感覚に頼らない。組織課題をeNPSから分析する方法 - STEAM PLACE
メリークリスマス🎄 この記事はEngineering Manager Advent Calendar 2020の25日目の記事です！ ついにアドベントカレンダーも最終日となりました。 さて、最後の記事は組織課題の分析方法についてまとめました。 組織課題というものは目に見えなくわかりにくいものです。それを分析するにはどうしたら良いでしょうか。 最初に1つ質問です。皆様の組織はどのように組織課題を集めて分析していますか？ これが課題“だと思う”、という直感的な感覚で課題を見つける人も多いでしょう。しかし、それが本当に課題なのかは定かではありません。私たちはあくまでも自分の認知フレームでしか課題を認識できないからです。 本稿では、組織課題を感覚に頼らず定量的に分析していく手法を紹介します。 組織サーベイやっていますか？ 重要指標 eNPS eNPSを上げるにはどうすればいいか アンケートデータ
Amazon Rekognition のガイドラインとクォータ - Amazon Rekognition
翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 Amazon Rekognition のガイドラインとクォータ 以下のセクションでは、Amazon Rekognition を使用する際のガイドラインとクォータについて説明します。クォータは 2 種類あります。[クォータの設定] たとえば、イメージの最大サイズを変更することはできません。[デフォルトのクォータ] にリストされている AWS Service Quotas ページを変更するには、デフォルトのクォータ セクションで説明されている手順に従います。 サポートされるリージョン Amazon Rekognition が利用可能な AWS リージョンのリストについては、アマゾン ウェブ サービス全般のリファレンスの「AWS リージョンとエンドポイント」を参照してくだ
イメージ内の顔の検出 - Amazon Rekognition
翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 イメージ内の顔の検出 Amazon Rekognition には、目、鼻、口などの主な顔の特徴を探して入力画像内の顔を検出する DetectFaces オペレーションがあります。Amazon Rekognition Image は、イメージ内の 100 の大きい顔を検出します。 入力イメージとして、イメージのバイト配列 (base64 でエンコードされたイメージのバイト) を指定するか、Amazon S3 オブジェクトを指定することができます。次の手順では、イメージ (JPEG または PNG) を S3 バケットにアップロードし、オブジェクトのキー名を指定します。 画像内の顔を検出するには まだ実行していない場合: AmazonRekognitionFullAcc
Welcoming Amazon Rekognition Video: Deep-Learning Based Video Recognition | Amazon Web Services
AWS News Blog Welcoming Amazon Rekognition Video: Deep-Learning Based Video Recognition It was this time last year during re:Invent 2016 that Jeff announced the Amazon Rekognition service launch. I was so excited about getting my hands dirty and start coding against the service to build image recognition solutions. As you may know by now, Amazon Rekognition Image is a cloud service that uses deep
Amazon Rekognition Video | AWS
Amazon Rekognition Video は、リアルタイムのストリーミングビデオイベントと保存されたビデオ分析の両方をサポートするフルマネージド型の機械学習 (ML) サービスです。 Amazon Rekognition ストリーミングビデオイベントは、接続されたカメラから得たビデオストリーム上のオブジェクトを検出できる、低コストかつ低レイテンシーのサービスです。Amazon Rekognition ストリーミングビデオイベントは、人物、ペット、パッケージなどの検出済み物体、境界ボックスの座標、検出されたオブジェクトの拡大画像、およびタイムスタンプを返します。目的のオブジェクトが検出されたときに、タイムリーで実用的なアラートを配信できます。 Amazon Rekognition に保存されているビデオ分析は、Simple Storage Service (Amazon S3) に保
ストリーミングビデオの分析結果の読み取り - Amazon Rekognition
翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 ストリーミングビデオの分析結果の読み取り Amazon Kinesis Data Streams クライアントライブラリを使用して、Amazon Kinesis Data Streams 出力ストリームに送信された分析結果を消費することができます。詳細については、「Kinesis Data Streams からのデータの読み取り」を参照してください。Amazon Rekognition Video は、分析された各フレームの JSON フレームレコードを Kinesis 出力ストリームに配置します。Amazon Rekognition Video は、Kinesis ビデオストリームを通じて渡された全てのフレームを分析するわけではありません。 Kinesis データ
月次レポートのダウンロードとエクスポート - Play Console ヘルプ
