出版されてから少し時間がたってしまったけど,「データ分析基盤入門」を読み終えた.ページ数が多く,持ち運ぶようなサイズではないので,家でちょこちょこ読み進める感じになってしまって,想定以上に時間がかかってしまった. データ分析基盤構築入門[Fluentd、Elasticsearch、Kibanaによるログ収集と可視化] 作者: 鈴木健太,吉田健太郎,大谷純,道井俊介出版社/メーカー: 技術評論社発売日: 2017/09/21メディア: 単行本(ソフトカバー)この商品を含むブログを見る はじめに 目次にも書いてある通り,「データ分析基盤」というテーマで Fluentd / Elasticsearch / Kibana の解説が詳細にまとまっている.さらに付録には Embulk と Digdag の解説もあり,このあたりの技術スタックに興味がある人にとって最高な一冊なのではないかなと思う.また,
導入 回帰モデル構築の際、汎化性能を向上させるために正則化の手法がたびたび用いられます。これは、考えているデータ数に対して特徴量の数が非常に多い場合や、特徴量間に強い相関(多重共線性)がある場合に有効な方法となっています。このような場合に、通常の回帰モデル構築の際に用いられる2乗誤差などの目的関数に加え、ノルム(は正整数)のような正則化項(もしくは罰則項)加えて最適化をおこなうことで先程の問題を解消することができます。こういった正則化項を加えた上でモデルの最適化をおこなう( = パラメータを推定する)方法を、正則化法といいます。 代表的な正則化法に、Lasso, Ridge, Elastic Net回帰があります。これらは、解釈性も含めた特徴があり、必ずしも高精度のものだからよいわけではない、というのが私の考えです。しかし一方で、{caret}を使ってこの中で最も精度がよいものを採用しまし
Disney Research、機械学習を用いて雲のシミュレーションを効率的かつ精密に再現する手法「Deep Scattering」を論文にて発表 2017-11-19 Disney Researchの研究者らは、モンテカルロ積分と機械学習の組み合わせを用いて、大気中の雲の画像を効率的かつ精密に再現する手法「Deep Scattering」を論文にて発表しました。 Deep Scattering: Rendering Atmospheric Clouds with Radiance-Predicting Neural Networks(PDF) Radiance-Predicting Neural Networks(RPNN)と呼ぶディープニューラルネットワークを用いて、各シェーディング構成の輝度関数を予測し、雲内部の多重散乱光を再現します。雲の後ろで銀色に輝くシルバーライニングや、エッジ
東京大学(東大)は、機械学習の転移学習という技術を活用して人工知能が繰り返し成長することで、物質の界面の構造を決定するための計算コストを1/3600まで削減することに成功したと発表した。 同成果は、東京大学生産技術研究所の溝口照康 准教授、小田尋美氏、清原慎氏、東京大学大学院新領域創成科学研究科の津田宏治 教授らの研究グループによるもの。詳細は日本の学術誌「Jounal of the Physical Society of Japan」に掲載された。 界面は、物質の電気伝導性やイオン伝導性、耐久性などの機能に役割を果たしている。界面の構造は結晶とは異なっており、その構造が界面における機能の起源だ。つまり、界面の機能を理解するためには、界面固有の構造を明らかにすることが不可欠だ。 一方で、同じ物質でも無数の種類の界面が存在し、それぞれの界面が異なる構造をもっている。さらに、その中の1種類の界
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