DANN と ADDA の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.3, 0.5, 0.2] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 mu_t_1 = [2.0, 0.5] sig_t_1 = sig_s_1 mu_t_2 = [2.5, 2.0] sig_t_2 = sig_s_1 mu_t_3 = [3.0, 1.0] sig_t_3 = sig_s_1 y_s = np.random.choice(n_classes, n_s, p = p_s) y_s_one_hot = np.iden
Adversarial Residual Transform Network (ARTN) の実装に関するメモ - Qiita
# generate toy data n_s = 1000 n_t = 1000 n_classes = 3 p_s = [0.4, 0.3, 0.3] p_t = [0.4, 0.3, 0.3] mu_s_1 = [0.0, 0.0] sig_s_1 = [0.2, 0.2] mu_s_2 = [0.0, 1.0] sig_s_2 = sig_s_1 mu_s_3 = [0.5, 0.5] sig_s_3 = sig_s_1 # pattern 1 # mu_t_1 = [2.0, 0.5] # sig_t_1 = sig_s_1 # mu_t_2 = [2.0, 1.5] # sig_t_2 = sig_s_1 # mu_t_3 = [2.5, 1.0] # sig_t_3 = sig_s_1 # pattern 2 # mu_t_1 = [0.5, 0.5] # sig_t_1 =
tensorflowをインストールしたときに引っかかったこと - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/Users/DEN/pyenv/versions/anaconda3-4.1.1/lib/python3.5/site-packages/tensorflow/__init__.py", line 24, in <module> from tensorflow.python import * File "/Users/DEN/pyenv/versions/anaconda3-4.1.
Python matplotlibで棒グラフ（ハッチングと２軸グラフの凡例） - Qiita
はじめに この記事を紹介しようと思ったきっかけは以下の通りです． データ比較用の棒グラフを白黒で作成したかったので，ハッチングにより対応することにしました．色とりどりのグラフはよく見かけますが，今の時代に白黒グラフは以外に少ない？ ２軸グラフを作成する時，凡例部をうまくプログラムできないかと考えていたのですが，気に入った方法が見つかったので，実践してみることにしました． 棒グラフのプログラムは，こちらのサイト を参考に，自前のものを書き換えています． なお，当方の環境は以下のとおりです． MacBook Pro (Retina, 13-inch, Mid 2014) macOS High Sierra Python 3.7.0 matplotlib 2.2.2 ハッチングパターン 下の図は，棒グラフ本体は描画せずに，凡例だけを描画し，余白削除をしたものです． 上の図を描くコードは以下の通り
Seabornで相関をヒートマップにする（行・列を並び替えながら） / Heatmap using Seaborn (order rows and columns as you like) - Qiita
やりたいこと / Purpose Seabornでヒートマップを描くとき、項目の並び順を自由にカスタマイズしたい。 You may want to order entries arbitrarily as you like when drawing a heatmap with seaborn. Here's how to do that. データ準備 / Data preparation はじめに元データを用意します。ここでは、三箇所の場所で四種類の動物を目撃した回数をデータにします。 Prepare a dataset to visualize first. Suppose you went out to three different places and counted how many times you saw some animal species.
