はじめに metric learningとは マハラノビス距離学習 deep metric learningとは siamese network triplet network サンプルの選び方と直感的理解 L2 softmax network MNISTで実験 実験条件 実験1-1: 表現力の確認 実験1-2: 未知クラスの表現力を確認 実験1-3: 奇数/偶数を学習 天気データで実験 データの準備 実験条件 実験2-1: 表現力の確認（その１） 実験2-2: 表現力の確認（その２） 実験2-3: 未知クラスの表現力を確認 まとめ おわりに 参考 はじめに metric learningについて学ぶ機会があったので忘れないうちに得た知識を書き留めておきます。学んだ期間は10日程度と短く、deep learningも含めて初心者ですので疑いながら読んでいただければと思います。間違いを見つけ

2018年11月10日、Haskell-jpが主催するイベント「Haskell Day 2018」が開催されました。純粋関数型プログラミング言語Haskellをテーマに、Haskellに興味のある人から入門者、ちょっとできる人まで、様々な層に向けたプレゼンテーションを行った本イベント。実務から研究まで、幅広いHaskellの事例を共有します。プレゼンテーション「Semigroupとは？　Monoid？　環？」に登壇したのは、aiya000氏。講演資料はこちら Semigroupとは？　Monoid？　環？ aiya000氏（以下、aiya000）：あいやと申します。今日は「Semigroupとは？　Monoid？　環？」というテーマで代数についての発表をします。よろしくお願いします。 （会場拍手） 推しVimはNeovimです。活動はTwitterやGitHubなどをやっています。このスラ

www.amazon.co.jp 訳者よりご恵贈いただきました．8年前に kaggle のアカウントを作ったきりの人間であるため，この文章にさほど価値があるとは思えませんが感想を書きたいと思います． ロジスティック回帰や決定木，ランダムフォレストやニューラルネットワークなどの機械学習アルゴリズムにどのようにデータを入力するか，ただのデータをよりアルゴリズムのパフォーマンスが改善するように加工する作業を「特徴量エンジニアリング」と呼びます． 本書はその特徴量エンジニアリングの基礎である 変数の値をそのまま使うのか，二値化するのか，区分に分けて離散化するのか，対数を取るのか，値を一定の区間に揃えるのか テキストをどのように特徴量にするのか，どう処理すべきか，どう重み付けるのか カテゴリ変数をどのように扱うのか，カテゴリの数が増えた時にどう対処するか 変数の数が多い時にどう減らせば良いのか k-

視力検査を恐怖に感じたことはあるだろうか？ 私は、ある。 小学生の頃、私は、どちらが右で、どちらが左なのか区別することができなかった。 このような状態を「左右盲」と呼ぶと知ったのは、ずっと後のことだ。*1 左右盲の原因は分からないが、俗に、左利き、中でも左利きを右利きに矯正した人に多いという。*2 左右を最初に学ぶときに、「おはしを持つ方が右」という教え方をされ、左利きが混乱して左右盲になりやすい、という俗説もある。 因果関係は不明だが、私も、左利きから右利きに矯正した1人だ。 原因がどこにあるにせよ、私は、そんな小学生だった。 左右盲と呼ばれる人の中にも、左右がおよそ分からない人もいれば、左右の判別が普通の人より一拍遅れる程度の人もいる。 小学生の頃の私は、どちらかといえば前者に近い方であった。 日常生活においては、だましだまし、なんとか暮らしていた。 おそらく、周囲の人間のほとんどは、