3ヶ月で149.5勉強時間達成できたGoogleDocsによる自動見える化のやり方とその効用 | nanapi[ナナピ]
3ヶ月で149.5勉強時間達成できたGoogleDocsによる自動見える化のやり方とその効用 に関するライフレシピをご紹介します。nanapi [ナナピ]は、みんなで作る暮らしのレシピサイトです。はじめに このレシピの主旨 勉強記録を見える化する簡単な仕組みを最初に作ることで、 日々の勉強のモチベーション継続を目指します。 イントロ 色々勉強したい！と思って勉強を始めたものの、３日坊主になってしまう経験ある方少なく無いかと思います。私はしょっちゅうそういうことに陥ります。 どうしても継続したい勉強があった場合、毎日「記録」することが継続の鍵となると良く言われます。（参考：「「朝2時起きで、なんでもできる」の私の書評」） ただ、 「その「記録」することが億劫だから継続できないんだよっ！」 そんなところを解消するのが今回のレシピの主旨です。 なお、タイトルの時間についてですが、201
Hadoopを使わずにWikipediaのテキスト処理を400倍高速化 - tsubosakaの日記
タイトルは釣りです。id:mamorukさんの書いたHadoop で Wikipedia のテキスト処理を900倍高速化 - 武蔵野日記を読んで、そもそも1G程度のデータの単語頻度を数えるのに858分もかかるんだっけと思い、id:nokunoさんの資料を読んでみると単語頻度を求める際に a b a aみたいなデータを a 3 b 1に変形するのにsortしたファイルをuniq -cで処理するということをやっていた。これはあまり効率のよい方法ではなくて行数をNとしたときにO(N log N)の計算時間となる(文字列比較はO(1)でやれることにする)。 これに対して、単語の頻度をハッシュ表で保存すると理想的な条件の元ではO(N)の計算時間で頻度を求めることが出来、より高速に計算することが可能となることが期待される。 また、単語数をWとしたとき、C++のmapのような二分探索木を使ってもO(N
Power Iteration Clustering - tsubosakaの日記
岡野原さんのtweetで紹介されていたPower Iteration Clusteringという文章分類の手法に関する論文[1,2]を読んでみた。 背景 n個のデータX={x_1,...,x_n}が与えられたときに各データ間の類似度s(x_i,x_j)を成分に持つ類似度行列Aを考える。 また次数行列としてAのi行目の値を合計したd_{ii} = \sum_j A_{ij}を対角成分にもつ対角行列をDとする。 このときW:=D^{-1} Aをnormalized affinity matrixと定義する。簡単のためWはフルランクであるとする。 この行列はすべての要素が1となる固有ベクトルをもち、この時固有値は1となる。実はこれが最大固有値である(行列Aの行和が1となること+Gershgorin circle theorem(en)より導かれる)。また、行列Wの固有値を1=λ_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
[機械学習] PRML勉強会 - tsubosakaの日記![[機械学習] PRML勉強会 - tsubosakaの日記](https://cdn-ak-scissors.b.st-hatena.com/image/square/95624e083de16f426e12e11ce9ab7cc96e469eb7/height=288;version=1;width=512/https%3A%2F%2Fogimage.blog.st-hatena.com%2F17680117127124028144%2F17680117127124029980%2F1557332435)