なぜDXは分かりにくいのか？なぜDXプロジェクトはPoCで頓挫するのか？DXの全体像と、各種技術のマッピング、 何故DX関連のPoCが失敗するのか、 という怪文章 3時間分の講義資料を10分に極限圧縮しています。講義が必要な方はご連絡ください。Read less
データ収集の基本と「JapanTaxi」アプリにおける実践例
1. Mobility Technologies Co., Ltd. Data Engineering Study #2 データ収集の基本と 「JapanTaxi」アプリにおける実践例 株式会社 Mobility Technologies 渡部 徹太郎 2020/8/19 2. Mobility Technologies Co., Ltd. 自己紹介 2 ID ：fetaro 名前：渡部 徹太郎 学生：東京工業大学でデータベースと情報検索の研究 (@日本データベース学会) 職歴： * 野村総合研究所(NRI) - オンライントレードシステム基盤 - オープンソース技術部隊 * リクルートテクノロジーズ - ビッグデータ分析基盤 * MobilityTechnologies - データエンジニア エディタ：emacs派→ InteliJ派 日本AWSユーザ会(JAWS) ビッグデータ支部長
オニギリペイのセキュリティ事故に学ぶ安全なサービスの構築法 (PHPカンファレンス2019)
2. アジェンダ • オニギリペイとは • オニギリペイの8つの試練 – 試練#1 キャンペーンを実施したら、某筋からお叱りを受ける – 試練#2 ログインIDを発番したのに不正ログインが多発 – 試練#3 二段階認証を強制したのに不正ログインが止まらない – 試練#4 ヘルプデスクが狙われる – 試練#5 スマホアプリの脆弱性を指摘される – 試練#6 スマホアプリのアップデートを広報したらアプリがリジェ クトされる – 試練#7 「あの有名な脆弱性」で大変なことに – 試練#8 WAFを導入したらかえって脆弱になる • 安全なインターネットシステムの構築法 2 3. 自己紹介（大事なことなので、本日3回お伝えします。） 3 徳丸浩の自己紹介 • 経歴 – 1985年 京セラ株式会社入社 – 1995年 京セラコミュニケーションシステム株式会社(KCCS)に出向・転籍 – 2008年 K
失敗から学ぶ機械学習応用
5. 5 目録 ◼ 私の失敗体験談（不均衡データの学習） ◼ 機械学習開発における壁 • 機械学習のビジネスフレームワーク「5D」 • Define（定義する） • Data（データを集める） • Development（開発する） • Deploy（実装する） • Drive（運用する） ◼ ビジネス応用における壁 • AIを使ったキュウリの自動選別 • 機械学習を使って売り上げに貢献する • 機械学習を使わない選択肢 ◼ まとめ 6. 6 目録 ◼ 私の失敗体験談（不均衡データの学習） ◼ 機械学習開発における壁 • 機械学習のビジネスフレームワーク「5D」 • Define（定義する） • Data（データを集める） • Development（開発する） • Deploy（実装する） • Drive（運用する） ◼ ビジネス応用における壁 • AIを使ったキュウリの自動選別 • 機
深層学習の数理
2. １９４６： ＥＮＩＡＣ，高い計算能力 フォン・ノイマン「俺の次に頭の良い奴ができた」 １９５２： Ａ．Ｓａｍｕｅｌによるチェッカーズプログラム 機械学習と人工知能の歴史 2 １９５７：Ｐｅｒｃｅｐｔｒｏｎ，ニューラルネットワークの先駆け 第一次ニューラルネットワークブーム １９６３：線形サポートベクトルマシン １９８０年代：多層パーセプトロン，誤差逆伝搬， 畳み込みネット 第二次ニューラルネットワークブーム １９９２： 非線形サポートベクトルマシン （カーネル法） 統計的学習 線形モデルの限界 非凸性の問題 １９９６： スパース学習 （Lasso） ２００３： トピックモデル （LDA） ２０１２： Supervision （Alex-net） 第三次ニューラルネットワークブーム データの増加 ＋計算機の強化 １９６０年代前半： ＥＬＩＺＡ（イライザ）， 擬似心理療法士 １９８０年代
プロジェクトの基本
13. ディレクター、プロデューサーって？ ● プロジェクトマネージャー、の代わりに、ディレクター、プロデューサーがいるケー スもある。 ● 映画やテレビ業界等では、ディレクターとプロデューサーがいるのが普通 ● チームが大きかったり、外部との調整が必要だったりする場合、責任範囲をディ レクターとプロデューサーで分担する。 ● ウェブ開発においては、プロデューサーの役割をオーナー側が担うケースもあ る。 役割 立場 責任を持つもの 責任を持たないもの プロジェクトマネージャー プロジェクト責任者 期間 リソース 品質、スコープ プロデューサー 経済的な責任者 期間 リソース 品質 ディレクター 品質面の責任者 期間 品質、スコープ リソース
機械学習システムのアーキテクチャアラカルト
