JMAT Groonga Tokenizer Talks

現在は機械学習ライブラリが充実しており、また、教師データの獲得も容易になっています。 そのため、機械学習のビジネス利用への敷居が下がっています。 予測や分類といった問題を解く際には、設定した課題に対してどのモデルが最も適しているかを評価するための指標(評価関数)が必要になります。 Kaggle(([有名なデータサイエンスのコンペティション](https://www.kaggle.com)))などでは評価指標が定まっていますが、実ビジネスで機械学習を応用する際には自ら評価指標を設定する必要があります。 しかし、適切な評価関数を選ぶのは初学者には難しく、またビジネスの問題設定、目的意識によっても異なります。 さらに、オフラインでの予測はユーザの実際の行動予測とはギャップがある 場合もあります。 [1] Data-Driven Metric Development for Online Cont

[ukstudio]

“ATOK、ConceptBaseで培ったノウハウと機械学習を融合した日本語解析エンジン「JMAT」の性能と機能についてご紹介します。”

[t2hnd]

Tokenizer Talksの時の資料が上がってた / JMAT Groonga Tokenizer Talks #engineer #nlp @SlideShareさんから

[moguno]

Tonny Xu wrote: #DSIRNLP の勉強会の補足資料だね： JMAT Groonga Tokenizer Talks #engineer #nlp http://t.co/6pRRbuvRTc via @SlideShare