私が機械学習研究をするときのコード・データ管理方法 - Qiita
はじめに Gunosy Advent Calender 6日目を担当します，Gunosyの関と申します． Gunosyではデータ分析部に所属し記事配信ロジックの開発やログ解析によるユーザ行動分析を主に担当しております． また博士後期課程に在籍しておりウェブマイニングを中心とした機械学習応用の研究の取り組んでおります． 本エントリではソフトウェアエンジニアとして働く過程で身につけた開発手法を， 自分なりに研究活動に活用しながら得たコード管理に関するノウハウを公開するものです． 研究者向けのコーディング技術については各研究室で伝承されているノウハウはあるものの， まとまった資料やそれに伴う議論などは少ないのが現状であると考えております． そしてその研究室でのノウハウもエンジニアとしての経験の少ない学生や研究者によって作られたノウハウであり， 近年急速に進歩しているソフトウェア開発ノウハウに対し
Pythonによる時系列データの異常検知 - Technology Topics by Brains
インターン生の松井(B4)です．時系列データの異常検知手法をまとめました． 入門 機械学習による異常検知という本の7章が時系列データの異常検知を扱っています．(本書の内容をまとめたWeb記事もあります．) www.coronasha.co.jp この本のサンプルコードはすべてRで書かれているため，Python (+numpy, scikit-learn) で書き直してみました． 後半では，深層学習を用いた時系列データの異常検知手法について，知られている所をまとめました． k近傍法による異常部位検出 特異スペクトル変換法による変化点検知 深層学習を用いた異常検知手法 LSTM (Long short-term memory) を用いた手法 Autoencoder (自己符号化器) を用いた手法 結び k近傍法による異常部位検出 時系列データの異常検知手法の中でも比較的シンプルなやり方です．
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
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
