AtCoder (アットコーダー) 毎週アルゴリズム系のプログラミングコンテストを開催しているAtCoderですが、それを使って、どのように勉強すれば良いのか？というのは、結構困っている人がいるようです。 そこで、社長お勧めの、誰でも簡単に続けられる勉強方法を伝授します。 １、コンテストに参加する とりあえず、AtCoderで勉強をしたいなら、過去問を解くより、リアルタイムのコンテストに参加することがお勧めです。 自分ではなかなか勉強する気が起こらない・・・。という人でも、時間が決まったコンテストであれば参加できる、という人は多くいるようです。 たまに開催出来ないことがありますが、毎週土曜日、午後9時から10時半、または11時まで、コンテストが開催されています。 ある程度コンテストに慣れた人向けのAtCoder Regular Contestと、初心者～中級者向けのAtCoder Begi

この記事は情報系を勉強する女子大生 Advent Calender 2017の16日目の記事です． qiita.com 16日目担当のNoiminです． 情報系学科の学部4年で，自然言語処理の研究室に所属しています(自然言語処理は本アドベントカレンダーでもasai0304さんが取り上げてくださっていますね)． 去年から趣味として競技プログラミングをかじっています．実力はまだまだですが楽しくやっています． 今日はその競技プログラミングを話題にしたいと思います． 競技プログラミング/AtCoderとは 各サイト紹介 AtCoder Problems AtCoder Scores AtCoder Rating Estimator AtCoderRatingGraphComparison AtCoder Stats Rating History AtCoder Finder AtCoder Rat

0. はじめに この記事を最初に書いたのは 2018 年春です。 その頃と時代の変化もあったので全体的に書き直しました！ AtCoder の始め方については AtCoder に登録したら次にやること ～ これだけ解けば十分闘える！過去問精選 10 問 ～ に記載しています。 1. AtCoder レーティングの相場について AtCoder のレーティングは以下のように色分けされています。レベル感の説明については、AtCoder 社長による見解を参考にしました。 AtCoder 社長による参考ツイート (茶・緑・水色のレベル感) AtCoder 社長による参考ツイート (青・黄色のレベル感) AtCoder 社長による参考ツイート (青のレベル感) レーティング 色 AtCoderJobs ランク レベル感

本記事を終えた次は？ AtCoder Beginners Selection を終えたら、AtCoder 上の過去問が AtCoder Problems に集大成されていますので、片っ端から埋めるような気持ちで精進していきましょう。本記事の続編として AtCoder 版！蟻本 (初級編) AtCoder 版！蟻本 (中級編) AtCoder 版！蟻本 (上級編) AtCoder 版！蟻本 (発展的トピック編) も執筆しましたので参考にしていただけたらと思います。また、アルゴリズムとデータ構造に関するトピックを集大成した書籍として、 問題解決力を鍛える！アルゴリズムとデータ構造　(通称、けんちょん本) を上梓しました。ぜひ読んでみてください。 1. AtCoder とは AtCoder は以下のコンテストサイトを運営しています。今後常に訪れることになるサイトです: AtCoder コンテスト

<a href="https://atcoder.jp/contests/abc331">大和証券プログラミングコンテスト2023（AtCoder Beginner Contest 331）</a> が開催されます。 - コンテストページ： https://atcoder.jp/contests/abc331 - 開始時刻： <a href='http://www.timeanddate.com/worldclock/fixedtime.html?iso=20231202T2100&p1=248' target='blank'><time class='fixtime fixtime-full'>2023-12-02 21:00:00+0900</time></a> - コンテスト時間： 100 分 - Writer： <a href="/users/kyopro_friends" cla

先月、docomoがdエンジョイパスという新サービスを開始した。税抜月額500円で、レジャー、スポーツ、グルメなどのサービスで優待が受けられるというものだ。 https://gp.dmkt-sp.jp 55歳以上を主なターゲットにしているらしく、私はシニア関連の仕事をしているため、興味本位で触ってみることにした。だがその中で、運営元の倫理観を疑わずにはいられないサービスに遭遇したため、ここで共有することにした。 dエンジョイパスには「趣味人倶楽部コミュニティで交流する」というメニューがあった。メニューを押すと、趣味人倶楽部(しゅみーとくらぶ)という、外部のサイトに飛んだ。趣味を持つ人達とコミュニケーションが楽しめるSNSらしい。どうやらこの趣味人クラブ自体もシニア向けのサービスのようだった。 いくらか触ってみると、日記や写真を投稿したり、コミュニティやイベントを立てて交流するサービスであっ

