畳み込みニューラルネットワークすごさを従来の機械学習のアルゴリズムと比較する - Qiita
畳み込みニューラルネットワーク（CNN）が画像判別でよく使われるというのは知っていても、従来の機械学習アルゴリズムと比較してどれぐらいすごいものなのかというのがいまいちピンとこなかったので確認してみました。だいぶ長いよ！ 概要 機械学習のアルゴリズムとして、ディープラーニングが出る前は例えばロジスティック回帰、サポートベクトルマシン、ランダムフォレストなどがありました。従来の手法というと漠然としますが、Scikit-learnでできるアルゴリズムと考えてよいです。これらの手法は現在でも有効で、これらのどれを使っても、手書き数字（MNIST）に対して最低でも8割、ちゃんと実装すれば9割の精度は出ます。Scikit-learnはとても使いやすいライブラリで、学習効率・実装効率ともによく、計算が比較的簡単なので高速です。逆にその段階で9割近く出ちゃうと、「学習が大変で処理も遅いディープラーニング
エンジニア採用が変化してますよ。という話｜Kazuhiro Chida
こんにちは、HR TechスタートアップでHRをしています。なんだかんだで、採用という領域に14年くらい関わっています。 ここ最近、IT/Webエンジニア採用において大きな変化を実感していて、それに対して経営者や人事の変化が少ないな、と感じていたので記事にします。 願わくば、エンジニア採用をやっている企業の経営者や人事の役に立てば幸いです。 変化さて、その大きな変化というのは、採用企業と求職者間における情報量の逆転です。変化の傾向自体はずっとあったのですが、ここのところ閾値を超えた感じがあります。 数年前のソシャゲブームのときも、求人倍率としては求職者が優位ではありました。それでもまだ当時は採用企業のほうが情報強者で、待遇につられてブラック企業に入ってしまうエンジニアが多かったのを記憶しています。 それまでは求人情報といえば、求人広告やエージェントから伝えられる情報をもとに求職者が判断し、
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
