データ前処理コンペサイト"Struggle"を開設しました - 渋谷駅前で働くデータサイエンティストのブログ
機械学習コンペと言えばKaggleというのはもはや世の中の常識（一部誇張表現あり）になりつつありますが、「データ分析プロジェクトの8割が前処理」という現実を目の当たりにし続けている身としては「そんなRDBSにデータが入った先の綺麗なところで戦うのもあまり実践的ではないような」と思っているのも事実だったりします。 そこで、まずはお試しですがこんなものを始めてみました。その名もずばり"Struggle"。 もう見たまんまで、現実にありがちな（もしくは各協賛企業から提供された本物の）「汚い」データセットをひたすら前処理して学習ラベル＋特徴量のテーブルに直し、予め用意されたブラックボックスのモデル（中身はコンペ終了後に公開される）に入力して得られたパフォーマンスの高さで、前処理の腕の良し悪しを競うというコンペを各種集めたポータルです。 まだβ版なので今のところは僕が自宅のIoTセンサで集めた我が家
Deep forest
This document discusses generative adversarial networks (GANs) and their relationship to reinforcement learning. It begins with an introduction to GANs, explaining how they can generate images without explicitly defining a probability distribution by using an adversarial training process. The second half discusses how GANs are related to actor-critic models and inverse reinforcement learning in re
Shutting down CodePlex
Almost 11 years after we created CodePlex, it’s time to say goodbye. We launched CodePlex in 2006 because we, like others in the industry, saw a need for a great place to share software. Over the years, we’ve seen a lot of amazing options come and go but at this point, GitHub is the de facto place for open source sharing and most open source projects have migrated there. We migrated too. As man
転移学習：機械学習の次のフロンティアへの招待 - Qiita
機械学習を実務で使う場合、「ではお客様、ラベルデータを・・・」と申し出て色よい返事が返ってくることはあまりありません。また、例えば自動運転車を作るときに、データが足りないからその辺流してくるか、お前ボンネットに立ってデータとってな、とするのは大変です。 NICO Touches the Walls 『まっすぐなうた』 より そこで必要になってくるのが転移学習です。 転移学習とは、端的に言えばある領域で学習させたモデルを、別の領域に適応させる技術です。具体的には、広くデータが手に入る領域で学習させたモデルを少ないデータしかない領域に適応させたり、シミュレーター環境で学習させたモデルを現実に適応させたりする技術です。これにより、少ないデータしかない領域でのモデル構築や、ボンネットに立つという危険を侵さずにモデルを構築することができるというわけです。 この転移学習の可能性は、NIPS 2016
Ponanza Chainer アピール文章
Ponanza Chainer アピール文章 山本一成 (HEROZ社 愛知学院特任准教授 東京大学先端研客員研究員) 下山晃 (日立ソリューションズ・クリエイト社） 齋藤真樹・藤田康博・秋葉拓哉・土井裕介・菊池悠太・奥田遼介(Preferred Networks社) 須藤武文・大川和仁(さくらインターネット社) 第27回世界コンピュータ将棋選手権 Ponanza Chainerの新しい3つの武器 ①Deep Learning ②高火力コンピューティング ③eXtream Lazy Smp Ponanza Chainerのアピールポイント① Deep Learning • 将棋で初めて実用レベルのディープラーニングに成功 • ディープラーニングライブラリChainerを使用 • Chainerによるディープラーニング将棋の開発はPFN社さんのご協力を頂きました 現在のディープラーニングの実
Emacsでvirtualenvに入れたライブラリも考慮したPythonの補完環境を作る - $shibayu36->blog;
新言語を使うときは、その言語の補完ができるかどうかで学習効率が変わってくるので、ひとまずPythonの補完環境を作った。基本Pythonではvirtualenvを使うのが一般的なようなので、環境ごとに入れたライブラリも考慮して補完できるようにした。 色々調べたところ、次の三つを使うのが良さそうだった。 python-mode jedi auto-virtualenvwrapper 今回の設定で以下のように補完が出来るようになった。 python-mode とりあえず編集モードを入れる。M-x package-install RET python-mode RETしたあと、以下の設定を入れる。 (require 'python-mode) (setq auto-mode-alist (cons '("\\.py\\'" . python-mode) auto-mode-alist)) jed
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
Loading...