図書館で借りたあと買いなおした絵本5選
絵本あるある はやくいいたい「ページ数の割に高くないか？」って思う。失敗したくないから、自分が子供の頃に読んでもらった絵本とか、ベストセラーを買いがち。で、「案外反応よくないな？」ってなる。 いや、実際のところ、ベストセラーはやっぱりすごい。こどもの感性にピッタリフィットした場合、誇張抜きで100回ぐらい読むから「これで1,000円？ 激安やな！」って思うんです。 うちのこどもの場合だと だるまさんシリーズ(かがくいひろし)いないないばああそび(木村裕一)やさいさん(tupera tupera)おててがでたよ(林明子)きんぎょがにげた(五味太郎)はらぺこあおむし(エリック・カール)からすのパンやさん(かこさとし)ぐりとぐら(中川李枝子、山脇百合子)（通年で）こどものとも012シリーズ以上、1歳から2歳の成長過程でこどものハートを盗んだ順。このへんは、もう、ほんと聖書と書いてバイブル。 一方
特異スペクトル変換法による時系列データの異常検知（Python） - Fire Engine
はじめに 今回は、特異スペクトル変換法というアルゴリズムをPythonで実装します。このアルゴリズムは時系列データの異常検知に対して非常に強い力を発揮します。また、ハイパーパラメータ（人が調整する必要のあるパラメータ）が少なく、比較的チューニングが容易であることも特徴の一つです。数学の理論については深追いはせず、アルゴリズムの概要と実装まで書いていきたいと思います。 【目次】 はじめに 時系列データについて 時系列データの異常と変化点検知 特異スペクトル変換法の概要 履歴行列とテスト行列 特異値分解 変化度の定義 Pythonによる実装 特異スペクトル変換法の課題 おわりに 時系列データについて 時系列データとは、時間の推移ととともに観測されるデータのことです。昨今、様々な企業がデータ活用を推進していますが、世の中の実務の現場に貯まっていく多くのデータは時系列のデータです。 データ分析にお
特異スペクトル変換法による時系列の異常検知 - Qiita
目的 随時更新されているKPIの時系列データに関して、数値に異常があった場合になるべく早くアラートを出せるようにしたいという要請がありました。これはいわゆる異常検知の問題です。多くの場合、異常検知では異常・正常を判定するラベル情報がないので、教師あり学習ができないことが多いです。教師なしで時系列データを異常検知する方法としては、ARIMA など時系列モデルを当てはめて、予測値と実績値の差が大きすぎるものを異常判定する、という方法が考えられます。しかし、この方法は精度の高い時系列モデルを作成できることが前提です。そこで、別のアプローチがないか調べたところ、参考文献 [3] で特異スペクトル変換 (SST, 別名: SSA, 特異スペクトル分析)という方法を見つけたので試すことにしました。 特異スペクトル変換には、 時系列データの分布の形状に依存せず、さまざまな形状に対応できる 仕組みが比較的
kaggle初心者の私が3ヶ月でソロゴールドを獲得した方法 | リクルート
リクルートデータ組織のブログをはじめました。※最新情報はRecruit Data Blogをご覧ください。 Recruit Data Blogはこちら こんにちは。今年2018年4月より新卒でRCOに入社した松田です。 kaggle というデータ分析のコンペティション運営サイトが昨今世間に注目されていますが、 今回 TalkingData AdTracking Fraud Detection Challenge において2月にkaggleを始めた私が単独で金メダル(ソロゴールド)を獲得できたのでそれまでにやったことなどをシェアしたいと思います。 図: kaggleサイト( https://www.kaggle.com/ )のプロフィール画面より 図: kaggleでの活動ログ。中2ヶ月はやってないので実質の活動期間は1ヶ月ほど コンペの具体的内容やテクニックの話は 別記事 にまとめたので、
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
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
