AIの物体検出とは？YOLO・CNNなど機械学習による画像認識・最新事例徹底解説！ - AI Market
AI導入コンサルAI導入コンサルティング生成AI導入コンサルティングAIの基本知識機械学習の手法教師あり学習とは強化学習とはディープラーニングとは機械学習の種類Few Shot LearningとはZero Shot LearningとはAIとはAIとDXAIとIoTの違いAIとBIの違いAIとITの違いAIモデルとはデータドリブンシンギュラリティとは基盤モデルとはAGI生成AIとはAIでできること自然言語処理自然言語処理（NLP）対話型AILLMとはFAQシステムエンタープライズサーチチャットボットとはデータ分析データクレンジングとはAI×データ分析データ分析とはビッグデータとはデータドリブンとはデータマイニングとはデータドリブンAI開発会社【データ分析】データ収集方法マーケティング分析でのAI活用事例異常検知AI開発会社【異常検知】異音検知とは異常検知とは異音検知音声認識とはAI開発会
ラバー・ダック・デバックでプログラミングの問題解決！オフショア開発を高品質に。 - Deha magazine
みなさんラバーダックデバッグという言葉をご存知でしょうか？ ラバーダックデバッグとはプログラミングの問題解決手段の１つとして用いられる用語です。 この手段を用いることでプログラミングに関する多くの問題を解決する事ができます。 この記事ではそんなラバーダックデバッグの問題解決方法を紹介します。 ラバーダックデバッグが気になる方プログラミングにおける問題解決能力を身につけたい方社内のIT人材を育成したい方これらに当てはまる方におすすめの記事となっています。これを読めばプログラミングにおける問題解決能力を身につける方法を知ることができますよ。 ラバーダックデバッグとは？ラバーダックデバッグとは、一見横文字が並んで難しい言葉に聞こえますが、とてもシンプルな問題解決方法です。 ラバーダックデバッグは一人のプログラマーから始まりました。 その人はいつもゴム製のアヒルの人形（ラバーダック）を持ち歩いてい
「ディスプレイの脇のアヒルちゃんに説明することでバグに気づき、品質を高める」#ラバーダックデバッグ という手法があるけど、絵面だけでも草ｗ
なかめのくまちゃん@質問アプリQuerie.me開発者 @wgextra 「ディスプレイの脇に置いたアヒルちゃんに実装した処理を一行ずつ説明する中で実装者自らがバグに気づき、デバグして品質を高める」ラバーダックデバッグっていう手法があるんだけど、絵面だけでも草なのにどうやらマジで効果絶大らしく、もうこんなん大草原不可避だわ。アヒルちゃん買ってこよ。 pic.twitter.com/80zqajvdPV
スクラムレトロスペクティブで使えるWin/Learn/Tryの紹介 | メルカリエンジニアリング
そのスプリントでの学びをチームにシェアして、以降のスプリントに活かします。後述しますが、Fun/Done/LearnのLearnのアイディアをお借りしてきました。KPTでいうとProblemに近い項目ですが、問題ではなく学びにフォーカスすることで、前向きな気持ちで課題に向き合える点がいいなと感じています。 WinやLearnから抽出された課題やチャンスに対してチームとしてどういったアクションを取るかのアイディアを出します。KPTのTryと同じ項目ですが、KPTより深堀りしたり抽象化をしたりしないと(特にWinからは)Tryにしづらいので少し難易度は高いです。 例1) Win: 大変だったxxxの実装が無事完了した! → お疲れさまでした! 何か工夫をしたんですか? → ドメイン知識のある人にペアプロに付き合ってもらいました → Try: 今難航している別の実装でも詳しい人にペアプロをお願い
デプロイ今昔 - Hatena Developer Blog
こんにちは。はてなのアプリケーションエンジニアの id:onk です。 最近、若手エンジニアを中心に、いろいろな技術を見つめ直すワーキンググループをやっています。今回は、その中から「デプロイ」の会で発表されたことをまとめました（なお、私は会のとりまとめをやっている非若手です）。 デプロイのライフサイクルの違い Infrastructure Platformでのデプロイ Application Runtime Platformでのデプロイ Applicationsのデプロイ デプロイ方式はどのように変化してきたか In place から Blue/Green へ Immutable Infrastructure という考え方 オートスケールへの対応 push 型デプロイと pull 型デプロイ コンテナによるデプロイの現況 コントロールプレーンによって何が変わったか ECS におけるデプロイ
【厳選】Python実務データ分析でよく使う手法（分析手法編） - Qiita
はじめに データ分析実務において、前処理や集計・可視化後によく行う分析手法をまとめました 前処理編とデータ集計・可視化編の続きです ここでいう「実務」とは機械学習やソリューション開発ではなく、アドホックなデータ分析や機械学習の適用に向けた検証（いわゆるPoC）を指します 領域によっては頻繁に使う手法は異なるかと思うので、自分と近しい領域のデータ分析をしている方の参考になればと思います 今回紹介する分析手法 パレート分析 線形回帰 時系列解析（季節成分分解） 時系列解析（時系列データの相関） ランダムフォレストによる特徴量の重要度 1. パレート分析 対象データ：カテゴリカルデータ 用途：各カテゴリの全体に対する構成比率 ケーススタディ：製品カテゴリ別の売上データ（A~H）に対して、各製品カテゴリの売上傾向を把握したい サンプルデータの生成 A = np.repeat('Cat_A', 15
