Kaggle BlogOfficial Kaggle Blog ft. interviews from top data science competitors and more!
![Kaggle Blog – Medium](https://cdn-ak-scissors.b.st-hatena.com/image/square/99c43c653619f4f9846c685d8bd2fdb9eb8e0b5a/height=288;version=1;width=512/https%3A%2F%2Fcdn-images-1.medium.com%2Fmax%2F1200%2F1%2A9izrRVNdAJa9bFaqBwSH4w.png)
http://dlit.hatenablog.com/entry/2018/10/10/080521 https://anond.hatelabo.jp/20181010122823 私もこの流れに賛同したので続きます。私は博士課程の学生なので、多少間違いがあるかもしれませんが、大筋は合ってると期待します。身バレしない程度にざっくりとした纏めにとどめますが、誤りがあった場合の修正については諸氏にお願いしたい。他の研究者の諸事情を聞くのは面白いですね。 はじめにCG分野の研究は、大雑把に分けると オフライン/リアルタイム レンダリング 流体/弾性体 シミュレーション モーション 形状解析および形状処理画像処理というようなモノになると思います。各分野を横断する様な複合的な研究も多いのですが、大雑把にというところでお許しください。最も著名な研究者は現在はドワンゴリサーチを主幹しておられる西田先生
映画『アウトレイジ ビヨンド』作品情報本日の絶対おすすめ映画シリーズは『アウトレイジ ビヨンド』です。 かなり有名な映画なので皆さんもご存知の事と思いますが、映画『アウトレイジ』の続編となります。 なぜ『アウトレイジ』から映画紹介しないのか?と思われると思いますが、久しぶりにビヨンドを観たくなりまして観た関係で、いきなりビヨンドからの紹介となります。 『アウトレイジ』もめちゃくちゃ好きな作品なんですけどね! それでは『アウトレイジ ビヨンド』の映画紹介です。 映画『アウトレイジ ビヨンド』は2012年に日本公開された日本映画。アメリカ公開は2014年。 上映時間は112分。 監督は北野武。 【キャスト】 大友…ビートたけし 西野一雄…西田敏行 片岡…小日向文世 石原秀人…加瀬亮 嶋…桐谷健太 小野…新井浩文 繁田…松重豊 木村…中野英雄 白山広…名高達男 五味英二郎…光石研 舟木昌志…田中
この記事について 機械学習で使われている optimizer について紹介するよ。 Introduction まずは、みなさんも大好きな線形回帰を例に話をはじめましょう。普段は、何気なく機械学習のパッケージにデータを突っ込んで終わりということがほとんどではないでしょうか。パッケージの中で optimizer が蠢いていることも、ほぼ意識することはないかもしれません。しかし、彼らはそこにいるのです。 少し理論 さて、やや唐突ではありますが、目的変数を $y$、 説明変数を $X$、回帰係数を $w$ としましょう。線形回帰では、目的変数を説明変数の線形結合で近似したいと考えます。すなわち、 がなるべく"いい感じに"成り立つように係数 $w$ を決定することを目指します。ここで、$y$ と $w$ は縦ベクトル、$X$ は行列として扱っています。データのサンプル数を $N$ 、説明変数の数を
Chainerでディープラーニング ここのところ、ディープラーニングのフレームワークはTensorFlowを使っています。以前はChainerも使っていたのですが、Chainer v2.0になり、以前画像認識とか試していたコードも動かなくなってしまい、やる気を失っていたのですよね。 そんな折、たまたまNVIDIAの機械学習のセミナを受ける機会があったのですが、GPU(Titan)積んだサーバに、Jupyterの環境が構築されていて、参加者はサーバにアクセスしてエンターキー連打していくだけでそれっぽい結果が出て、凄いやった気分になるし、絶対初心者は自分で環境出来ないからNVIDIAの環境にお金払うことになるしで、とてもよく設計されたセミナでした。 と書くと凄い悪徳セミナのようですが、Jupyterを使って、説明を読んでから、実際にコードを実行してその結果を確認していくというハンズオン形式は、
こんにちは、Gunosyデータ分析部内定者の桾澤と片木です。今年も昨年同様エンジニア向けデータ分析サマーインターンシップを実施しました。 学生に混ざり、メンターアルバイトとして参加したので、その様子や課題に取り組む上での気付きなど実際の写真も交えながら紹介します! Gunosy Summer Internship 2018 について 講義 課題について 作業環境 ランチ・おやつ 結果発表 インターン参加者の感想 第一回(9/4~9/6) 杉山さん(優勝) 工藤さん 谷口さん 第二回(9/12~9/14) 濱下さん(優勝) 宮尾さん 松丸さん メンター総括 桾澤 片木 Gunosy Summer Internship 2018 について Gunosy Summer Internship 2018は、株式会社Gunosyが2018年夏に開催した短期インターンシップです。 本年は「データ分析コー
はじめに 先月、初めて「ペアプロ」なるものを先輩エンジニアに行ってもらいました。その際にとても学びになったので、その学びをメモしておこうと思います。 先輩とペアプロをする予定の新人エンジニアの方には「ペアプロからこういうことが学べるよ」ということ、ペアプロで新人を育成する予定のベテランエンジニアの方には「新人はペアプロでこんなことを感じるよ」ということが伝わると嬉しいです。 ただ学びと言っても、既にこの記事にまとめられていることが全てだったかなと思います。 ペアプログラミングして気がついた新人プログラマの成長を阻害する悪習 こちらの記事はベテラン×新人のペアプロで、ベテラン側から書かれた記事であったため、ここでは新人側の目線から「具体的にどういう点が学びになったのか」ということについて書ければと思います(タイトルもパクってます)。 因みに「そもそもペアプロとは何ぞや?」という方には、こちら
人文系の文献の取り扱いとか業績についてちょっとだけ - dlitの殴り書き こちらの記事に賛同したので続いてみます。 確かに異分野の事情をお互いにわかっていたほうがみんな幸せになりますよね。パーマネントや学振の採用とか。 はじめに素粒子分野は大きく分けて 弦理論 (string)現象論 (phenomenology)格子場 (lattice)素粒子実験に分かれています。これらの間には超えられない壁がありまして全てをまとめるのはちょっと難しいのですがなんとか書いてみます。 間違いを見つけたら教えてください。 論文事情素粒子の論文は全て英語で書かれます。国内雑誌としてはPTEP(旧PTP)がありますがこちらも英文です。当然どれも査読があります。 業績リストの論文(査読なし)には国際会議や研究会の proceeding を載せたりします。 素粒子分野には論文投稿前に arXiv に載せる慣習があ
ディープラーニングの欠点をカバー、多変量データを短時間観測して将来動向を高精度予測――東京大学の研究グループが新理論を構築:短時間多変数の結果を長時間小変数に変換 ディープラーニングでは大量の教師データを集めることが前提となる。だが長期間にわたって時系列データを集めることは難しい。東京大学生産技術研究所の合原一幸教授らの研究グループは、多変数からなる過去の動向を短時間観測したデータを使って、この前提を崩す研究成果を発表した。遺伝子発現量や風速、心臓疾患患者数などの実際の時間データに対して予測を行い、有効性を確認したという。 東京大学生産技術研究所の教授である合原一幸氏らの研究グループは、多変数からなる過去の動向を短時間だけ観測したデータから、ターゲット変数の将来の動向を高精度に予測する新しい数学的基礎理論を構築した。 一般に、生体や経済、電力網のような複雑系では、多数の変数が複雑なネットワ
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