2019年12月12日追記：家電会議を終了しました。ご利用いただいた皆様、ありがとうございました。 2016年9月8日にサービスを開始して以来、ユーザーの皆さまにご利用、ご愛用いただいてきた「家電会議」ですが、2019年12月12日をもちまして終了させていただきます。また、これに伴い、ソニーホームエンタテインメント＆サウンドプロダクツ株式会社が運営するVideo & TV SideViewに、家電会議の一部ページを利用し提供していた「話題のTVニュース」枠も終了します。ご利用いただいているユーザーの皆さま、大変申し訳ございません。深くお詫びいたします。 家電会議は、はてなブックマークの機能や膨大なブックマークデータを活用し、機械学習などを用いながら家電やエンターテイメント情報に特化した実験的なサイトでした。これらのページについては、2019年12月12日以降はご利用いただけなくなります。た

下記勉強会での資料です。 http://ml-professional.connpass.com/event/18814/Read less

はじめに Chainerで機械学習と戯れる: Treasureゲームの強化学習を50日程続けた経過メモ から 更に60日以上経過しました。 賢い学習モデルでなくてもそれなりに目的は達成できるのか、というところに興味があるところです。 TreasureGameの現状 現在のハイスコア時の動きを動画にキャプチャしました。 https://youtu.be/iyBHR1gzumA ハイスコア更新にかかる時間 前回の記録を見ると、 「27万回」「107万回」「192万回」「207万回」「269万回」「297万回」「371万回」 でスコア更新していたようです。今回のを見ると 「549万回」「558万回」「1057万回」「1308万回」 でスコアを更新していたようです。 遂に1000万回突破してました。感慨深い。。 新しい動き 「549万回」目(0:43~)のときに、 敵をぐるっと一周するような動きを

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

11月も下旬になってしまった。年内に届くと思っていたサーバの納入が年明けにしてもらわないといけないかも、という連絡を受け、ちょっとそれは困るのでなんとか急いでほしい、という連絡をしたりする。とはいえうちの研究室、いろんな書類を締め切り過ぎて出してご迷惑をおかけしているし（学生が多い……）、我々の研究室がたくさん事務書類を発生させているので、申し訳ない気もしている。しかし来年の論文投稿シーズンに向けた死活問題なので、自分にできることは処理が早く進むことを祈るのみである。 午前中、言語学習支援勉強会。アノテーションなどデータ作成・リリース関係は、簡単に見える作業でも意外と時間がかかるものなので（一見スクリプト書けばすぐできそうに見えても、結局目で見てチェックする必要があったり、例外に気づいたり、README を書いたり、基本的に見積もりの3倍はかかる）、進捗が少なく見えても気にしないでほしい。

20万円台の投資で深層学習(ディープラーニング)を手軽に始めるためのパーソナル・ディープラーニング・コンピュータ The Personal Deep learning Computer 2015.11.18 Updated by Ryo Shimizu on November 18, 2015, 09:23 am JST 毎日のように深層学習(ディープラーニング)の新技術が発表された今年の6月頃に比べると最近はだいぶ落ち着いてきたと思ったら、GoogleからTensorFlow、MicrosoftからはDistributed Machine Learning Tookit（DMLT）というやや煮え切らない名前のツールが相次いでリリースされました。さらにMicrosoftは、写真から人物の感情を分析するツール「Project Oxford Emotion Recognition」の提供も開始

Wikipedia からスクレイピングして… とか言ってる人におすすめしたい，DBPedia からの情報抽出rdfスクレイピングWikipediaSPARQLdbpedia みなさん DBPedia をご存知でしょうか．DBPedia とは，Wikipedia から構造化データ (RDF) として情報を抽出するものです．DBPedia では Linked Data として情報が体系化されているので，Wikipedia 内の必要な情報を，非常に簡単に抽出することができます． 「◯◯ の情報を Wikipedia からスクレイピングして取ってきて…」みたいな話をよく耳にし，そんなのスクレイピングしなくても DBPedia 使えば一瞬なのに… と感じることが最近多々あるので，DBPedia の普及もかねて簡単にまとめてみることにしました．DBPedia なんて初めて聞いたという方は，ぜひチェック