新しいモデリング手法: EventStormingをはじめるための準備 - yoskhdia’s diary
EventStorming (イベントストーミング) というモデリング手法があります。 www.eventstorming.com EventStorming is a flexible workshop format for collaborative exploration of complex business domains. EventStormingは、複雑なビジネスドメインを協同的に探求するための柔軟なワークショップ形式のひとつです。（意訳） 考案者はAlberto Brandolini氏で2013年にはブログに最初の投稿がされています。 海外での認知度は高く*1、Eric Evans氏のプレゼンテーションの中でも強力な手法であると言及*2されています。 近々、この手法を試せる機会が来そうなので、そのやり方について（私見を交えつつ）まとめてみるエントリです。 注意 現在進行系
Kaggleで世界11位になったデータ解析手法～Sansan高際睦起の模範コードに学ぶ｜ハイクラス転職・求人情報サイト AMBI（アンビ）
Kaggleで世界11位になったデータ解析手法～Sansan高際睦起の模範コードに学ぶ Kaggleの上位入賞者であるKaggle Grandmasterを獲得した、Sansan株式会社のデータサイエンティスト高際睦起さん。模範となるソースコードをもとに考え方や解析手法を教えていただきました。 「Porto Seguro’s Safe Driver Prediction」とは？ 【技法1】前処理 【技法2】特徴抽出 【技法3】予測モデルの作成 Kaggle初心者は何から始めるべき？ データサイエンティストを目指す若き人たちへ 世界中のデータサイエンティストたちが集まり、企業や研究者が投稿したデータに対する高精度なモデルを競い合うプラットフォーム・Kaggle。メンバーは100万人を超えており、良問の多さや参加者のレベルの高さゆえに、機械学習を学ぶ者にとって優れた研鑽（けんさん）の場となって
機械学習やビッグデータを扱うデータサイエンティストの年収や使用言語などを赤裸々にするデータ
By Carlos Muza 企業や研究者がデータを投稿し、世界中のアナリストやデータサイエンティストが予測モデリングや分析手法を競い合う、というプラットフォームの「Kaggle」が、2017年時点での機械学習やデータサイエンスに携わる人々がどのようなツールを使っているのかや、どれくらいの給料を得ているのかを如実に示すデータを公開しています。 The State of ML and Data Science 2017 | Kaggle https://www.kaggle.com/surveys/2017 Kaggleが自サイトに登録するユーザーに向けて、データサイエンスと機械学習の利用状況を正確に把握するための調査を行いました。調査では1万6000件を超える回答を得られたそうで、世界中のデータサイエンティストやアナリスト、機械学習を用いるデベロッパーなどから、赤裸々な情報を入手しています
機械学習アルゴリズムへの招待 | POSTD
機械学習の問題 については以前に紹介したので、次はどんなデータを収集し、どんな機械学習アルゴリズムを使うことができるのかを見ていきましょう。本投稿では、現在よく使用されている代表的なアルゴリズムを紹介します。代表的なアルゴリズムを知ることで、どんな技法が使えるかという全体的なイメージもきっとつかめてくるはずですよ。 アルゴリズムには多くの種類があります。難しいのは、技法にも分類があり拡張性があるため、規範的なアルゴリズムを構成するものが何なのか判別するのが難しいということですね。ここでは、実際の現場でも目にする機会の多いアルゴリズムを例にとって、それらを検討して分類する2つの方法をご紹介したいと思います。 まず1つ目は、学習のスタイルによってアルゴリズムを分ける方法。そして2つ目は、形態や機能の類似性によって（例えば似た動物をまとめるように）分ける方法です。どちらのアプローチも非常に実用的
代表的な機械学習手法一覧 - Qiita
概要 本ページは、代表的な機械学習の手法の特性について独自に簡単にまとめたページです。 （ご意見、ご指摘等あったらご連絡ください。） 世の中のスタンダードなものとして下記もあるので、それを踏まえてご参照いただければと思います。 - ScikitLearn Choosing the right estimator - Microsoft Azure Machine Learning Studio の機械学習アルゴリズム チート シート - 朱鷺の杜Wiki 機械学習 教師データあり 回帰 (一般化)線形回帰 ロジスティック回帰 サポートベクターマシーン(SVM) 木 決定木（CART) 回帰木 ランダムフォレスト 勾配ブースティング木 ニューラルネットワーク(NN) パーセプトロン 畳み込みニューラルネットワーク(CNN) 再起型ニューラルネットワーク(RNN) 残差ネットワーク(ResNe
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
