?v=2sXKpj9Z91k https://www.youtube.com/watch?v=dnPIwmlphIIRead less
シリコンバレーのスタートアップを数多く取材する中で気付いた「シリコンバレーにおけるディシプリン(規律)の存在」や「General Electric(GE)やIBM、SAPといった老舗企業が必死になってシリコンバレーのスタートアップを真似している理由」、そして「日本企業がイノベーションを実現するための処方箋」について解説します 詳しく知りたい場合は「GE 巨人の復活」をご覧下さい。 http://www.nikkeibp.co.jp/atclpubmkt/book/17/P55110/ 今後の記事は「シリコンバレーNext」をご覧下さい。 http://itpro.nikkeibp.co.jp/siliconvalley/
Stanの初心者が基本的な統計モデルを実行するまでの解説です。プログラミング初心者向けに書いているので,やや説明が遠回りなところもあります。Read less
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
処理を実行中です
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