集計レポートには、アプリの統計情報の統合データ（平均、1 日の合計など）が含まれています。 統計情報: インストール、クラッシュ、評価、定期購入 ユーザー獲得: アプリをアンインストールしていないユーザー、購入者（インストールから 7 日後）、定期購入者 レポートをダウンロードする Google Play Console を開きます。 [レポートをダウンロード] をクリックし、[レビュー]、[統計情報]、[売上] のいずれかを選択します。 [アプリを選択] でアプリ名を入力し、選択します。 ダウンロードするレポートの年と月を選択します。 注: 売上レポートにはアカウント内のすべてのアプリが含まれます。 Google Cloud Storage からレポートをダウンロードする レポートは Google Cloud Storage から取得できます。レポートは毎日生成され、月ごとに CSV フ
試すのが難しい―機械学習の常識はMahoutで変わる
ビッグデータ時代―なぜ、いま機械学習なのか Apache Hadoop（以下、Hadoop）の登場で、今まで捨てていたデータ、貯めるだけで処理しきれなかったデータを活用できるようになりました。 活用手段として最近とみに注目されている技術が「機械学習」であり、Hadoopの強みを生かし簡単に機械学習を行うためのライブラリが、「Apache Mahout」（以下、Mahout）です。 本稿ではMahoutを動かしてみることで、機械学習の常識を身に付けます。 そもそも、機械学習とは？ 機械学習とは、一定のデータをコンピュータ・プログラムに「学習」させ（すなわち、そのデータに潜むパターンや規則性を表す「モデル」を自動的に構築させ）、他のデータにそのモデルを適用すれば、あたかも人間のように複雑で柔軟な判断が行えるようにするという試みです。 機械学習をビジネスに活用した例は、レコメンド（ユーザーや商品
Apache Mahoutの使い方：テキスト分類のアルゴリズムを活用する
ビッグデータ活用：その分析実装として注目されるMahout 長年蓄積した企業内データや、ソーシャルネットワークサービス、センサ端末から集められる膨大なデータを活用し、企業における利益向上やコスト削減などに活用する動きが活発になってきました。 データの分析手段として最近とみに注目されている技術として「機械学習」があります。大規模データの処理を得意とする大規模分散処理基盤「Apache Hadoop」の強みを生かし、簡単に機械学習を行うためのライブラリが、「Apache Mahout」（以下、Mahout）です。 本稿ではMahoutを用いたデータ分析の例として「文書分類」を取り上げます。マシンを用いて分析実行する際の手順や陥りがちなポイント、チューニング方法の一例を紹介します。 Mahoutとは？ MahoutとはApache Software Foundationが公開しているOSSの機械
次元の呪いについて - Qiita
この記事について 以下の観点から高次元空間の性質についてまとめます。 次元数と最近傍・最遠傍との距離の関係 データ数と最近傍・最遠傍との距離の関係 人工データと実データの比較 はじめに 機械学習を使って何らかのタスクを解く上で、データの次元数は常に気にする必要があります。なぜなら、機械学習で扱う多くの問題はデータの次元数が大きくなるごとに難易度が跳ね上がるからです。 「次元の呪い」とも呼ばれるこの問題の原因は、高次元空間の性質にあると言われています。 データの次元数を大きくすると、私達の直感に反する興味深い挙動が確認できます。今回は、高次元空間の性質を簡単な数値実験で調べてみました。 次元の呪いとは データの次元数が高次元になると、データが空間の外側に集中して分布する現象です。 高次元空間の直感的な理解のためには下記が参考になると思います。 次元の呪い、あるいは「サクサクメロンパン問題」
料金 - Amazon QuickSight | AWS
Amazon QuickSight はユーザーのロールごとに料金設定されており、ビジネスニーズに最適な料金モデルを柔軟かつ簡単に選択できます。 リーダーは 3 USD/月という低料金であるため、インタラクティブな分析と自然言語機能により、組織全体にデータインサイトを大規模かつ簡単に提供できます。 ユーザーごとの料金とキャパシティの料金のいずれかを選択します。
株式会社プレイド | データによって人の価値を最大化する
データによって 人の価値を 最大化する人の発想や直感を生かし、 その創造性をテクノロジーで 拡張することで次の社会を拓く
Attacking machine learning with adversarial examples
Adversarial examples are inputs to machine learning models that an attacker has intentionally designed to cause the model to make a mistake; they’re like optical illusions for machines. In this post we’ll show how adversarial examples work across different mediums, and will discuss why securing systems against them can be difficult. At OpenAI, we think adversarial examples are a good aspect of sec
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
Amazon Rekognition
IBM Developer
GitHub - microsoft/DeepSpeed: DeepSpeed is a deep learning optimization library that makes distributed training and inference easy, efficient, and effective.
GitHub - iperov/DeepFaceLab: DeepFaceLab is the leading software for creating deepfakes.
Amazon Forecast（機械学習を使用した正確な時系列予測サービス）| AWS
[C23] 「今」を分析するストリームデータ処理技術とその可能性 by Takahiro Yokoyama
OpenAI
