JupyterでTensorFlowが使えるDockerイメージ - めもめも
Jupyterとは？ まず、Jupyterの紹介をすると、これは、Python（IPython）による対話的なデータ分析処理をWebブラウザ上の「ノートブック」で実施するツールです。下記のように、Markdownで記述した文章とコード、そして、その実行結果が記録されていきます。 作成したノートブックは、JSON形式でエクスポートしてGitHubで共有することができます。GitHubのWebサイトでは、自動的にノートブック形式にレンダリングして表示されるようになっています。現在は、Tex形式の数式がうまく表示されない問題があるようですが、下記のような感じになります。 ・ロジスティック回帰による二項分類器の作成 また、受け取ったノートブックは、自由にコードを修正して再実行することができますので、データ分析のコードとその説明をノートブックにまとめておけば、「実行できる教科書」が実現することになり
【機械学習】ディープラーニング フレームワークChainerを試しながら解説してみる。 - Qiita
今話題のDeep Learning(深層学習)フレームワーク、Chainerに手書き文字の判別を行うサンプルコードがあります。こちらを使って内容を少し解説する記事を書いてみたいと思います。 (本記事のコードの全文をGitHubにアップしました。[PC推奨]) とにかく、インストールがすごく簡単かつ、Pythonが書ければすぐに使うことができておすすめです！ Pythonに閉じてコードが書けるのもすごくいいですよね。 こんな感じのニューラルネットワークモデルを試してみる、という記事です。 主要な情報はこちらにあります。 Chainerのメインサイト ChainerのGitHubリポジトリ Chainerのチュートリアルとリファレンス 1. インストール まずは何はともあれインストールです。ChainerのGitHubに記載の"Requirements" ( https://github.co
xgboostとgbmのパラメータ対応一覧をつくる - 盆栽日記
GBM(GBDT)は便利だ。randomforestに比べると速いし、性能も高い。 で、たまたまこちらの記事を読んでいたら、どうも自分が知っているgbmパッケージとパラメータ名が違う。 とりあえず移植にあたって調べたけど絶対に忘れるので、xgboostパッケージとgbmパッケージのパラメータ対応を以下にメモしておく。 なお、初期値が違ったりするので注意。 n.minobsinnodeについては、おそらく、といったレベルなのでこれも注意。 gbm xgboost n.trees nrounds interaction.depth max.depth bag.fraction subsample distribution objective n.cores nthread n.minobsinnode min_child_weight? xgboostパッケージのパラメータ一覧はここから。 h
Pylearn2を使って手書き文字認識を行う - Qiita
Pylearn2を使って手書き文字認識を行います。 Pylearn2のインストール方法については割愛します。 画像の表示を行うために環境変数 PYLEARN2_VIEWER_COMMAND の設定をしておいてください。 今回使ったソースコードはGithubにアップロードしてあります。 https://github.com/dsanno/pylearn2_mnist データをダウンロードする データはMNIST databaseを使います。 以下のデータセットとなっています。 1個のデータは28 x 28 ピクセルの白黒画像で、0から9までの数字のうち1つが描かれている 学習用データ60000個 テストデータ10000個 pylearn2には、いくつかのデータセットをダウンロードしたり加工したりするスクリプトが含まれています。 MNIST databaseをダウンロードするにはpylearn
pylearn2 入門したい編 - laughingのブログ
vagrant install とか pylearn2 install 済みの vm 作成など vagrant install する 手早く vagrant 環境を整えて*1 (ref:http://blog.papix.net/entry/2013/04/27/141608 )， github にある pylearn2 用の box を使って pylearn2 が実行出来る環境を作る *2 vagrant up する git clone https://github.com/ironchief/pylearn2_vagrant.git cd pylearn2_vagrant vagrant upを実行するだけだが，cpu によっては vt-x が使えなかったりするので*3， 下記のように 32bit OS を見るように Vagrantfile を編集する *4 diff --git a/
kaggleにpythonを使ってみる(3) 〜sklearn - 忘れないようにメモっとく
sklearnのランダムフォレストを使う。 前回の予測モデルは、線形モデルのロジスティック回帰。 今回は、ensembleモジュール内にあるランダムフォレストを試してみる。 あと、データを加工するときとか、評価するときの便利メソッドもいくつかメモ。 from sklearn import preprocessing from sklearn import ensemble import pandas as pd 最初にインポートするのは、preprocessingモジュールとensembleモジュール。 sklearn.preprocessing preprocessingモジュールは、生データを処理して、後々の解析に適した整形をしてくれる。 実際に、練習用csvを読み込んで使ってみる。 LabelEncoder()は、カテゴリカルデータを、数値(ラベル)で表現するメソッド。 train
seaborn: statistical data visualization — seaborn 0.13.1 documentation