1. 株式会社ブレインパッド 2019年2月15日 @ デブサミ 2019 機械学習システムのアーキテクチャ アラカルト ～ BrainPad における実例を交えて～ 1 2. 太田 満久 ● Deputy General Manager @ BrainPad Inc. ● Google Developers Expert (ML) ● Organizer of TensorFlow User Group. ● A Steering Committee of MLSE ● A Committee of JDLA 4. © BrainPad Inc. BrainPad: 最高の価値提供を可能にする3つの力 2004年の創業以来、ブレインパッドがデータ活用をお手伝いした企業は800社を超えま す。幅広い業界を対象として、豊富に積み上げられたナレッジを武器に、お客様の経営課 題を 解決に導きます
サマータイム実施は不可能である
3. 何故不可能なのか • 多くの情報システムが「時間」を基準に動作 • この情報システムがあまりにも多い • 政府・自治体の情報システムはもちろん 医療・交通運輸・金融・エネルギー・通信放送・防衛… の重要インフラシステムから 企業内の業務・財務・人事給与等のシステム、 家庭内のテレビ・エアコンなどの家電まで • これらの時間変更の工数が膨大 • 手動設定できるものは手間だがまだマシ • 自動設定するものこそ「正しく自動設定」されるか不明 • しかも特に24時間動作のシステムにおいて 夏時間実施前後で誤動作の可能性が高く要精査 理由が判明しても修正が不可能の場合多々あり 4. 大きな見積もり • 国・自治体や重要インフラ企業の 業務を支える情報システムの修正は 必要性の調査・予算見積と確保・ 設計・修正作業・テスト・実施まで 含めて4～5年は必要と思われる • 民間企業においても最低3年
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
The document describes various probability distributions that can arise from combining Bernoulli random variables. It shows how a binomial distribution emerges from summing Bernoulli random variables, and how Poisson, normal, chi-squared, exponential, gamma, and inverse gamma distributions can approximate the binomial as the number of Bernoulli trials increases. Code examples in R are provided to
ggplot2再入門（2015年バージョン）
最新版はこちら： https://speakerdeck.com/yutannihilation/ggplot2zai-ru-menRead less
また巨大数の話
37. 𝐵 1,1 = 𝐵 0, 𝐵 1,0 = 𝐵 0, 𝐵 0,1 = 𝐵 0,2 = 3 【ルール①】 もし前の数が0なら、後ろの数を強化前の機械Ａ に入れて計算する （ここでは𝑥 + 1） 38. 𝐵 1,1 = 𝐵 0, 𝐵 1,0 = 𝐵 0, 𝐵 0,1 = 𝐵 0,2 = 3 【ルール②】 もし後ろの数が0なら、前の数を１減らして 後ろの数を１にする 39. 𝐵 1,1 = 𝐵 0, 𝐵 1,0 = 𝐵 0, 𝐵 0,1 = 𝐵 0,2 = 3 【ルール③】 もし前の数も後ろの数も０でないなら、前の数を １減らし、後ろの数を「元のやつの後ろの数を １減らしたもの」にする
機械学習で泣かないためのコード設計
28. 28 Appendix: API一覧(1/3) Model • constructor: モデルに必要な構成要素(隠れ層)などの定義 • forward(inference): constructorで定義した構成要素を利用し、入力を出 力にする(伝搬)プロセスを定義する。 • 学習中とそうでない場合で構成が変わる場合(Dropoutなど)、それを引数 に取る。※ここでlossを出さないこと(出してもいいが、outputもちゃんと 返す) ModelAPI • constructor: 最低限Modelのパスを取得し、読み込む • predict: 配列などの一般的な変数から、Modelを利用した予測値を返す 29. 29 Appendix: API一覧(2/3) Trainer • constructor: modelと学習に必要なパラメーターを受け取る。 DataProcess
FeliCa/NFCの概説とAndroidの対応状況
Gingerbreadで正式対応となったNFC。FeliCaとNFCの関係について理解を深め、FeliCa/NFCによってどんなことができるようになるか、そのヒントをFeliCaでの経験を踏まえながらご紹介します。 (ABC2011Winter ソニーFeliCa事業部 講演資料)Read less
1
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
https://www.slideshare.net/KenichiHayashi/abeja-ai
なぜコンピュータを学ばなければならないのか 21世紀の君主論
AI開発を円滑に進めるための契約・法務・知財
Burberry’s Digital Marketing Strategy
Trends + Trendsetters: The Best in Beauty Content Marketing
Trends + Trendsetters: The Best in Fashion Content Marketing