Python言語による実務で使える100+の最適化問題 | opt100
はじめに 本書は，筆者が長年書き溜めた様々な実務的な最適化問題についてまとめたものである． 本書は，Jupyter Laboで記述されたものを自動的に変換したものであり，以下のサポートページで公開している． コードも一部公開しているが，ソースコードを保管した Github 自体はプライベートである． 本を購入した人は，サポートページで公開していないプログラムを 圧縮ファイル でダウンロードすることができる． ダウンロードしたファイルの解凍パスワードは<本に記述>である． 作者のページ My HP 本書のサポートページ Support Page 出版社のページ Pythonによる実務で役立つ最適化問題100+ (1) ―グラフ理論と組合せ最適化への招待― Pythonによる実務で役立つ最適化問題100+ (2) ―割当・施設配置・在庫最適化・巡回セールスマン― Pythonによる実務で役立つ
うわっ…私のpandas、遅すぎ…?って時にやるべきこと（先人の知恵より） - Lean Baseball
※あくまでもイメージです（適当） 仕事じゃなくて、趣味の方の野球統計モデルで詰まった時にやったメモ的なやつです.*1 一言で言うと、 約19万レコード（110MBちょい）のCSVの統計処理を70秒から4秒に縮めました. # 最初のコード $ time python run_expectancy.py events-2018.csv RUNS_ROI outs 0 1 2 runner 0_000 0.49 0.26 0.10 1_001 1.43 1.00 0.35 2_010 1.13 0.68 0.32 3_011 1.94 1.36 0.57 4_100 0.87 0.53 0.22 5_101 1.79 1.21 0.50 6_110 1.42 0.93 0.44 7_111 2.35 1.47 0.77 python run_expectancy.py events-2018.c
東大が無料公開している超良質なPython/Data Science/Cloud教材まとめ (*随時更新) - Digital, digital and digital
東京大学がちょっとびっくりするくらいの超良質な教材を無料公開していたので、まとめました Python入門講座 東大のPython入門が無料公開されています。scikit-learnといった機械学習関連についても説明されています。ホントいいです Pythonプログラミング入門 東京大学 数理・情報教育研究センター: utokyo-ipp.github.io 東大のPython本も非常にオススメです Pythonによるプログラミング入門 東京大学教養学部テキスト: アルゴリズムと情報科学の基礎を学ぶ https://amzn.to/2oSw4ws Pythonプログラミング入門 - 東京大学 数理・情報教育研究センター Google Colabで学習出来るようになっています。練習問題も豊富です https://colab.research.google.com/github/utokyo-ip
Pythonやデータサイエンティスト入門が無料に | Ledge.ai
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
coding for sports analytics: resources to get started | brendan kent
These days, if you want to work in sports analytics, you need to know how to code. There's really no way around it. And while that can be scary for someone who's never written a line of code before, it's not as daunting as it seems. The reality is that there are a variety of excellent (often free!) resources for learning how to code. Some of them are very general, some are focused on a specific pr
【2025】Pythonのコード一覧！機械学習×Pythonのコツも解説 | DX/AI研究所
AI機械学習を用いた経営問題の解決や、3D CAD/CAMソフトウェア、IoTを通じた製造業向けの「設計から製造」までの効率化など、幅広い業種へ多数のコンサルティングの経験を持つ。手塚治虫AIプロジェクトの「TEZUKA2020」にてプロジェクトマネジメントを担当した他、製造業の画像AI、道路インフラの異常検知AI、建築関係の見積もりAI等、様々な企業様向けのコンサルティングを実施。株式会社VOSTの立ち上げメンバーで、最新の技術を複合的に融合し、わかりやすく伝えることをモットーに活動している。 今回は、機械学習でよく使うPythonのプログラムコードをアルゴリズム別に紹介していきます。 そして、機械学習といえばScikit-Learn。Scikit-Learnでよく使うコードを紹介します。最後におまけとして、PandasやNumpyでよく使うプログラムコードも紹介します。 これらのプログ
