Statistics 202: Statistical Aspects of Data Mining For this summer's Stats 202 page click here. For the 2007 web page for use in conjunction with the videos on YouTube click here.
機械学習についての論文は次のところで見つけることができます. このリストに加えるべきところをご存知でしたら,ご指摘いただければ幸いです. ディジタル・ライブラリー † ACM Digital Library ICML, KDD, GECCOなどの国際会議プロシーディングス,JMLR誌,CACM誌など. IEEE Xplore ICDMなどIEEE関連の国際会議プロシーディングス. SpringerLink Machine Learning誌,Data Mining and Knowledge Discovery誌,ECML, PRICAI, DSなどの国際会議プロシーディングス. SienceDirect Artificial Intelligence誌など. 情報処理学会電子図書館 情報処理学会誌,情報処理学会論文誌,知識と複雑系研究会(SIG-ICS),情報学基礎研究会(SIG-FI)
In computer science, locality-sensitive hashing (LSH) is a fuzzy hashing technique that hashes similar input items into the same "buckets" with high probability.[1] (The number of buckets is much smaller than the universe of possible input items.)[1] Since similar items end up in the same buckets, this technique can be used for data clustering and nearest neighbor search. It differs from conventio
GW 中の長距離移動のために体調が優れない takahi-i です. 今回は巨大なデータをマイニングする一つの技術として LSH (Localtiy Sensitive Hashing) を紹介させていただきます. LSH とは LSH は大量なデータから類似度が高いインスタンスのペアを高速に抽出してくれるアルゴリズムです. ここでインスタンスはデータ集合の一つの要素を表します. たとえば扱うデータが E-コマースサイトの購買ログであれば, インスタンスは各ユーザですし, 画像データ集合であれば, インスタンスは個々の画像データです. LSH の詳しい解説については以下のサイトがあります. Wikipedia のエントリ LSH に関する論文がまとめられているページ 本稿ではE-コマースサイトの購買履歴データを基に LSH の機能について述べてゆきます. 以下のような E-コマースサイトの
LSH Algorithm and Implementation (E2LSH) Locality-Sensitive Hashing (LSH) is an algorithm for solving the approximate or exact Near Neighbor Search in high dimensional spaces. This webpage links to the newest LSH algorithms in Euclidean and Hamming spaces, as well as the E2LSH package, an implementation of an early practical LSH algorithm. Check out also the 2015--2016 FALCONN package, which is a
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