お客様の設定により、お客様情報が「非表示」となっております。お客様情報を表示するにはdアカウントでログインしてください。 お客様情報表示についてへ お客様情報表示についてへ Tweet 「docomo Wi-Fi」の提供を終了 ＜2020年8月17日＞ 株式会社NTTドコモ（以下、ドコモ）は、公衆Wi-Fiサービス「docomo Wi-Fi」（以下、本サービス）を2022年2月8日（火曜）に提供終了いたします。 本サービスは「Mzone®」として2002年4月に開始し、2012年3月から「docomo Wi-Fi」にサービス名を変更してアクセスポイントの拡大や永年無料キャンペーンなどを行ってまいりました。2020年3月からdポイントクラブ会員のお客さま※1向けの無料公衆Wi-Fiサービス「d Wi-Fi®」を提供開始したことに伴い、本サービスの提供を終了することといたしました。「d Wi-

みなさんこんにちは。くにです。 データ分析の世界に足を踏み入れてから9年が過ぎました。 分析実務未経験でキャリアチェンジできたのは幸運としか言えませんが、ある意味無知だったからこそ無謀な挑戦ができたのかもしれません。この挑戦の泥臭い記録は、この記事に書きました。 ポジションは変われど、データを扱う仕事をまだ続けています。 私は実務で手を動かしつつ、不格好に失敗しながら学んできました。わからないことにぶつかるたびに本を買い、その本でわからないことがあればまた本屋に行き、自分が少しでも理解できそうな本を探して買いました。そして、気になる参考文献があれば、それも買って読んでみる…。 こんな生活を続けているうちに、部屋が本だらけになってしまいました。 正直に言って読み切ったという実感のある本はありません。しかし、実務で何かしらお世話になった本は数多くあり、そういう本は手放さずに手元に置いています。

タイトルの通り、CausalImpactをPythonで試してみます。 下記本を元にし、RからPythonで書き直し、同様の効果が推定できるか試してみます。 導入 pyが最初につくのに注意します。 pip install pycausalimpact データの作成 statsmodelsのcigarデータを使います。 CausalImpactはデータフレームの一番左をyとし、それ以降が予測に使う変数となるため、その形となるようにpivotと並び替えを行います。 import statsmodels.api as sm df = sm.datasets.get_rdataset('Cigar', 'Ecdat').data #上記本の初期加工を関数化しておく def create_data(df): tmp = df[(df['year']>=70) & (~df['state'].isin

Transcript Copyright (C) 2018 DeNA Co.,Ltd. All Rights Reserved. Language Models まとめ 2020/05/26 DeNA Co., Ltd. Strictly confidential 1 Kosuke Sakami 目次 ▪ 前置き ▪ BERT の architecture (単語紹介) ▪ 紹介 ⁃ BERT ⁃ GPT-2 ⁃ Transformer-XL (実験なし) ⁃ XLNet ⁃ RoBERTa ⁃ ALBERT ⁃ T5 (実験なし) ⁃ BART ⁃ ELECTRA 前置き ▪ Language Models を紹介するよ！ ⁃ 分類問題を想定します ▪ huggingface の transformers ライブラリの中から紹介していく ⁃ ForSequenceClassificati

最終更新日： 2021年12月13日 感性を解析するパーソナル人工知能を開発するSENSY株式会社と三菱商事株式会社は小売分野におけるAI活用を共同で推進していくために、資本業務提携を締結しました。 小売業界は、 社会問題としても取り上げられる廃棄ロス問題や、 労働人口の減少、 ニューリテールの台頭などの課題に直面しており、 早急に新しい産業構造を模索していく必要があります。 そのためには、 業界全体で、 便利で、 お得な、 心地いい顧客体験を、 より低コストで実現していくことが求められているといいます。 SENSYは創業時より、 これらの課題を解決する鍵は「消費行動の理解」であると考え、 消費者の「感性」をAI（ディープラーニング技術）によって解明する技術の研究開発および、 それを活用したソリューション開発に注力してきました。 パーソナル人工知能「SENSY」は、 SENSY株式会社が開

連載目次 用語解説 機械学習におけるバーニーおじさんのルール（Uncle Bernie's rule）とは、ニューラルネットワークの重みパラメーターの数に対して、最低限その10倍以上の訓練データ量が必要となる、とする経験則のことである。訓練データの数量の目安とされるが、定理ではなく、あくまで経験則である。その出典（後述）も古く（＝最近のディープラーニングに適用できるかどうかは不明で）、数学的に証明されているわけでもないので注意が必要だ。 孫引用になってしまうが1990年（NIPS 1989）の論文の一節を引用すると、 Rules of thumb suggesting the number of samples required for specific distributions could be useful for practical problems. Widrow has sug

今回は LightGBM の cv() 関数について書いてみる。 LightGBM の cv() 関数は、一般的にはモデルの性能を評価する交差検証に使われる。 一方で、この関数から取り出した学習済みモデルを推論にまで使うユーザもいる。 今回は、その理由やメリットとデメリットについて書いてみる。 cv() 関数から取り出した学習済みモデルを使う理由とメリット・デメリットについて 一部のユーザの間では有名だけど、LightGBM の cv() 関数は各 Fold の決定木の増やし方に特色がある。 まず、LightGBM では決定木の集まりを Booster というオブジェクトで管理している。 Booster が内包する決定木の本数は、ラウンド (イテレーション) 数として認識できる。 https://github.com/microsoft/LightGBM/blob/v3.0.0rc1/py

プラットフォームの概要 AI Platform 生成 AIおよび予測 AIのプラットフォーム もっと詳しく ドキュメント 新機能 ログイン 無料で始める 運用 自信を持ってAIを拡張し、比類のないエンタープライズ・モニタリングとコントロールでビジネス価値を促進 デプロイと実行 再学習と最適化 監視と介入 ガバナンス AIの環境、チーム、およびワークフローを統合し、大規模な範囲での完全な可視性と監視を実現 レジストリと管理 監査と承認 コンプライアンスドキュメント生成 構築 ニーズの進化に合わせて自由に適応できるオープンなAIエコシステムで、迅速なイノベーションを実現 分析と変換 学習とチューニング 組立てと比較 プラットフォーム統合 インフラストラクチャーへのデプロイ ソリューション 業界ごと ヘルスケア 製造 小売業 金融サービス 成果ごと ユースケースのライブラリー お客様事例 Dat

インサイトと発見を混同しない ビジネスシーンはもちろん、ユーザー調査（UXリサーチ）でも耳にする「インサイト（Insight）」という言葉。たくさんインタビューをして結果をまとめたとしても、インサイトがなければ「ユーザーの声が聞けてよかった」といった感想しか残りません。リサーチの真価はインサイトが決めるといっても良いでしょう。 「洞察」「深い理解」という意味が含まれたインサイト。自分のリサーチにもより良いインサイトを含めたいと思っても、具体的に何をすればインサイトと呼べるのかよく分からない人もいるはずです。 インサイトの定義を読み解くのではなく「これはインサイトではない」と呼べるものを振り返ることで、何が必要か見えてきます。以下の 3 つはインサイトを得るための重要な材料ですが、これらを共有するだけでは意味がありません。 定量 / 定性データ ユーザーの様子 ユーザーの声・要望 参照したり