Python: 広義の Target Encoding と Stacking は同じもの (と解釈できる) - CUBE SUGAR CONTAINER
おそらく、既に分かっている人には「知らなかったの？」とびっくりされる系の話なんだろうけど、今さら理解したので備忘録として残しておく。 結論から書くと、目的変数を用いた特徴量生成を広義の Target Encoding と定義した場合、Target Encoding と Stacking は同じものと解釈できる。 例えば、Target Mean Encoding は多項分布を仮定したナイーブベイズ分類器を用いた Stacking とやっていることは同じになる。 また、Target Encoding と Stacking が同じものであると解釈することで、周辺の知識についても理解しやすくなる。 Target Encoding について Target Encoding は、データ分析コンペで用いられることがある特徴量生成 (Feature Extraction) の手法のこと。 一般的にはカテゴ
「機械学習・ディープラーニングでPythonを使う嬉しさとツラミを分かちあう会」の感想を語る - bonotakeの日記
もう2週間経つんですけど、こんなイベントを企画・司会をしました。というので今更感想ブログ。 mlxse.connpass.com 経緯というか元々の開催目的は以前の記事にあるとおりで、 プログラミング言語に関する国内学会 PPL2018 前に、現状この分野で覇権取ってるPythonを肴に「機械学習・ディープラーニングのための言語」の問題点や在るべき姿、を探っていこうという会です。 3人の発表＋みんなで議論、というスタイルを取ったのですが、発表お願いした3人が3人とも「やりづらい」とこぼす、企画した者としては大変心苦しい状態ではあったものの、発表・議論はどれも興味深く、大変面白い会になりました。ありがとうございました。 発表1つめ：『行列演算とPythonの言語デザイン』 まずは python.jp 管理人の石本敦夫（@atsuoishimoto）さん。 Pythonがどうしてデータサイエン
【Python】 機械学習の可視化が捗るライブラリ「Yellowbrick」 - フリーランチ食べたい
機械学習Podcast「TWiML＆AI」で先週取り上げられた可視化ライブラリ「Yellowbrick」が非常に便利だったので紹介します！ちなみにPodcastには作者の1人であるRebecca Bilbroさんが出演しているので興味持った方は是非聞いてみてください。 twimlai.com www.scikit-yb.org Yellowbrickとは 一言で言うと、機械学習に特化した可視化ライブラリです。実装的な面で言うと(こちらの方がわかりやすいかもしれません)、scikit-learnとmatplotlibをラップして、scikit-learnライクなAPIで使うことができるものです。 例えば相関行列のヒートマップをプロットしたい場合は次のように書くだけでグラフを作ることができます。 visualizer = Rank2D(features=features, algorithm=
機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 (オライリー・ジャパン) 読んだ - 糞糞糞ネット弁慶
www.amazon.co.jp 訳者よりご恵贈いただきました．8年前に kaggle のアカウントを作ったきりの人間であるため，この文章にさほど価値があるとは思えませんが感想を書きたいと思います． ロジスティック回帰や決定木，ランダムフォレストやニューラルネットワークなどの機械学習アルゴリズムにどのようにデータを入力するか，ただのデータをよりアルゴリズムのパフォーマンスが改善するように加工する作業を「特徴量エンジニアリング」と呼びます． 本書はその特徴量エンジニアリングの基礎である 変数の値をそのまま使うのか，二値化するのか，区分に分けて離散化するのか，対数を取るのか，値を一定の区間に揃えるのか テキストをどのように特徴量にするのか，どう処理すべきか，どう重み付けるのか カテゴリ変数をどのように扱うのか，カテゴリの数が増えた時にどう対処するか 変数の数が多い時にどう減らせば良いのか k-
Pythonで株価を機械学習モデルに投入して、グラフに表示してみる - Qiita
はじめに 最近の個人的なブームはブロックチェーン・仮想通貨です。 それに伴って（？）仮想通貨など考えるならば、株価を、機械学習で予測することのほうが良いのではないかと思い立った次第です。 とりあえず、データを集めて、それを機械学習のライブラリ（scikit-learnのSVM）に投入してモデルごとの結果を図示化を行いました。 厳密にいえば、今回のものは将来予測ではなく最適収斂モデルなので微妙に違うところもありますが。。 しかしこれは第一弾で、投入データを増やす、モデルをKeras,Tensorflow,chainerなどのやつにする、海外の文献をあさるなど今後に取りうる方針はいろいろありますが、まずはメモ書き残し用途です。 結果 ソースコード import csv import numpy as np from sklearn.svm import SVR import matplotli
