ニューラルネットワークでプロ野球選手の給与を査定してみる - Qiita
概要 TensorFlowでニューラルネットワークを使い、94人のプロ野球投手の年間の成績から年俸を推定してみます。 訓練データとして89人の成績と年俸を使い、残りの5人の選手の年俸をどれだけ精確に推定できるかを検証します。 注：この記事は選手の年俸についての意見を述べるものではなく、検証の結果はいかなる選手の年俸の不当性を訴えるものでもありません。 入力 以下の33種類のデータを入力として取り扱います。 球団(12個のOne-Hot Vector) 防御率 出場試合数 勝利数 敗北数 セーブ ホールド 勝率 打者 投球回数 被安打 被本塁打 与四球 与死球 奪三振 失点 自責点 WHIP DIPS 所属年数 年齢 国内選手 or 国外選手 各データは最小0、最大1の値を取るように正規化しました。 94人の選手のうち89人のデータを訓練データとして、残りの5人の選手のデータをテストデータと
TensorFlowで回帰をやってみる - Qiita
TensorFlowが出てきたのでMNIST以外で学習をやらせてみました。 回帰を行って相関をだしていきます。 (追記)データ数に対して中間層の出力が多すぎたため中間層の値を修正しました。 ##概要 使うデータはdiabetes weightやbiaseはかなり適当に設定しています。 ##ソースコード import sklearn import tensorflow as tf from sklearn import datasets import numpy as np diabetes = datasets.load_diabetes() #データをロード print "load diabetes data" data = diabetes["data"].astype(np.float32) target = diabetes['target'].astype(np.float32)
TensorFlowチュートリアル - 熟練者のためのディープMNIST（翻訳） - Qiita
TensorFlowのチュートリアル（Deep MNIST for Experts） http://www.tensorflow.org/tutorials/mnist/pros/index.html#deep-mnist-for-experts の翻訳です。 翻訳の誤りなどあればご指摘お待ちしております。 TensorFlowは大規模な数値計算を行うための強力なライブラリです。TensorFlowが優れているタスクの１つは、ディープ・ニューラルネットワークを実装し、訓練することです。このチュートリアルでは、深い畳み込みMNIST分類器を構築しながら、TensorFlowモデルの基本的なビルディング・ブロックを学びます。 このチュートリアルは、ニューラルネットワークとMNISTデータセットに精通していることを前提とします。それらのバックグラウンドを持っていない場合は、初心者のためのチュート
TensorBoardでデータフローを可視化する - Qiita
-supervisor_labels_placeholder = tf.placeholder("float", [None, 3], name="supervisor_labels_placeholder") -input_placeholder = tf.placeholder("float", [None, 3], name="input_labels_placeholder") -feed_dict={input_placeholder: input, supervisor_labels_placeholder: winning_hands} -with tf.Session() as sess: - summary_writer = tf.train.SummaryWriter('data', graph_def=sess.graph_def) +with tf.Graph().
TensorFlowをscikit-learnライクに使えるskflow - Qiita
Pythonで機械学習を行う際によく使われるscikit-learnから、最近話題のTensorFlowを呼び出して使えてしまうという、目がくらむようなライブラリが登場しました。しかもgoogle謹製。それがskflowです。 TF Learn ※0.8.0から、TensorFlow本体に組み込まれました scikit-learnには今までニューラルネットワーク系の実装がなかったのですが、これによりニューラルネットワークはもとより、ディープラーニングまで扱えるようになります。 また、TensorFlow側にとってもscikit-learn側に豊富にあるデータの前処理の機能(Preprocessingなど)と連携できるのは大きなメリットです。 そういう意味では、この二つをつなぐskflowの登場により機械学習処理の構築は非常にやりやすくなると思います。 インストール TensorFlowの0
[AWS]AmazonLinuxの仮想マシンの上にDocker入れて機械学習（TensorFlow）動かす - Qiita
自前の物理環境を用意せずにTensorFlowを動かしたかったので、AWSのmicroインスタンス上に環境を構築した際の手順まとめ。 #TensorFlowって? 2015/11/10にGoogleが公開した機械学習技術のライブラリで、サンプルを眺めただけでも以下のような学習機が使えるようだ。 手書き文字認識 リカレントニューラルネットワーク(RNN) 畳み込みニューラルネットワーク(CNN) ###前提環境 AWS EC2 上のVM Amazon Linux AMI 2015.03.1 (HVM), SSD Volume Type - ami-1c1b9f1c Docker 1.7.1 Ubuntu 14.04LTS(Docker上のコンテナ） AWSへの登録や仮想マシン登録は終わっている前提 ####AWS EC2 上のVMにDocker導入 VMにsshでログインし、以下のコマンドを
![[AWS]AmazonLinuxの仮想マシンの上にDocker入れて機械学習（TensorFlow）動かす - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/b3d52cbc4a658336360629e5b640c1bb6c96048b/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%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGMTAwOTEwJTJGcHJvZmlsZS1pbWFnZXMlMkYxNDczNzA4MjM5P2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZmbT1wbmczMiZzPTU1NWI5N2IyNGQ2YjRiZmU2NDhjNTE1MTcwODJjNDFh%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253De4699f1f27e97c653b791a8430f67908%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBzbm93bW9vbjY0NjcmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz02ODZkNGY2Mjc3YWZlNzZiNDU0YzY2NzE3Y2Y4YjU0ZA%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3Dc633c0a9f0043defa87d109356cbd304)
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
http://hatebutter.com/link?post_id=5582210
Neural Networkをちょっとかじった人のための、はじめてのTensorFlow - Qiita
