About Feature Scaling and Normalization
Sections Sections About standardization About Min-Max scaling Z-score standardization or Min-Max scaling? Standardizing and normalizing - how it can be done using scikit-learn Loading the wine dataset Standardization and Min-Max scaling Plotting Bottom-up approaches Vanilla Python NumPy Visualization The effect of standardization on PCA in a pattern classification task Reading in the dataset Divid
Data Looks Better Naked: Pie Chart Edition
What can we recover by stripping away the excess from a 3D pie chart.
ctr
Click-Through Rate Estimation for Rare Events in Online Advertising Xuerui Wang, Wei Li, Ying Cui, Ruofei (Bruce) Zhang, Jianchang Mao Yahoo! Labs, Silicon Valley United States ABSTRACT In online advertising campaigns, to measure purchase propensity, click-through rate (CTR), defined as a ratio of number of clicks to number of impressions, is one of the most informative metrics used in business ac
投票: ディープニューラルネット確率的プログラミングライブラリEdward | PyCon JP 2017 in TOKYO
ディープニューラルネットで計算を行う，スケーラブルな確率的プログラミングライブラリEdwardの画期的な意義と使い方を本トークで紹介します．EdwardはTensorFlowの上に確率変数とベイズ推定を実装したPythonライブラリです．計算において確率的な情報を常に保持する確率的プログラミングライブラリですので，確率事象であるこの世の現象を合理的かつうまく計算することができます． 深層学習の怒濤の発展が続いています．2012年の世界的な画像認識コンペILSVRCにて，当時の最先端の機械学習アルゴリズムを押さえて圧倒的な性能を披露したあと，2015年には人間の認識性能をも凌駕する性能を発揮するようになっています．また2016年，2017年には囲碁のトップ棋士との対決，さらには将棋の名人との対決で圧倒的な勝利を収めました． 2012年以降，深層学習の分野に世界中の優秀な才能が殺到し，さらには
実践多クラス分類 Kaggle Ottoから学んだこと
Kaggleのコンペに参加することで�色々な実践的ノウハウを学んだので�そのノウハウを共有する p.3～53 コンペ中に自分がやったこと�p.54～99 ハイランカーがやっていたこと�p.100～ ハイランカーかやっていたことを�自分も実際にやってみるRead less
読書日記: 読了：Chen & He (2015) xgboostかく戦えり
« 読了：「日本海軍はなぜ過ったか」「吉原はこんな所でございました」 | メイン | 読了：Ljungqvist, et al.(2015) 重度の精神疾患患者に毎月お金を渡したら？ » 2016年1月 4日 (月) Chen, T., & He, T. (2015) Higgs Boson Discovery with Boosted Trees. JMLR: Workshop and Conference Proceedings, 42, 69-80. えーと、なんでも、Kaggleっていう予測モデリングのコンペティションがあるそうなんです。世界中の頭の良い人たちが寄ってたかって同じデータを分析して予測モデルを構築し、賞金と名誉を目指して優劣を競うのだそうです。わたしゃよく知りませんけど。弊社インターンの超優秀な青年は「オノさんKaggleとか出ないんですか...? ああそうですか..
読書日記: MSIが選ぶマーケティング論文：2016年秋
« 読了：Simkin & Roychowdhury (2003) 論文を引用している人のうち何割がその論文をほんとに読んでいるかを推定する | メイン | 読了：Enders & Tofighi (2007) 階層線形モデルで説明変数をセンタリングする正しいやり方 » 2017年1月 5日 (木) えーと、アメリカにMSI(Marketing Science Institute)というところがあって、年に2回、「実務家どもよ、最近の面白い論文はこれだ」というキュレーションをやっている。たまに目を通しては面白がったりうんざりしたりしてたんだけど、このたび都合によりメモをとってみた。 2016年10月のおすすめ論文12本についてメモ。元論文の要旨にしか目を通していないので、タイトルも内容もいいかげんです。 消費者の支出を予測する新手法 Jang, S., Prasad, A., Ratchf
Microsoft PowerPoint - OsakaU_5misc.pptx
1 福水健次 統計数理研究所／総合研究大学院大学 大阪大学大学院基礎工学研究科・集中講義 2014 September カーネル法入門 ５．カーネル法のその他の話題 2 • 効率的計算 低ランク近似の方法 • 構造化データ 非ベクトルデータに対するカーネル カーネル法の計算効率化 3 グラム行列計算 – カーネル法の計算： グラム行列による線形代数演算 データ数のサイズの行列 • 元の空間の次元が高くても計算量の問題は（あまり）生じない • データ数が大きいと計算量の問題が生じる 逆行列計算，固有値計算 in time 4 計算効率化への一般的なアプローチ – 低ランク近似によるGram行列の近似 • 不完全Cholesky分解 • Nyström近似 – ランダムなカーネル展開 • Random kitchen sink – 少数データによる表現 • データのランダムサンプリング •
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
NumPy User Guide — NumPy v1.12 Manual
Natural Language Processing: Which one is better suited for comparing short text: KL-Divergence based methods (comparing the distribution...
様々な熱力学的サイクル | 高校物理の備忘録
ベクトル3重積 - 高校物理の備忘録
高校物理の備忘録
Calculating Entropy