Kaggle初心者向けPorto Seguro'sコンペ おすすめKernel一覧 - Qiita
導入 まだ、私は機械学習を学び始めて２ヶ月ぐらいです。 最近Kaggleで学んだ知識を実践しようと取り組んでおり、どういった学習方法がいいのかなーって調べていたら 「KaggleのKenel読むといいよ！！」 ってあったので見てみたのですが 意味不明なコードで書かれたKernelばっかやん😡 そういうわけでなんとかして、初心者向けの簡単なコードで書かれたカーネルを見つけたので紹介していこうと思います。 ちなみにコンペはtkm2261さんのYoutube動画の影響を受けてPorto Seguro'sをやってます。 このコンペはデータが綺麗で、自然言語処理の知識とかも入らないのでtitanicやった後はこのコンペをやることをおすすめします! カーネルに関しては見つけ次第順次追加していく予定です。 もし、初心者におすすめのカーネルがあるよーって方はコメントしてくだされば追加するのでよろしくお願
Spotifyでトップチャートの曲(と自分の曲)の分析 - Qiita
はじめに 3月末に大学でデータ分析系の研究室に配属され、何か手頃なデータで遊んで見たいなぁ〜と思っていたところこんな素晴らしい記事を偶然発見。 Spotifyの76,000曲の属性データを分析した結果、J-RockはRockというよりむしろPunkだった **Spotify**は無料(!)で使えるApple Musicのような定額音楽ストリーミングサービスです。 ↑Spotify の Web Player 前々からSpotifyはかなり使っているのですが、APIの存在はこの記事で初めて知りました。取得できるオーディオ解析のデータの一つ一つもかなり面白そうだったので、これを使う手はない！ということで実際に触って見ました。 今回はSpotifyの曲の情報を取得するAPIを使い、データサイエンティスト一年生かつトラックメイカー四年生の観点から、色々頑張ってみようと思います。 目標 今回の目標は以
seaborn の新バージョン（v0.9.0 (July 2018)）を試してみる - Qiita
概要 What’s new in each version --v0.9.0 (July 2018) seabornがメジャーアップデートをして、バージョン0.9.0がリリースされました。 いくつかの変更点や新たな関数が追加されたようなので、いくつか試してみたいと思います。 特に、散布図のscatterplot()や、線グラフのlineplot()が良さげなので、それについて詳しく見ます。 コードだけ見たい方は、以下の文章は飛ばしてこちらからどうぞ。 注意！ ベータ版なので、アップデート等は自己責任でお願いします。 主な変更点や追加関数 以下、公式ドキュメントの翻訳（意訳）の抜粋。だいぶ粗い訳なので、分かりにくい箇所はドキュメントを参照してください。 新しいグラフ関数が追加された。 relplot() scatterplot() lineplot() relplot()は FacetGri
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
文字ベースCNNによるツイート分類 (成功) - Qiita
Donkey Carの作り方(RasPi側) - Qiita
Donkey Carの作り方(Mac側) - Qiita
Donkey Car学習(Mac側) - Qiita
seabornでhueを指定しながら、重ねてプロットしようとしたらハマった話 - Qiita
Seabornが自動で適用されない - Qiita
seaborn日本語表示設定 - Qiita
seabornをなぜ as snsとしてimportするのか - Qiita
画像認識で硬貨を識別したい その２ 散布図からHSVとRGB(BGR)どちらを使うのが良いか検討 - Qiita
とりあえずのクラスタリング - Qiita
RユーザーのためのPython対応表 [tidyr, ggplot2] - Qiita![RユーザーのためのPython対応表 [tidyr, ggplot2] - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/e68249512ba39fc1d48a9a2bd6e8a4913fd307ad/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFwLW5vcnRoZWFzdC0xLmFtYXpvbmF3cy5jb20lMkYwJTJGMjA0NDg5JTJGcHJvZmlsZS1pbWFnZXMlMkYxNTc0Njg5NTEyP2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPTNhNDgzNTBjMDM4NjYxYzVlMzFlODE3MzBkODQ2M2Rj%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D569586760afdb29a80a0aeb95a5c4cd6%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9UiVFMyU4MyVBNiVFMyU4MyVCQyVFMyU4MiVCNiVFMyU4MyVCQyVFMyU4MSVBRSVFMyU4MSU5RiVFMyU4MiU4MSVFMyU4MSVBRVB5dGhvbiVFNSVBRiVCRSVFNSVCRiU5QyVFOCVBMSVBOCUyMCU1QnRpZHlyJTJDJTIwZ2dwbG90MiU1RCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1wYWQ9MCZzPTljYWM4NTlkYjljNDJjODk5NTI5MWJkMmM2YmY1MWQy%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDB0YWthaXl1ayZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1wYWQ9MCZzPTc4ZTk0NDUxNDQ1NmFiZmUxZTU5Y2EzN2Y5NGVlMGVi%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3Ddfaeb893a849e2683df6a189f9fc80e9)
5000m15分台で走れると思い込むために平国大長距離競技会の全記録分布を可視化する - Qiita
