平素より、自作ゲーム投稿コミュニティサービス『ゲームアツマール』をご愛顧いただき、誠にありがとうございます。 『ゲームアツマール』は、昨今のネイティブゲーム市場拡大におけるブラウザゲーム市場の縮小を受け、今後ユーザーの皆さまにご満足いただけるサービスを提供し続けることが難しいと判断し、大変遺憾ながら「2023年6月28日(水)」をもちましてサービスを終了いたしました。 約7年間にわたりサービスを運営してこられましたのは、ゲームクリエイターがアイデアや技術を凝らして制作・投稿した作品たちを、ユーザーの皆さまが遊んでくださり、支えてくださったおかげです。この場を借りまして、心より感謝申し上げます。 ゲームクリエイターの皆さまにおかれましては、放置ゲームや定期更新ゲームなどの新しいゲームジャンルの開拓、Unity投稿や有志によるプラグイン制作などの技術支援、動画投稿サイトや外部サイト連携などの遊
There are so many ways to visualise data – how do we know which one to pick? Click on the coloured categories below to decide which data relationship is most important in your story, then look at the different types of chart within the category to form some initial ideas about what might work best. This list is not meant to be exhaustive, nor a wizard, but is a useful starting point for making inf
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
ムダな会議やミーティングが、ストレスの元になっていませんか? SELECKでは以前から、ビジネス向けチャットツールSlack上で業務を効率化する方法を紹介してきました。 Slackが「スーパー社内wiki」になるbot・Guruを紹介 メールをストレスフリーに!Slack連携も完璧な神メールソフト「Astro」 そこで今回は、Slackを使ってミーティングの準備におけるムダを減らせるbot、その名も「Meetingbot」を紹介します! ▼実際にMeetingbotを使うと、こんな感じです。 ほぼワンクリックで導入できて、無料、なのにけっこう使えるので、ぜひ使ってみてください。 個人的には「ちゃんとbotだった」というのが特に感動ポイントでした。 【目次】 ミーティングに関するあらゆる「調整」をしてくれるbot「Meetingbot」 Meetingbotを使って、Slack上で同僚とのミ
はじめに FFM(Field-aware Factorization Machines)は、機械学習分野で比較的新出のアルゴリズムです。CTR(click-through rate)やCVR(conversion rate)の予測コンペにおいて、FM(Factorization Machines)と共に良い成績を収めているようです。 誰が作ったの? Yu-Chin Juan(阮毓欽)さん等の台湾大学の出身者・在籍者により提起されたもので、論文『Field-aware Factorization Machines for CTR Prediction』が台湾大学サイトにあります。私がこのアルゴリズムについて知ったのは、apache sparkのオンライン講座のCTR予測の演習問題で、とあるkaggleコンペ(criteo)のデータを使っていたのですが、そのコンペでFFMの提起者であるYu-C
最終更新:2015年12月2日 最終更新:2016年9月22日 MCMCとは乱数発生アルゴリズムです。ランダムなデータを発生させるアルゴリズムです。 MCMCを使う目的は、統計モデルのパラメタを推定することです。 このページでは、MCMCや、ギブスサンプラー、HMCといったアルゴリズムの詳細には立ち入りません。 この記事では、以下の問いに答えます。 ・なぜベイズ統計学に乱数発生アルゴリズムがかかわってくるのか ・なぜ乱数を発生させることで、統計モデルのパラメタが推定できるのか この記事はベイズ推定を応用して状態空間モデルを推定する一連の記事の一つです。 記事の一覧とそのリンクは以下の通りです。 ・ベイズ統計学基礎 ・ベイズと統計モデルの関係 ・ベイズとMCMCと統計モデルの関係 ・Stanによるベイズ推定の基礎 ・Stanで推定するローカルレベルモデル スポンサードリンク 目次 1.ベイズ
