サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
デスク環境を整える
www.msi.co.jp
探索的データ解析（Exploratory data analysis)とは？ 探索的データ解析は、1960年ごろより有名な統計学者J.W.Tukeyによって提唱されたもので、データの解釈にあたっては「まずモデルありき」ではなく、モデルを仮定する前に現実的な立場で、データの示唆する情報を多面的に捉えるという、解析初期のフェーズを重視したアプローチです。 それ以前は、あらかじめモデルを用意して、データをあてはめて確率計算を行っていました。しかし現実には、複雑な現実のデータ構造の中から、最適なモデルをあらかじめ用意することは簡単なことではありません。そのため、データを見てからモデルを修正したり、選択する必要が発生します。 また、数理統計学の理論的側面よりもむしろ、あくまでも応用面と結びついた、やさしく誰でも使えるような手法を重視しているために、ビジネスの現場での「データマイニング」などにも有効に
Chap4 時系列分析 コンテンツ 4.1 時系列分析の概要4.2 時系列分析のための基礎知識4.3 時系列モデル4.4 ARIMAモデルの構築4.5 ARIMAモデルの再構築 4.1 時系列分析の概要 S-PLUSの組み込みのデータセットである．"co2"を使って，時系列分析とは何かを 具体的に説明する． "co2"は米国のオークリッジ国立研究所が保持している気象データベースからとったもので，1959年1月から1990年12月までの二酸化炭素の濃度のデータである． "co2"の内容と，概形は下の通りである． Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 1959: 315.42 316.32 316.49 317.56 318.13 318.00 316.39 314.66 313.68 313.18 314.66 315.43 1960
アンケートの自由記述回答やコールセンターの対応ログ、不具合の報告書など、お手元にある大量のテキストデータを活用しきれずにお困りではないでしょうか。 Text Mining Studio はアンケート、問い合わせ、特許、論文、SNSのログなどのテキストを分析できます。 テキストマイニングとは
アルゴリズムとは日本語では処理手順のことを言います。 汎用数理計画法パッケージ Nuorium Optimizer が色々な問題を解くことができるのは様々なアルゴリズムがプログラムされているからです。 ここでは数理計画法・最適化の仕組みを理解する上で必要な情報を分かりやすくご説明致します。 あくまで入門的な位置づけですので数学的に厳密な説明を行う訳ではございませんのでご了承ください。 数理計画法で代表的なアルゴリズムについての簡単な解説 線形計画法（LP） 混合整数線形計画法（MILP） 整数計画法（IP） 凸二次計画法（CQP） 非線形計画法（NLP） アルゴリズムの説明 アルゴリズムの説明を具体例を見ながら行いたいと思います。 例題 8 枚の金貨を袋に入れた金貨セットを 1000 袋販売します。 袋に 8 枚の金貨を入れる作業をある業者に依頼したのですが、 その業者は 1 袋あたり 1
<BODY bgcolor="#ffffff"> <P> <IMG src="img/pageheader.gif" alt="［株式会社 NTTデータ数理システム］" height="23" width="556"> </P> <P> <IMG src="img/spatlogo.gif" alt="空間統計への招待" height="52" width="351"> </P> <HR align="left" width="560"> <H4>1. 空間統計学の概要</H4> <P> 1.1 <A href="1-1.html">空間統計とは</A><BR> 1.2 <A href="1-2.html">空間統計の主なモデル</A><BR> 1.3 <A href="1-3.html">空間統計の歴史</A> </P> <H4>2. S+SpatialStatsで扱えるデータ</H4>
2013年11月22日、六本木アカデミーヒルズ（東京・港区）にて、数理システムユーザコンファレンスが開催されました。 当日は600人を超える、ご講演者様・ご参加者様のもと、大盛況のうちに終了いたしました。 ひとえに皆さまのご厚意並びにご協力の賜物と厚く御礼申し上げます。 当日午前は満席状態の中、基調講演 北海道大学 水田 正弘様【ビッグデータの始まりと終焉】特別講演 東京大学 野口 聡一様【テキストマイニングでみる宇宙の真理】を賜り、熱心に耳を傾けられる皆様の熱気で会場が熱く感じられるほどでした。 午後は実際にご自身の業務に当社製品やソリューションをご利用いただいている皆様からの、とてもわかりやすいご講演の数々をいただきました。 会場では、そこここでメモを取られているお客様、ご講演者様に質問をされているお客様を多数お見かけいたしました。やはり実際の事例に勝る情報はないと痛感いたしました。
