受信者操作特性 - Wikipedia
英語版記事を日本語へ機械翻訳したバージョン（Google翻訳）。 万が一翻訳の手がかりとして機械翻訳を用いた場合、翻訳者は必ず翻訳元原文を参照して機械翻訳の誤りを訂正し、正確な翻訳にしなければなりません。これが成されていない場合、記事は削除の方針G-3に基づき、削除される可能性があります。 信頼性が低いまたは低品質な文章を翻訳しないでください。もし可能ならば、文章を他言語版記事に示された文献で正しいかどうかを確認してください。 履歴継承を行うため、要約欄に翻訳元となった記事のページ名・版について記述する必要があります。記述方法については、Wikipedia:翻訳のガイドライン#要約欄への記入を参照ください。 翻訳後、{{翻訳告知|en|Receiver operating characteristic|…}}をノートに追加することもできます。 Wikipedia:翻訳のガイドラインに、より
自然対数 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "自然対数" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL（2015年9月） 自然対数函数のグラフ: この函数は x の増加に伴って緩やかに正の無限大に発散し、x が 0 に近づくにともなって緩やかに負の無限大へ発散する（つまり y-軸はひとつの漸近線となる）。ここに、「緩やか」とは任意の冪乗則（冪函数あるいは多項式函数の増大度）との比較においてそれらよりも弱いことを意味する。 実解析において実数の自然対数（しぜんたいすう、英: natural logarithm）は、超越数であるネイピア数 e (≈ 2.718281828459) を底と
ロジスティック写像 - Wikipedia
ロジスティック写像の振る舞いをクモの巣図法で示した図。初期値を0.2としてパラメータ（図中の r）を 1 から 4 まで増やしたときに起こる振る舞いの変化がアニメーションで示されている。 ロジスティック写像（ロジスティックしゃぞう、英語: logistic map）とは、xn+1 = axn(1 − xn) という2次関数の差分方程式（漸化式）で定められた離散力学系である。単純な2次関数の式でありながら、驚くような複雑な振る舞いを生み出すことで知られる。ロジスティックマップ[1][2][3]や離散型ロジスティック方程式（英語: discrete logistic equation）[4][5][6]、単に2次写像族[7][8]や2次関数族[9][10]とも呼ばれる。 ロジスティック写像の a はパラメータと呼ばれる定数、x が変数で、適当に a の値を決め、最初の x0 を決めて計算すると
Decision tree learning - Wikipedia
Decision tree learning is a supervised learning approach used in statistics, data mining and machine learning. In this formalism, a classification or regression decision tree is used as a predictive model to draw conclusions about a set of observations. Tree models where the target variable can take a discrete set of values are called classification trees; in these tree structures, leaves represen
時系列データ分析の処理でやってはいけないこと（反省を含めて） - Qiita
（追記1）用語（"in-sample", "out-of-sample")の使い方が不適切との指摘をいただきました．本記事の後半部にこの点，追記いたしました． （追記2）を後半部に加えました． Qiita投稿した後，内容の誤りに気がついても，手間を惜しんでそのままになってしまいがちである．ごく小さな誤記であればまだいいが，理論的な誤りや勘違いにおいては，間違った発信が続いていることには違いなく，反省しなければならない．（記事削除が手っ取り早いのですが，「いいね」がついていたりすると削除も失礼かと... ） さて，以前 回帰モデルの比較 - ARMA vs. Random Forest Regression - Qiita で時系列データからLag（遅れ）を特徴量として使う Random Forest回帰のやり方を紹介している． 今回は単変量の時系列データであるが，いくつかの過去のデータ使っ
【機械学習】iPython NotebookでSparkを起動させてMLlibを試す - Qiita
SparkをiPython Notebook(Jupyter)で動作させ、MLlibを動かしてみるテストです。クラスタリング（KMeans）、分類:Classification（SVM, ロジスティック回帰, Random Forest）をirisデータで試しました。 環境 OS: Mac OSX Yosemite 10.10.3 Spark: spark-1.5.0-bin-hadoop2.6 Python: 2.7.10 |Anaconda 2.2.0 (x86_64)| (default, May 28 2015, 17:04:42) 本稿では上記の環境で行ったものを記載していますので、他の環境では設定が異なる場合もあるかと思いますのでご注意ください。 1. Sparkバイナリのダウンロード&配置 http://spark.apache.org/downloads.html から s
OpenPoseを動かしてみた。 - Qiita
目次 1.OpenPoseを動かしてみた。 2.OpenPoseチュートリアルのソースコードを読む。 3.WindowsでOpenPoseを動かしてみた。 4.OpenPoseのFace Estimationを動かしてみた。 5.OpenPoseのHand Estimationを動かしてみた。 背景 CVPR2017で発表された、DeepLearningを使った、単眼カメラでのスケルトン検出アルゴリズムが、OpenPoseという名称でライブラリ化・公開されました。 早速、Ubuntu(1404)で、OpenPoseのPose Estimationを動かしてみたので、手順を解説します。 https://github.com/CMU-Perceptual-Computing-Lab/openpose 上記画像ソースは、［ ぱくたそ（www.pakutaso.com）］様のフリー写真素材を使用し
