機械学習をこれから始める人の線形代数を学ぶモチベーション - HELLO CYBERNETICS
はじめに 機械学習に使われる主要な数学 線形代数 最も重要な理由 線形代数って何なんだ？ 線形代数を学ぶモチベーション 線形代数を学んで、できるようになること 補足 微分積分学は？ 確率統計は？ 確率・統計を考えていくための初歩を確認したい人は以下の記事へ はじめに この記事は、私が機械学習を学んできて感じた、数学の役割をまとめたものです。記事を書く上で特に意識したのは、ある数学が機械学習においてどのように活躍し、どのような旨味をもたらしたのか、そして、そこから数学を学ぶ意義を改めて抑えることです。 数学の解説をすることが目的ではないため、直接的に数学の疑問を晴らすということにはなりませんが、 これから機械学習を学んで行こうという場合に、数学がどのように役立ちうるのか、その全体像を予め把握しておくことに使っていただけると幸いです。 機械学習に使われる主要な数学 多くの書籍、多くの記事が世の
[機械学習]各種Pythonライブラリ入りの実験用Dockerイメージを作った - zuqqhi2 Tech Memo
インストールされているライブラリ 今後、他のライブラリのインストールやバージョンアップなどをしていくつもりですが、現状以下のライブラリがインストールされています。 tensorflow 0.12.0chainer 1.19.0scikit-learn 0.18.1gensim 0.13.4word2vec 0.9.1numpy 1.11.3pandas 0.19.2jupyter 4.2.1matplotlib 1.5.3mecab latestjuman++ 7.01 もちろん、上記の依存ライブラリやmecab・juman++用のPythonバインディングもインストールされています。 ちなみにOSはUbuntu 16.04です。 使い方 Pullとコンテナにログイン やり方は以下のコマンドのとおりです。jupyter notebookのパスワードもsudoのパスワードも”ml”になってい
![[機械学習]各種Pythonライブラリ入りの実験用Dockerイメージを作った - zuqqhi2 Tech Memo](https://cdn-ak-scissors.b.st-hatena.com/image/square/8a555efc08e2297c4691697aa97868815f023c63/height=288;version=1;width=512/https%3A%2F%2Fzuqqhi2.com%2Fwp-content%2Fuploads%2F2017%2F01%2F20170106_docker_memo4.png)
Acroquest TechnologyがStorm上で動作する機械学習向けライブラリをOSSとして公開
Acroquest Technologyは2014年1月30日、分散処理フレームワークのStorm上で動作する機械学習向けライブラリ「AcroMUSASHI Stream-ML（Machine Learning Library）」をOSSとして公開した。Acroquest TechnologyのGitHubのページからダウンロードできる。 AcroMUSASHI Stream-MLに含まれるライブラリ群を利用すれば、機械学習に使われるクラスタリングや異常値検知といった処理を分散処理フレームワーク上で実装できる。ビックデータなどの連続的に発生するストリームデータに対して、動的に学習データを更新しながらリアルタイムに分析するといった処理が可能になる。 また、AcroMUSASHI Stream-MLのベースになっているOSSのAcroMUSASHI Streamと組み合わせることで、データの収
パッケージユーザーのための機械学習(5)：ランダムフォレスト - 渋谷駅前で働くデータサイエンティストのブログ
（※はてなフォトライフの不具合で正しくない順番で画像が表示されている可能性があります） さて、こんな記事をクリスマス・イヴのプレゼントにするのはアレなんですが（笑）、教師あり学習＆分類器系では一旦これでシリーズを〆る予定です。 トリを飾るのはランダムフォレスト。アンサンブル学習の代表選手ですね。「ランダムフォレスト最強」とか言っちゃう人が多いらしいんですが*1、そういう人にはぜひ今回（と次回予定の5回分まとめ）の記事を読んでもらいたいなぁと思います。 今回の参考文献もピンクの薄い本です。pp.193-197に決定木、バギング、アダブーストの後にランダムフォレストの説明があります。 はじめてのパターン認識 作者: 平井有三出版社/メーカー: 森北出版発売日: 2012/07/31メディア: 単行本（ソフトカバー）購入: 1人 クリック: 7回この商品を含むブログ (4件) を見る 他だと、例
Machine learning classifier gallery
Introduction Machine learning (ML) research with classifiers usually emphasizes quantitative evaluation, i.e. measuring accuracy, AUC or some other performance metric. But it's also useful to visualize what classifier algorithms do with different datasets. This is the index page of a "machine learning classifier gallery" which shows the results of numerous experiments on ML algorithms when applied
Deep learning made easy - FastML
As usual, there’s an interesting competition at Kaggle: The Black Box. It’s connected to ICML 2013 Workshop on Challenges in Representation Learning, held by the deep learning guys from Montreal. There are a couple benchmarks for this competition and the best one is unusually hard to beat1 - only less than a fourth of those taking part managed to do so. We’re among them. Here’s how. The key ingred
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
PW슈퍼맨
DIY Deep Learning for Vision: a Hands-On Tutorial with Caffe
rinko2010
サービス終了のお知らせ