オペレーションズ・リサーチ学会 秋季発表会 関心度(Frequency)と忘却度(Recency)に 基づくレコメンド手法 -サンプリングでは対応できないビッグデータの活用- 2013 年 9 月 12 日 株式会社 NTTデータ数理システム *岩永二郎 鍋谷昴一 梶原悠 五十嵐健太 お知らせ 社名変更 2013年9月1日をもって 「数理システム」から「NTTデータ数理システム」に 社名変更しました． 移転 2013年9月1日をもって 「東京都新宿区新宿２丁目４－３フォーシーズンビル１０階」 から 「東京都新宿区信濃町３５番地 信濃町煉瓦館１階」 に移転しました． 近くにお越しの際には是非ともお立ち寄りください 2013/9/12 オペレーションズ・リサーチ学会 秋季発表会 2 本日と内容 １．はじめに ２．課題の紹介 ３．分析の概要 ４．関心度と忘却度に基づくレコメンド手法 ５．過学習の
HOME MSIISMについてABOUT US MSIISM とは NTTデータ数理システムとは 技術TECHNOLOGY ベイジアンネットワーク 機械学習・統計解析 数理計画・最適化 ディープラーニング シミュレーション 自然言語処理 画像認識 EDA（半導体） 量子計算 分野・業界FIELD 流通・マーケティング 運輸・物流 製造 研究開発 医療・医薬・ヘルスケア 金融 教育・アカデミック 公共・インフラ 経営・人事・労務 製品活用事例CASE S4 Simulation System Nuorium Optimizer BayoLinkS Text Mining Studio Alkano セミナー&イベントSEMINAR&EVENT お役立ち情報USEFUL 無料E-Book セミナー動画視聴 1から学ぶ基礎知識 お問い合わせ HOME 教育・アカデミック AIとデータサイエンスの
読み：かくりつてきこうばいこうかほう 英名：Stochastic Gradient Descent 関連：近接勾配法，ビッグデータ 確率的勾配降下法（Stochastic Gradient Descent，以下 SGD）は確率密度関数 $p(z)$ に対して目的関数が期待値で表された以下のような最適化問題に対して有効なアルゴリズムである． $$ \min L(w) = \displaystyle\int{l(w,z)p(z)dz}. $$ 上式における $l,w,z$ をそれぞれ損失関数，モデルパラメータ，データに対応する確率変数の実現値とすれば，上記問題は機械学習における期待損失（汎化誤差）の最小化問題に他ならない．そこで，関数 $L(w)$ は期待損失と呼ぶことにする．期待損失の値やその勾配 $\nabla L(w)$ はいくつかの理由により計算困難である場合が多い．例えば分布 $p(
読み：らぐらんじゅかんわもんだい 関連：緩和問題 元々の数理計画問題に対して，制約の一部を除去（緩和）し，除去した制約については，制約式の違反量に対して，一次のペナルティが課せられるように目的関数を修正した問題の事．この時のペナルティの乗数をラグランジュ乗数と呼ぶ． 例えば，次の数理計画問題 $$ (P) \begin{array}{ll} \min & -2x-3y \\ \mathrm{s.t.} & x \ge 0 \\ & y \ge 0 \\ & x+y \le 1 \end{array} $$ において，最後の制約を緩和したラグランジュ緩和問題は次のようになる． $$ (RP) \begin{array}{ll} \min & -2x-3y+\lambda(x+y-1) \\ \mathrm{s.t.} & x \ge 0 \\ & y \ge 0 \end{array} $$
読み：きんせつこうばいほう 英名：Proximal Gradient Method 関連：確率的勾配降下法，ビッグデータ 近接点法と勾配法を組み合わせた反復法で，次の構造を持つ最適化問題を対象とする． $$ \min_x \varphi(x) = f(x) + g(x). $$ ここで，$f$ は滑らかな凸関数，$g$ は滑らかとは限らない”単純"な凸関数とする．$g$ の例としては凸集合 $S$ についての表示関数 $\delta_S(x) = 0 \ (x \in S), \ +\infty \ (x \notin S)$ や，機械学習の分野で良く表れる正則化項 ${\|x\|}_1$，${\|x\|}_2$ などがある．一般に目的関数 $\varphi$ は滑らかでは無いので，劣勾配法のような収束の遅い手法しか適用出来ない様に見えるが，$\varphi$ が上記のような特徴を持つ二種
HOME MSIISMについてABOUT US MSIISM とは NTTデータ数理システムとは 技術TECHNOLOGY ベイジアンネットワーク 機械学習・統計解析 数理計画・最適化 ディープラーニング シミュレーション 自然言語処理 画像認識 EDA（半導体） 量子計算 分野・業界FIELD 流通・マーケティング 運輸・物流 製造 研究開発 医療・医薬・ヘルスケア 金融 教育・アカデミック 公共・インフラ 経営・人事・労務 製品活用事例CASE S4 Simulation System Nuorium Optimizer BayoLinkS Text Mining Studio Alkano セミナー&イベントSEMINAR&EVENT お役立ち情報USEFUL 無料E-Book セミナー動画視聴 1から学ぶ基礎知識 お問い合わせ
数理システムユーザーコンファレンス 2022 2022年11月18日（金）、数理システム ユーザーコンファレンス 2022 が六本木にて、盛況のうちに開催されました。
