JuliaでDeep Learning vol.0 - Tokyo finds me.
Deep Learningにはすでに各種の実装が用意されています。 Pylearn2 Caffe H2O Torch7 Cuda-convnet2 ここでは、Juliaでの実装（Juliaで書かれていて、Juliaで記述する実装）である Mocha を使ってみます。 ■Mochaとは MochaのGitHubより。 Mocha is a Deep Learning framework for Julia, inspired by the C++ framework Caffe. 文字通り、Juliaのためのディープラーニングフレームワークであり、また、Caffeに影響を受けて作られたものです。（実際、記述方法などはCaffeと似ています） ■利用できる手法 同じくMochaのGitHubより。 Effcient implementation of general stochastic gr
Juliaでスパム判定の機械学習分類器を作る - Tokyo finds me.
あと１週間でクリスマスイブですね。 Julia Advent Calendar 2014の17日目の記事（@yutajuly）です。 ここでは、スパムデータ分類を例にとり、実データ特有の問題に対応した機械学習モデルの構築をJuliaで実装します。 ■分類器構築の流れ 以下のような流れを考え、スパムデータを分類する分類器を構築する。 1. 学習データの取得 2. 前処理の前半戦 2−1. ラベル付け 2−2. 特徴選択・抽出 3. 前処理の後半戦 3−1. データのスケール調整 3−2. 不均衡データ処理 4. 分類器の構築 4−1. パラメータチューニング 4−2. 精度評価 ■1.学習データの取得 ここでは、HP研が収集したSpam E-mail Databaseを扱う。Rのkernlabパッケージにあるspamデータです。 データ数：4601通（spam：1813通, non-spam
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
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