画像管理をActiveStorageからCarrierWaveへ乗り換えた話 - dely Tech Blog
本記事は dely Advent Calendar 2019 22日目の記事です。 qiita.com adventar.org 昨日はiOSエンジニアのknchstが「“ダーク“な2019年」という記事を書きました。 tech.dely.jp こんにちは、delyでサーバーサイドエンジニアをやっているyamanoiです。 弊社のとあるプロダクトにて画像アップロード処理周りに、ActiveStorageを使用していたのですが、使いづらい点がいくつかあったため、採用実績があったCarrierWaveへ乗り換えました。 この記事ではなぜ乗り換えたのかと、乗り換える手順を書いていきたいと思います。 なぜActiveStorageから乗り換えたのか 1. CDNとの相性が悪い 2. 画像のリクエストがRailsに向いてしまう 3. DBへのリクエストが頻繁に走る CarrierWaveへ乗り換える
Extracting, transforming and selecting features - Spark 3.5.1 Documentation
Extracting, transforming and selecting features This section covers algorithms for working with features, roughly divided into these groups: Extraction: Extracting features from “raw” data Transformation: Scaling, converting, or modifying features Selection: Selecting a subset from a larger set of features Locality Sensitive Hashing (LSH): This class of algorithms combines aspects of feature trans
IATA airport code - Wikipedia
This article needs additional citations for verification. Please help improve this article by adding citations to reliable sources. Unsourced material may be challenged and removed. Find sources: "IATA airport code" – news · newspapers · books · scholar · JSTOR (February 2021) (Learn how and when to remove this message) A baggage tag for a flight heading to Oral Ak Zhol Airport, whose IATA airport
ミラのニコラオス - Wikipedia
ミラのニコラオスあるいはミラの聖ニコラオ（270年頃 - 345年または352年12月6日）はキリスト教の主教（司教）、神学者である。小アジアのローマ帝国リュキア属州のパタラの町に生まれ、リュキアのミラで大主教をつとめた。1087年にイタリアのバーリに聖遺物（不朽体）が移されたために「バーリのニコラウス」とも呼ばれる[1]。聖人の概念を持つ全ての教派で、聖人として崇敬されている。 呼称[編集] 正教会での正式な称号も付けられた呼び名は「ミラ・リキヤの大主教奇蹟者聖ニコライ」（日本ハリストス正教会発行の正教会暦より）であり、篤く崇敬されている。日本に正教会の教えをひろめた聖ニコライとは別人である（ただし守護聖人として聖名を用いている）。 各国語での表記[編集] ギリシア語 - ニコラオス (Νικόλαος) ラテン語・ドイツ語 - ニコラウス (Nicolaus, Nikolaus) 英語
にゃんこそば🌗データ可視化 on Twitter: "「クルマ社会と電車社会の境目はどこにあるんだろう？」と思い、簡単に可視化してみた。 2010年国勢調査のデータより、【15歳以上の男性が通勤で使う交通手段1位】で塗り分け。 複数回答なので、例えば「駅まで車・駅から電車」の人は自… https://t.co/fGe8KG99d0"
「クルマ社会と電車社会の境目はどこにあるんだろう？」と思い、簡単に可視化してみた。 2010年国勢調査のデータより、【15歳以上の男性が通勤で使う交通手段1位】で塗り分け。 複数回答なので、例えば「駅まで車・駅から電車」の人は自… https://t.co/fGe8KG99d0
エラーページ - ヤフー株式会社
指定されたURLは存在しません。 URLが正しく入力されていないか、このページが削除された可能性があります。
トップ｜一般社団法人データサイエンティスト協会
About us データサイエンティスト協会とは データサイエンティストが活躍する場の確保、拡充を実現し、エンパワーメントする 2013年に発足した当協会は、データサイエンティストに求められるナレッジやスキルの定義、実態調査、ガバメントリレーションを含む情報発信、セミナー・トレーニング・検定プログラム等の提供、他団体との協業などを通じて、データサイエンティストを取り巻く環境を整備してきました。コミュニティ活動などを通し、データサイエンティストやそれを目指す学生や採用する企業、育成する教育機関のみなさまと交流し、業界の発展に貢献していきます。
read コマンドの使い方 - 拡張 POSIX シェルスクリプト Advent Calendar 2013 - ダメ出し Blog
拡張 POSIX シェルスクリプト Advent Calendar 2013、13日目の記事です。 今日のネタは組込みコマンド read の解説と使い方を紹介します。 read コマンドとは? read の基本仕様・動作は次の通りです。 シェルの組込みコマンドである。 標準入力を読み、一行読み込むか EOF になると終了する。 終了コードは、行を読み込めたときは 0、 読み込めなかったとき (EOF も含む) は 1 となる。 引数にシェル変数名が指定されていたら読み込んだ行を変数に格納する。 読み込んだ行の末尾に改行が付いていたら削除した値となる。 引数のシェル変数名が複数指定されていたら区切り文字 (デフォルトはスペースとタブ。シェル変数 $IFS の値) で分割して変数に格納する。 入力の区切り文字はバックスラッシュ \ で分割をエスケープすることができる。 代表的なオプションは次の