概要 数理最適化とは 汎用数理最適化パッケージ「Nuorium Optimizer」は、“データ”と“やり方（ルール）”がわかっていながら、 解決策が導き出せない現実の問題に対し、最適解を提供するツールです。 最適化ソリューションは様々な分野で広く利用されています。 数理計画法と呼ばれる様々な解法（アルゴリズム）を駆使して現実の問題を解決するというアプローチです。 数理最適化とは？最適化による効果や導入プロセスを紹介 主な特徴 数理最適化問題を解く際にモデルとなる数式をコンピューターに入力することは、意外に骨の折れる作業です。 Nuorium Optimizer には C++ をベースとしたモデリング言語 C++SIMPLE、Python をベースとしたモデリング言語 PySIMPLE、 R をベースとしたモデリング言語 RSIMPLE が付属しています。 これらのモデリング言語を用いると
ここでは，数理最適化パッケージ Nuorium Optimizer の開発を行っている(株)NTT データ数理システム 数理計画部のメンバーが普段使っている数理計画に関する用語（専門的な用語から日常的な用語まで）を紹介します． 用語の説明については，大雑把なものから厳密なものまでありますが，多分に編集者の主観が入っていること，あらかじめご了承ください．また，内容については一切の責任を負うものではありません． 新着用語一覧 PySIMPLE 強化学習 量子コンピュータ 改修用語一覧 単体法 標準形 索引 0-9 A-E F-J K-O P-T U-Z あ行 か行 さ行 た行 な行 は行 ま行 や行 ら行 わ行 全用語
数理科学とコンピュータサイエンスが出会う交差点。そこで今、テクノロジーの未来を想像する新しい成果が次々に生まれています。株式会社NTTデータ数理システムの最新プロダクツの数々。研ぎすまされた英知の結晶です。 株式会社NTTデータ数理システムが設立以来、優れた開発力で独自に開発し、科学技術の発達や産業の合理化、社会システムの高度化に大きく貢献してきたパッケージ製品（ソフトウェア）／サービスを紹介します。 データ分析ツール 株式会社NTTデータ数理システムの分析ツールは同一のプラットフォーム Mathematical Systems Incarnation Platform でシームレスに連係可能です。
サポートベクターマシンとその応用 An Introduction to Support Vector Machines 山下浩∗ 田中茂† Hiroshi Yamashita Shigeru Tanaka (株）数理システム‡ Mathematical Systems, Inc.§ 概要 Support Vector Machines (SVMs), the learning approach originally developed by Vapnik and co-workers, have attracted much attention recently because of their excellent performances in various real-world applications such as text categorization, charact
2014年をもって S-PLUSのリリースは終了しております。 今後、OS追従なども含め、メンテナンスの予定はございません。 新規販売は継続しておりますが、予めこの点についてご了承ください。
どう転んでも Lisp 東京大学 情報理工学系研究科 創造情報学専攻 竹内郁雄 1 はじめに 本稿は, これまでにいろいろなところで書いたり喋ったりしてきたものをベースにしてい る. 特に電子情報通信に書いた招待論文 [1] をベースにしている. どこかで見た覚えがある なぁと思われたらごめんなさい. 1966 年に P. J. Landin の書いた “Next 700 Programming Languages” という少し古い論文 [2] がある. この論文の要旨は「これからざっと 700 個のプログラミング言語が設計されるだ ろうが, どれも同じ穴のムジナの変種. 言語の設計には 2 つの独立な選択, つまり, 文法の選 択とデータ型の選択がある. これさえ済ませば言語は一丁上がり. それ以外の言語の骨格は ラムダ計算で尽きている. それ以上なにを望むことがあるか.」という哲
データマイニングはデータで決まる． ∼データをいかに取り，いかに解析するか 石川 慎也 （データマイニングの宝箱 [http://www5.ocn.ne.jp/ shinya91/] ） 株式会社 産学共同システム研究所 あらまし データマイニングの普及にともない，マイニングツールを用いてデータから情報を発掘する作業に関 与する人が増えた．しかしながら，利用している解析手法の概要すら知らずに，また与えられたデータを鵜呑み にして得られた情報を活用している人は多い． 付加価値の高い情報を発掘するためには， 解析手法の目的や適合 性を知っていることはもちろんであるが，根本的に「良質かつ厳選されたデータ集合」を用いてマイニングを行 うことが重要である．ここでは，データについて検討し、取得方法および厳選方法について考察する． １ はじめに データとは，世の中の現象（物の性質，人の意思などさま
次のページ
このページを最初にブックマークしてみませんか？
『株式会社NTTデータ数理システム』の新着エントリーを見る
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
