Graphillion - 無数のグラフを効率的に扱うための高速・軽量ライブラリ 最新のドキュメントは英語版を参照ください. ニュース 特徴 概要 インストール チュートリアル グラフセットの作成 グラフセットの操作 並列計算 NetworkXとの連携 ライブラリ・リファレンス サンプルコード 今後の予定 参考資料 ニュース Graphillion 1.0 がとうとうリリースされました. Python 3 をサポートしました (Python 2 でも使えます). OpenMP を用いた 並列計算 が可能になりました. より効率的な辺の順序づけが実装されました. 高度な集合演算 (join, meet, quotient など) が追加されました. 2015年4月に,Graphillion の本が出版されます. 2015年1-2月に,奈良先端科学技術大学院大学の川原純先生による講義で Gra
学会に行っていい講演を聞けるとサイエンス脳になるし、ホテルに帰ってきてもやることなくて暇なんで論文でも読むかとかいう気分になるし、ついでにビール飲むとなんかエントリでも上げるかーってなるし、たまに学会に行くのはいいですね。 ちょっと読もうかなーと思って持ってきていた論文だけど、アブストとマテメソ、結論あたりを流し読みしただけです。 Study of Data Set Modelability: Modelability, Rivality, and Weighted Modelability Indexes https://pubs.acs.org/doi/10.1021/acs.jcim.8b00313 両方共同じ著者によるModelabilityに関するペーパーです。Interpreterbilityも重要ですけどModelabilityも同じくらい重要ですよね。というわけでこういうあ
Selective inferenceは「データを眺めることで、説明変数を絞りこみ(selectionし)、そのうえで絞り込んだ変数について推定(inference)することにするが、そのときselectionがinferenceに影響するので、どうするのがよいのかを考えよう」と言ってよいでしょう。 大規模データ解析・高次元データマイニングなどで用いられるアプローチです 少し調べ物をしたのですが、論文や総説は「Xの解析にAという解析手法が使われるが、それはselective inferenceなやり方だ。ではAとはどういう手法かというと…」という書き方になっています 「XにA」「YにB」「ZにC」となっているだけだと、「共通項としてのselective inference」がよくわからない ので、まずは「XにA」「YにB」「ZにC」となっている複数の解説をぱらぱらとめくってみることにする
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
処理を実行中です
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