200,000 Req/sec をさばく広告入札システムを支えるパフォーマンスチューニング術
200,000 Req/sec をさばく広告入札システムを支えるパフォーマンスチューニング術 #jjug_ccc #ccc_g6 JJUG CCC 2018 Fall で発表したスライドです。 秒間20万リクエストをさばくWeb広告入札システム "Logicad" 開発におけるパフォーマンスチューニング術を紹介します。 私たちが日々観ているWebサイトの広告枠。それは、ページビューごとに広告を表示する権利がオークションにかけられ、自動入札によって枠の買い付けが行われ、入札額の最も高かった入札者の広告だけが表示される、という世界です。国内外の各社が最適な広告をベストな金額で入札・表示するため、日々アルゴリズムの改良やデータセットの変更などを繰り広げており、まさに技術者たちの闘いの世界と言えましょう。私たちも日々様々なコードの追加をしています。一方、そのオークションの開催期間はわずか100ミリ
Java/Scala用機械学習ライブラリ「Smile」を使ってみる - たけぞう瀕死ブログ
手軽に使える機械学習ライブラリというとPythonのscikit-learnが有名ですが、Java/ScalaでもSmileというライブラリがあったので軽く試してみました。 github.com まずはリリースページからzipファイルをダウンロードして適当な場所に展開します。bin/smileで対話シェルが起動します。 サンプルデータがついているのでこれを使って学習してみます。 smile> val toy = read.table("data/classification/toy/toy-train.txt", response = Some(new NominalAttribute("class"), 0)) smile> val (x, y) = toy.unzipInt smile> val model = knn(x, y, 3) 作ったモデルを使って予測してみます。 smile
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
