2019/11/16に開催された、成城大学データサイエンス教育研究センターシンポジウム (https://www.seijo.ac.jp/events/jtmo42000000rm1j.html)の発表資料です。 企業におけるデータ分析プロジェクトの進み方や、その中で求められるスキル、大学で学ぶと良い内容などについてまとめています。
![Tableauが魅せる Data Visualization の世界](https://cdn-ak-scissors.b.st-hatena.com/image/square/8b0c5e9689a5e58f68d7fa98d2c5a17ba760a303/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2F20140908takatableaudatavisualization-140911225231-phpapp01-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
The document discusses Amazon FSx for Lustre, a fully managed file system for high-performance computing workloads. It provides fast parallel access to data stored in Amazon S3. The presentation covers how FSx for Lustre delivers scalable throughput and IOPS using Lustre and SSDs. It also discusses how FSx for Lustre can be used to access data stored in S3 for compute workloads run on EC2, with da
2018年8月に行いました講演のスライドを公開します。 講演者:本村・C・純也(アークシステムワークス株式会社) 「GUILTY GEAR Xrd開発スタッフが送るアニメ調キャラモデリングTIPS」 近年需要が高まりつつある「3Dでのアニメ調キャラクター作成」のTIPSを、 GUILTY GEAR Xrdのキャラクターモデルを作例として硬軟織り交ぜて紹介します。 主なトピック: ・GUILTY GEAR Xrdでのモデリングのワークフロー(設定画からモデリングまで) ・破綻の少ない顔形状の作り方の実践TIPS ・初心者がやってしまいがちなミスとその回避方法 ・実践的な法線編集のテクニックRead less
2019/10/16 初心者向けCTFのWeb分野の強化法 CTFのweb分野を勉強しているものの本番でなかなか解けないと悩んでいないでしょうか?そんな悩みを持った方を対象に、私の経験からweb分野の強化法を解説します。 How to strengthen the CTF Web field for beginners !! Although you are studying the CTF web field, are you worried that you can't solve it in production? For those who have such problems, I will explain how to strengthen the web field based on my experience. (study group) https://yahoo-osa
【卒業題目】 未来を生き抜くオタク的視点 ~技術革新の果てに人類はどう生きていくのか~ 分野名:学校外教育分野 学籍番号:142730A 氏名:喜屋武大輝 指導教員:吉田悦治 【研究動機】 技術革新が進み、生活はより快適で便利になった。しかし、その反面恐ろしい脅威も近づいてきていると私は考える。以前は一家に一台の電話が、一人一台ずつ携帯できるようになり、今ではパソコンとほぼ同等の機能を備えたスマートフォンを日本人の53.1%が所有している(総務省「27年度通信利用動向調査」)。スマホの普及によってSNSも使われるようになり、ユーザー数はFacebookだけでも全世界で18.8億人(Facebook、2016年度事業報告書、2016年12月31日時点)もいる。そして、「いいね」や「シェア」機能により、情報拡散のスピードもどんどん速くなっている。これらの機能は「社会的証明」を生みだし、SNSは
1. The document discusses various statistical and neural network-based models for representing words and modeling semantics, including LSI, PLSI, LDA, word2vec, and neural network language models. 2. These models represent words based on their distributional properties and contexts using techniques like matrix factorization, probabilistic modeling, and neural networks to learn vector representatio
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