doctest — Test interactive Python examples
doctest — Test interactive Python examples¶ Source code: Lib/doctest.py The doctest module searches for pieces of text that look like interactive Python sessions, and then executes those sessions to verify that they work exactly as shown. There are several common ways to use doctest: To check that a module’s docstrings are up-to-date by verifying that all interactive examples still work as documen
Python defaultdict の使い方 - Qiita
概要 Python には dict という、所謂辞書を扱う型が存在します。 dict は「key: value」の組を保持する型です。 dict でも問題ない場合も多くまたdictの方が要件に適合している場合もありますが、defaultdict を利用すると処理が簡単になる場合もあります。 dict の おさらい Python を利用して dict を利用しない事はありませんが、dict の動作を簡単におさらいしてみます。 とりあえず、処理するサンプルデータを最初に生成しておきます。 # 英小文字で構成された、ランダムな100文字を生成 import random import string n = 100 val_str = ''.join([random.choice(string.ascii_lowercase) for i in range(n)]) print(val_str)
Python+PuLPによるタダで仕事に使える数理最適化（ → Python-MIPがお勧め → SCIPソルバーが利用できるのでやっぱりPuLPがお勧め → 現状はSCIP専用のPySCIPOptを使おう） - Qiita
Python+PuLPによるタダで仕事に使える数理最適化（ → Python-MIPがお勧め → SCIPソルバーが利用できるのでやっぱりPuLPがお勧め → 現状はSCIP専用のPySCIPOptを使おう） Python最適化pulp数理最適化数理計画 追記（2023/06/05） 数理最適化ソルバー SCIP 専用の Python インターフェース PySCIPOpt の記事を書きました。 本追記時点で Python から SCIP を使用する方法としては、この PySCIPOpt がいちばんよいと思います。 追記（2022/11/08） 数理最適化ソルバーSCIP ですが、 Since November 4, SCIP is licensed under the Apache 2.0 License. となりました。SCIPは無償のソルバーの中では速いので、それが商用利用可能になった
Community tutorials — pandas 1.5.1 documentation
Community tutorials# This is a guide to many pandas tutorials by the community, geared mainly for new users. pandas cookbook by Julia Evans# The goal of this 2015 cookbook (by Julia Evans) is to give you some concrete examples for getting started with pandas. These are examples with real-world data, and all the bugs and weirdness that entails. For the table of contents, see the pandas-cookbook Git
scikit-learn Tutorials
Note Doctest Mode The code-examples in the above tutorials are written in a python-console format. If you wish to easily execute these examples in IPython, use: in the IPython-console. You can then simply copy and paste the examples directly into IPython without having to worry about removing the >>> manually.
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
Classification and regression - Spark 3.5.1 Documentation
Wise（ワイズ）：グローバルなアカウント | 国境のない金融
Cloudera
Spark Machine Learning Pipeline by Example
UCI Machine Learning Repository: SMS Spam Collection Data Set
調査・研究委員会－データサイエンティスト協会一般(個人)会員向けアンケート調査結果｜一般社団法人データサイエンティスト協会
pyspark.sql module — PySpark 2.3.1 documentation
Python TUPLE – Pack, Unpack, Compare, Slicing, Delete, Key
8.3. collections — コンテナデータ型 — Python 3.6.5 ドキュメント
ディープロ | DIVIC
Optimization with PuLP — PuLP 1.6.0 documentation
Scrapy at a glance — Scrapy 2.11.2 documentation