Seaborn is a Python data visualization library based on matplotlib. It provides a high-level interface for drawing attractive and informative statistical graphics. For a brief introduction to the ideas behind the library, you can read the introductory notes or the paper. Visit the installation page to see how you can download the package and get started with it. You can browse the example gallery
パッケージユーザーのための機械学習(8)：混合モデルとEMアルゴリズム - 六本木で働くデータサイエンティストのブログ
教師なし学習シリーズもいよいよ佳境に入ってきましたねー、と言いつつ前回記事から既に2ヶ月半ぐらい経ってますが。。。ここからは主に混合モデルを取り上げていく予定です。今回もはじパタpp.165-174をベースにやっていきます。 はじめてのパターン認識 作者: 平井有三出版社/メーカー: 森北出版発売日: 2012/07/31メディア: 単行本（ソフトカバー）購入: 1人 クリック: 7回この商品を含むブログ (4件) を見る もちろん細かいところはPRMLなどでチェックすると良いかと思います。PRMLなら下巻の第9章が丸々そのまま混合モデルとEMアルゴリズムの解説に充てられているので、はじパタで説明が足りないなと思ったところについては参照してみてください。 まずRでどんなものか見てみる いつも通りですが、GitHubに置いてある多変量データで試してみましょう。これまたいつも通りdとかいう名前
「D3.js」を使ったデータビジュアライゼーション
Webやスマートデバイス、センサーなどあらゆるものから情報を収集出来るようになり、世の中には膨大なデータが溢れかえっています。また、ビッグデータやデータサイエンティストといったキーワードに注目が集まり、データ活用への期待が高まっています。しかし、単純に収集したデータはそのままでは見づらく、そこから意味を汲み取ることは困難です。そこで、データの見せ方や伝え方が重要になってきます。 D3.jsとは D3.jsは、Mike Bostock（mbostock）が作成したデータ可視化用途で人気のJavaScriptライブラリで、データをDOMと結びつけ、データ駆動によりグラフを作成することができます。ソースコードはGithubで公開されており、人気を表すStarの数がGithubに公開されているリポジトリ全体で6番目に多いことからも、注目の高さが伺えます（2013/10現在）。ライセンスは修正BSD
New Year, New CEO for GitHub
ProductNew Year, New CEO for GitHubIt's a brand new year, and each year calls for reflection on where we've been, where we're going, and how each of us here at GitHub can best focus our… It’s a brand new year, and each year calls for reflection on where we’ve been, where we’re going, and how each of us here at GitHub can best focus our talents and energy. To kick off 2014 I’ve asked my long-time f
pythonbrew を使って複数バージョンの Python をインストール
pythonbrew を使って複数バージョンの Python をインストール OS に元から入っている環境をあまりいじらずに使いたかったので pythonbrew を使ってみました。 pythonbrew is a program to automate the building and installation of Python in the users $HOME. pythonbrew is inspired by perlbrew and rvm. utahta/pythonbrew - GitHub以下インストールのメモ。utahta/pythonbrew - GitHub の Installation、Macにpythonbrew+virtualenvでPython環境を作ってみた - ぱせらんメモ 等を参考に。 pythonbrew をインストール $ curl -kL h
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
GitHub - muupan/dqn-in-the-caffe: An implementation of Deep Q-Network using Caffe
neologd/mecab-ipadic-neologd: Neologism dictionary based on the language resources on the Web for mecab-ipadic
GitHub - yutakikuchi/Data
TechCrunch | Startup and Technology News
GitHub - skardhamar/rga: R Google Analytics
GitHub - nachocab/clickme: An R package to create interactive plots
GitHub - nachocab/clickme: An R package to create interactive plots
GitHub - nachocab/clickme: An R package to create interactive plots
http://yusugomori.com/s/toshin-button