前回、おそ松さんたちをディープラーニングで見分けるため、準備編としておそ松さんたちの顔画像を5644枚集めました。 今回はそれを用いて、ディープラーニングで学習させ、判別器を作って検証します。 集めた画像 人物 枚数 例 おそ松 1126 から松 769 チョロ松 1047 一松 736 十四松 855 とど松 729 その他 383 使用フレームワーク 最近GoogleからTensorFlowという新しいディープラーニングのフレームワークが発表されました。 会社のブログに使い方書いたのですが、まだ慣れていないので、今回はchainerを使います。こちらだとすぐに高い成果を上げているImageNetのNINモデル、４層畳み込みニューラルネットワークがサンプルで入っていますので、こちらを改良して使います。 imageNetの使い方は、こちらやこちらを参考にしています。 訓練データセット Im

追記（2016/07/22） sample weightingによるPUClassificationも実装しました – https://gist.github.com/nkt1546789/d4ffebb452fe738b8aaa8005fc08a068 任意の分類器を使えるのでこちらの方が良い気がします． 通常の2値分類問題では，正例と負例が与えられています． しかし扱う問題によっては，このようなデータを用意するのが困難な時があります． 例えば，抽出型のタスクです． 抽出型のタスクでは，抽出したい対象を正例と考えます． この場合の負例は「正例以外のデータ」と定義するほかありません． しかし，集めた正例に対し，それ以外のデータを負例と定義してしまうと， それ以外のデータに含まれる正例も負例として扱ってしまいます． このように負例を定義するのが難しい場合には，正例とラベルなしデータから学習す

畳み込みニューラルネットワーク (Convolutional Neural Network) を勉強するため、MNISTのデータの識別をライブラリ(Caffeやcuda-convnetなど)を使用せず一から実装してみましたが、ここでは備忘録として書いていくことにします。 出来る限り理解し易いように書いていくように努力はします。(^_^;; おかしな点があれば教えてください。お願いします。 まずは二値分類 多次元の入力データから、それが識別対象かそうでないか（例えば画像から人かそうでないか）といった二値分類の学習を考えます。 入力を\(n\)次元の\(\mathbf{x}=(x_1\ x_2\ \dots\ x_n)^\text{T}\)*1、重みを\(\mathbf{w}=(w_1\ w_2\ \dots\ w_n)^\text{T}\)とし、これら入力と重みを掛け合わせたものとバイアス\

こんにちは、リッテルラボラトリーの清田です。 このたび、国立情報学研究所(NII)のご協力を得て、HOME'Sに掲載されている日本全国の賃貸物件データ(約533万件)と、それに紐付く物件画像データ(約8300万件)を研究資源として無償提供することになりました。あわせて、画像処理分野などで注目を集めているdeep learningなどの機械学習アルゴリズムや、テキストマイニング処理などを簡単に試していただけるツールキット群も年内に公開予定です。 2015年11月24日より、NII情報学研究データリポジトリを通じてHOME'Sデータセットとして提供開始しました。ぜひ多くの研究者の方にデータセットを研究利用していただき、住まい探しを変革するようなイノベーションにつなげていただけると嬉しいです！ 詳しい内容については、以下のイベントでお話しさせていただきました。 スライドファイルを公開しております

前回の多クラス分類に続き、今回は多層ネットワークとその学習について説明します。 (いろいろ別の作業が入ってしまって、遅くなりました…) 多層ネットワーク 今回の多層ネットワークでは、下の図のような構成となります。 （重み付け和と活性化関数の表示は省略…） 入力層と出力層の間に中間層を挟み、入力層から中間層、中間層から出力層へとそれぞれの間で重み付け和と活性化関数による演算を行います。 前段（入力層から中間層）の計算は、活性化関数を\(f^{(1)}(\cdot)\)とすると \[z_j = f^{(1)} (a_j^{(1)}) = f^{(1)} \left( \sum_i x_i w_{ij}^{(1)} + b_j^{(1)} \right) \tag{1}\] 同様に後段（中間層から出力層）の計算は、活性化関数を\(f^{(2)}(\cdot)\)とすると \[y_k = f^{(