【2万円のコースが1200円に】キャンペーン中に買っておきたいUdemyのおすすめプログラミングコース(8月末まで) - プログラミングとデザイン、スタートアップの話
通常2万円くらいするUdemyのコースが8月末まで1200円で買えるキャンペーンをやっています。 もともと2万円くらいするコースということもあって、そのクオリティは抜群。 本を買うよりも安い値段で本格的なコースが学べるので、このチャンスを見逃したら損してしまうということで、各言語で人気のコースをまとめました。 気になるコースは今のうちにまとめ買いしておきましょう。 SQL The Complete SQL Bootcamp こんな人におすすめ コース詳細はこちら 機械学習 【キカガク流】人工知能・機械学習 脱ブラックボックス講座 Udemy内のレビュー こんな人にオススメ コース詳細はこちら Python Python 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイルを学び、実践的なアプリ開発の準備をする Udemy内のレビュー こんな人にオススメ コース詳細はこちら Rub
Python 機械学習ことはじめ
講師：寺田 学（代表理事） 担当：一般社団法人PyCon JP レベル：入門編 対象者：これからPythonで機械学習を学びたい人 前提知識：機械学習に興味がある方。 目標: OSS&Pythonで機械学習を行う概要を知る Pythonで機械学習する上で多く使用されている、Jupyter Notebookを用い、実際に動くものを見せていきます。 動くものとしては、チュートリアルを準備しgithub上で公開します。ポイントを押さえたテキストを発表資料にまとめました。 このチュートリアルは独自のデータを用いることにこだわりました。今回は、千葉市のオープンデータを用い、 気象庁が公開している気象データから、「インフルエンザの流行」を予測してみようという壮大なテーマに挑戦します。 このような例を提示することで、より身近なテーマを機械学習に取り入れられるのではないかと考えたからです。
How to build your own AlphaZero AI using Python and Keras
Update! (2nd December 2019)I’ve just released a series on MuZero — AlphaZero’s younger and cooler brother. Check it out 👇 How to Build Your Own MuZero Using Python (Part 1/3) How to Build Your Own MuZero Using Python (Part 2/3) How to Build Your Own MuZero Using Python (Part 3/3) In this article I’ll attempt to cover three things: Two reasons why AlphaZero is a massive step forward for Artificial
データサイエンスプロジェクトのディレクトリ構成どうするか問題
あるいは、論文 "Best Practices for Scientific Computing" および "Good Enough Practices in Scientific Computing" について。 TL;DR 標題の件について、未だに答えは見えていないのだけど、自分の現状と他の人の例を文字で残しておく。 こういう話で「あーその手があったかー！」と知ったときの興奮はすごいので、みなさんもっとオープンにいきましょう。 大切なのは、ソフトウェア開発と同じ要領でデータサイエンスのプロジェクトを捉えて、分析と言う名の“開発”を行うつもりでディレクトリを掘ること。 必要なものリスト ナウいデータサイエンス/機械学習プロジェクトの中には（経験上、ぱっと思い浮かぶだけでも）次のようなファイル群があって、僕たちはそれらを良い感じに管理したい。 ソースコード 役割がいろいろある： 前処理（こ
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
はじめに — 機械学習帳
東京大学や滋賀大学らの無料学習コンテンツまとめたサイト、Python R データサイエンスなど充実 | Ledge.ai
https://www.realisticregionandlife.work/entry/2020/05/11/070000
Tensorコアを使った PyTorch の高速化について
Pythonで学ぶ強化学習 -入門から実践まで-を書きました
