機械学習アルゴリズムの選択方法 - Azure Machine Learning
よくある質問は、「どの機械学習アルゴリズムを使用すればよいか」ということです。 選択するアルゴリズムは、主として、データ サイエンス シナリオの次の 2 つの異なる側面によって決まります。 データを使って何をしたいか? 具体的には、過去のデータから学習することによって回答を得たいビジネス上の質問は何かということです。 データ サイエンス シナリオの要件は何か? 具体的には、ソリューションでサポートする精度、トレーニング時間、線形性、パラメーターの数、特徴の数はどのくらいかということです。 Note デザイナーは、従来の事前構築済みコンポーネント (v1) とカスタム コンポーネント (v2) の 2 種類のコンポーネントをサポートします。 これら 2 種類のコンポーネントには互換性がありません。 従来の事前構築済みコンポーネントは、主にデータ処理や、回帰や分類などの従来の機械学習タスク向け
独立メトロポリス・ヘイスティングス法を用いたベイズ推測の簡単な例題 - 廿TT
なぜ MCMC が必要か ベイズ統計学では母数 θ を確率変数と考える。 ベイズ統計のための準備, ベイズの定理, 事前分布と事後分布 - 廿TT ベイズ推測はデータ が得られたもとでの θ の確率分布 事後分布を通じて行われる。 母数 θ の点推定には事後期待値（expected a posteriori ; EAP）推定量などが用いられる。 θ の期待値を求めるためには以下の積分計算が必要。 ベイズの定理と期待値の定義より、 複数パラメータの場合は多重積分になる。 この難しい積分を避けるために事後分布＝母数の確率分布から乱数を発生させて分布を調べる。 メトロポリス・ヘイスティングス法 メトロポリス・ヘイスティングス法では, ターゲットとなる事後分布に従う乱数を、提案分布 q から発生させる。 R によるメトロポリス・ヘイスティング（MH）法入門 - 廿TT そのアルゴリズムは大雑把に述
効果的なディープラーニング（深層学習）モデルのための10のヒント | POSTD
昨日、私は幸運にも Arno Candel の H ₂ 0 を用いたディープラーニングの講演会に参加しました。 ディープラーニングとは、階層型ニューラルネットワーク(バックプロパゲーションを用いた確率的勾配降下法による教師あり学習)を指します。 彼は、堅牢なディープラーニングモデルを開発するための以下のヒントを与えてくれました。 1. 非常に大きなデータセットの結果を迅速に得られるように、 H ₂ 0を利用して複数のノードにアルゴリズムを分配する。 2. 平均値を0に、標準偏差を1に設定する特徴のスケーリングにより、 データを自動的に標準化する。 こうすることで、元の単位や分散に関係なく、それぞれの適切な特徴量を最終モデルに確実に提供することができます。 3. +/- sqrt(6/(#units + #unitspreviouslayer))における均一分布を用いて、 重みを自動的に初期
機械学習 はじめよう 記事一覧 | gihyo.jp
運営元のロゴ Copyright © 2007-2024 All Rights Reserved by Gijutsu-Hyoron Co., Ltd. ページ内容の全部あるいは一部を無断で利用することを禁止します。個別にライセンスが設定されている記事等はそのライセンスに従います。
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
量子コンピュータ・量子情報の講義ノートPDF。 量子計算や量子通信の理論を，基礎から応用まで勉強するための教科書や資料 - 主に言語とシステム開発に関して
講義ノートの目次へ 量子コンピュータ・量子計算について勉強するための，講義ノートや教科書PDF。 基礎理論から，詳しく独学に使えるノートを集めた。 量子情報処理では「エンタングルメント」などの量子力学的なしかけを使い， 量子計算のハードウェア（＝量子コンピュータ）を実現。 その上で量子暗号・量子フーリエ計算などの具体的なアルゴリズムを実行する。 ただし従来のコンピュータと違い， ハードとソフトがほぼ分離されていないので注意。 量子コンピュータは，世間に与えるインパクトが非常に大きいため， 専門外の一般向けの資料も多い。 ここでは下記の分類にしたがってPDFを掲載する。 （１）数式を使って，しっかり学習するための資料 （２）数式を使わない，一般向けの解説資料 量子計算の基礎となる量子力学はこちらのノート， 光学・量子光学はこちらのノート， 情報と暗号の理論はこちらのノート，線形代数はこちらの
自然言語処理の最新手法"word2vec"で艦これ加賀さんから乳を引いてみる - あんちべ！
概要 この記事は自然言語処理という分野の最新手法word2vec を利用して誰でも遊べるようにするための手順を説明するものです。 word2vecを利用すると意味の計算が実現できます。 例えば"king"から"man"を引いて"woman"を足すと"queen"が出てきたり、 "東京"から"日本"を引いて"フランス"を足すと"パリ"が出てくるという面白い手法です。 自然言語処理とは人間が日常的に用いる自然言語をコンピュータに処理させ、 翻訳や要約、文字入力支援や質問応答システムを作るなどに活用されている分野です。 自然言語処理と言うと耳慣れない言葉かもしれませんが、 実は検索や推薦などで私たちが日常的に利用しているなじみ深い技術でもあります。 自然言語処理の適用範囲や要素技術は幅広いのですが、 その中でもword2vecの特色は、 冒頭でも挙げたように「意味の計算」が出来ることです。 これ
PageRankアルゴリズムを使った人事評価実験 | 株式会社サイバーエージェント
2-2-1.一般的な360度評価による評価方法 問題点 一般的に評価プロセスが公開されていないため、最終評価までのプロセスが不透明である 全員が全員を評価するのは多数の社員がいる場合は不可能である ランダム抽出によるお互いの評価を行うと、まったく違う専門分野を評価したり、まったく関わりあいのない人を評価することになり精度が下がる 2-2-2.専門分野での評価者による評価方法 問題点 *評価者になる人材の不足 高い専門スキル、会社とのビジョンマッチ、メンバーからのその専門分野での高い信頼の全てを備えている人材が専門分野毎に必要。 さらに、評価の納得性を保つためにはメンバーからの信頼がある人材ではないと評価できない。 *評価者によって評価ポイントの違いがある 同じ分野の技術者でも、スキルの価値をどこに置いているかというスタンスの違いから評価ポイントにゆらぎが発生する。 さらに評価者自体
統計的機械学習入門
統計的機械学習入門(under construction) 機械学習の歴史ppt pdf 歴史以前 人工知能の時代 実用化の時代 導入ppt pdf 情報の変換過程のモデル化 ベイズ統計の意義 識別モデルと生成モデル 次元の呪い 損失関数, bias, variance, noise データの性質 数学のおさらいppt pdf 線形代数学で役立つ公式 確率分布 情報理論の諸概念 (KL-divergenceなど) 線形回帰と識別ppt pdf 線形回帰 正規方程式 正規化項の導入 線形識別 パーセプトロン カーネル法ppt pdf 線形識別の一般化 カーネルの構築法 最大マージン分類器 ソフトマージンの分類器 SVMによる回帰モデル SVM実装上の工夫 クラスタリングppt pdf 距離の定義 階層型クラスタリング K-means モデル推定ppt pdf 潜在変数のあるモデル EMアル
1
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
正規表現入門 星の高さを求めて
ウォール・ストリート、暴走するアルゴリズム(1/5)