はてなブックマーク

長いこと業務でレコメンドアルゴリズムの開発を担当しているのですが、そういえば推薦システム（Recommender System）で用いられている手法の全体観をちゃんと抑えていなかったなぁと感じることが最近ありました。 ということで今回は一度基礎に立ち返って、推薦システムで用いられている手法をまとめることにします。 なお、紹介した手法の具体的な実装方法は紹介せず、推薦システムの全体像を捉えることを目的にしています。 各手法の実装に関しては参考になるページのリンクを貼っておくので、気になる方はそちらをご参照ください。 推薦システムの全体像推薦システムで用いられる手法は以下のように分類できます。 参考： (2020/6/22) https://en.wikipedia.org/wiki/Collaborative_filtering, 推薦システムで用いられる手法は大きく、コンテンツベース（co

このデータセットは海外のある航空会社から提供されたもので、1949年から1960年における月別の国際線の乗客数のデータになります。 年月と乗客数の2カラムで構成された、単純な時系列データです。 ではデータを読み込み、可視化してみます。 input: import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline AirPassengers = pd.read_csv('../input/AirPassengers.csv') AirPassengers.head()output: Month #Passengers 0 1949-01 112 1 1949-02 118 2 1949-03 132 3 1949-04 129 4 1949-05 121次に月次トレンドを

先日、デスマーチの末なんとか機械学習案件のリリースに漕ぎ着けました。 今回の案件に関わらないですが、要件や仕様はしっかり明文化しておくべきですね。 後から(特にリリース間近になって)言った言わないの議論になるのは双方にとってあまり気持ちのいいものではありません。 些細な仕様変更のため口頭で合意した内容でも、しっかりと資料化しておくことの重要さを再認識しました。 さて、今回はマルチコ（多重共線性）について投稿します。 クライアント先で多変量解析をしているときにこの話題が出たので、いろいろと調べてみました。 大学では統計学視点でのマルチコを若干勉強したのですが、この機会に再度勉強し直してみたのでまとめます。 マルチコ（多重共線性）とはマルチコとは、重回帰モデルにおいて説明変数間に強い相関がある事象のことをいいます。 マルチコはmulti-colinearlity（マルチ-コリニアリティ）の略称

最近BI（Business Inteligence）関連とか、RPAツールをいじってばかりだったので、たまにはデータサイエンス系のことをやろうかと思ってKaggleを覗いたところ、簡単にSubmitできそうなタスクがありました。試しにちょこっとやってsubmitしてみたので、ざっくりとどんなタスクなのか、どうやって提出したのかをまとめました。なお、今回は機械学習を用いず、単純なルールベースで取り組んでいます。これは、納得いくような予測モデルが即座に思いつかず、けれどもさっさと提出することに意義があると思ったため、一旦はルールベースでや... データ準備各種ライブラリを読み込み、データセットをpandas.DataFrameで保持します。 import pandas as pd import numpy as np import matplotlib.pyplot as plt import

来月の商品の売上数を予測する〜Kaggle Predict Future Salesに挑む（その１） 2019.02.10 Kaggle 最近BI（Business Inteligence）関連とか、RPAツールをいじってばかりだったので、たまにはデータサイエンス系のことをやろうかと思ってKaggleを覗いたところ、簡単にSubmitできそうなタスクがありました。 試しにちょこっとやってsubmitしてみたので、ざっくりとどんなタスクなのか、どうやって提出したのかをまとめました。 なお、今回は機械学習を用いず、単純なルールベースで取り組んでいます。 これは、納得いくような予測モデルが即座に思いつかず、けれどもさっさと提出することに意義があると思ったため、一旦はルールベースでやろうと考えたからです。 機械学習モデルの実装を見たい方は、この記事をそっ閉じいただければと。 機械学習モデルを入れて

日増しに寒くなってきました。 街ゆく人々は厚手のコートにマフラーと本気で防寒し始めているわけですが、著者はダイエットのためにあえて薄着で過ごしております。 さて、Kaggleの回帰問題のチュートリアルである、住宅価格の予測(House Prices: Advanced Regression Techniques)に挑戦しました。 Kaggleには2つチュートリアルがあって、回帰問題はHouse Price、クラス分類問題はタイタニック号の乗客の生存予測(Titanic: Machine Learning from Disaster)になります。

HOME書評『やさしく学ぶ 機械学習を理解するための数学のきほん ~アヤノ&ミオと一緒に学ぶ 機械学習の理論と数学、実装まで~』を読んだ感想 『やさしく学ぶ 機械学習を理解するための数学のきほん ~アヤノ&ミオと一緒に学ぶ 機械学習の理論と数学、実装まで~』を読んだ感想 2018.01.25 書評 会社の昼休み。 暇つぶしがてら書店でぶらぶらしていたら、ふと気になったので思わず買ってしまいました。 こういう、「○○を理解するために必要な数学」的なタイトルの本には手を出さない主義でしたが、ここ最近は機械学習の勉強が煮詰まっていたこともあり、息抜きになればと思って読んでみました。 結論。 この本、めちゃくちゃ良書です。 機械学習の基礎であるパラメータ更新のアルゴリズムを、これでもかというくらい噛み砕いて解説しています。 しかも、アルゴリズムを語る上で欠かせない、数式（偏微分やベクトル内積、行列