権利者の許可なくインターネット上にある漫画や写真、論文などあらゆるコンテンツについて、著作権を侵害していると知りながらダウンロードすることを全面的に違法とする方針が13日、文化審議会著作権分科会で了承された。「スクリーンショット」も対象となり、一般のネット利用に影響が大きいことから反対意見が出ていた。悪質な行為には罰則もつける方向で、文化庁は開会中の通常国会に著作権法の改正案を提出する。早ければ来年から施行となる見込み。 著作権者の許可を取らずに勝手にインターネット上に著作物をアップロードすることはこれまでも著作権法違反だったが、ダウンロードは音楽と映像に限って違法だった。被害の深刻な漫画の海賊版サイト対策を機にした今回の改正で、小説や雑誌、写真、論文、コンピュータープログラムなどあらゆるネット上のコンテンツに拡大されることになった。個人のブログやツイッターの画面であっても、一部に権利者の
NvidiaのGPUを積んだ計算用マシンにUbuntuとグラフィックボードのドライバを入れてセットアップしたのですが、計算用マシンということでインストール後はディスプレイを使わず運用していました。しかし、PCを起動するときにディスプレイがないとドライバがエラーを出してロードされない問題が発生しました。 Xのログをたどると、こんなエラーを起動時に吐いています。 Failed to assign any connected display devices to X screen 0 解決策を調べていたらドンピシャなページがありました。要は、AllowEmptyInitialConfigurationオプションを設定すれば解決です。
特徴量選択とは 特徴量選択の難しさ 特徴量選択の手法の大別 教師ありの特徴量選択 filter method 単変量とクラスラベルの関連性を上げる 関係性を上げて冗長性を下げる 関係性を上げて多様性を上げる wrapper method Forward SelectionとBackward Elimination 遺伝的アルゴリズムと粒子群最適化 その他のwrapper method embedding method L1正則化 Regularized tree 特徴量選択のこれから 超高次元データと特徴量選択のアンサンブル 不均衡データにおける特徴量 オンライン特徴量選択 深層学習を用いた特徴量選択 最後に 特徴量選択とは 特徴量選択(Feature Selection, 変数選択とも)はデータサイエンスにおいて非常に重要である。 例えば、製造業において欠陥品を判別するタスクを考えてみよ
最近、時系列データのクラスタリングに興味を持っているので、k-Shapeというクラスタリング手法に関する論文を読みました。 なぜ興味を持っているかというと、サーバの各種メトリクス(CPU使用率・メモリ使用率など)を使って、似たような特徴を持っているサーバ群をクラスタリングできないかと考えいるためです。例えば、負荷の高いサーバ群と負荷の低いサーバ群などにグルーピングできると、面白いのではないかと考えています。 元論文はこちらです。 k-Shape: Efficient and Accurate Clustering of Time Series この論文では、提案するk-Shapeのアルゴリズムの説明だけでなく、時系列データをクラスタリングする上での理論的な背景から説明されていて、時系列クラスタリング手法の全体像を把握するのに大変良い論文でした。 概要 Time-Series Invaria
https://arxiv.org/abs/1803.10122 In short, it’s a masterpiece, for three reasons: It combines several deep/reinforcement learning techniques to produce an amazing result — the first known agent to solve the popular 'Car Racing' reinforcement learning environment.It’s written in a very accessible style, so a great learning resource for anyone interested in cutting-edge AIYou can code the solution y
1) 強化学習のための状態表現学習と世界モデル 強化学習問題において,「状態」は所与のものとして考えがちであるが,必ずしもエージェントの観測そのものを用いることが良いとは限らない.例えば,部分観測問題であれば,エージェントが過去の観測を何らかの形で記憶して利用することが有益であろう.そのため,効率的な強化学習のためには,エージェントの過去の観測から有益な「状態」の表現を学習するようにモデルを設計することが有望である.このような状態表現や状態遷移を学習し,エージェントの環境のモデリングを行うモデルは「世界モデル」[1]や,「内部モデル」と呼ばれており,近年,画像など高次元の入力に対応するために状態表現学習に深層生成モデルを用いる研究が数多く発表されている.これらの研究を,2018年にarXivに投稿されたレビュー論文[2]に基づきながら整理して議論する. 2) 深層生成モデルライブラリPix
Browse State-of-the-Art 10,955 benchmarks 4,908 tasks 131,075 papers with code
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