Interpretable Machine Learning
Interpretable Machine Learning A Guide for Making Black Box Models Explainable. Christoph Molnar 2021-05-31 要約 機械学習は、製品や処理、研究を改善するための大きな可能性を秘めています。 しかし、コンピュータは通常、予測の説明をしません。これが機械学習を採用する障壁となっています。 本書は、機械学習モデルや、その判断を解釈可能なものにすることについて書かれています。 解釈可能性とは何かを説明した後、決定木、決定規則、線形回帰などの単純で解釈可能なモデルについて学びます。 その後の章では、特徴量の重要度 (feature importance)やALE(accumulated local effects)や、個々の予測を説明するLIMEやシャープレイ値のようなモデルに非依存な手法(mo
Your Azure Function App is up and running.
Azure Functions is an event-based serverless compute experience to accelerate your development.
Machine Learningのカレンダー | Advent Calendar 2013 - Qiita
今年もやりましょうか。 Machine Learning Advent Calendar 2013とは パターン認識・機械学習・自然言語処理・データマイニング等、データサイエンスに関するアドベント・カレンダーです。 参加方法 とりあえず参加登録をポチる 自分の担当の日に機械学習に関するちょっとした記事を書く みんなで読む 記事内容は、パターン認識・機械学習・自然言語処理・データマイニング等、データサイエンスに関する事でしたら何でもOKです。テーマに沿っていれば分量は問いません。 （PRMLの読んだ箇所のまとめ、実装してみた、論文紹介、数式展開、etc.） 皆さんのご参加をお待ちしております。 Qiitaで数式を書く方法 「母国語が数式なのだけれどQiitaで数式は書けるのか」という心配からAdvent Calendarへの参加を躊躇されている皆さんのために、はてな風TeX記法をQiita上
Deep Dream web interface
Notice This is web interface for Google Deep Dream. Photos are processed with Google Deep Dream python code with BVLC GoogleNet Model on deep learning framework Caffe on cloud servers. Deep dream code is licensed under Apache License 2.0. BVLC GoogleNet Mode is released for unrestricted use. Caffe is released under the BSD 2-Clause license.
Neural networks and deep learning (ニューラルネットワークと深層学習)
ニューラルネットワークと深層学習 What this book is about On the exercises and problems ニューラルネットワークを用いた手書き文字認識 逆伝播の仕組み ニューラルネットワークの学習の改善 ニューラルネットワークが任意の関数を表現できることの視覚的証明 ニューラルネットワークを訓練するのはなぜ難しいのか 深層学習 Appendix: 知性のある シンプルな アルゴリズムはあるか? Acknowledgements Frequently Asked Questions Sponsors Resources 「ニューラルネットワークと深層学習」は無料のオンライン書籍です。 この本では、次のような内容を扱います。 ニューラルネットワーク：コンピュータに、観測データにもとづいて学習する能力を与える、生物学にヒントを得たプログラミングパラダイム。 深
Neural networks and deep learning
Neural Networks and Deep Learning What this book is about On the exercises and problems Using neural nets to recognize handwritten digits How the backpropagation algorithm works Improving the way neural networks learn A visual proof that neural nets can compute any function Why are deep neural networks hard to train? Deep learning Appendix: Is there a simple algorithm for intelligence? Acknowledge
Labellio
Please make sure that this URL is an image (PNG or JPEG) and not a web page
Python で機械学習しよう！（環境構築 on Mac編） - もろず blog
そろそろちゃんと機械学習を勉強しようと思い、ついでに Python をやり始めています そういえば、大学生のときに Python を勉強しようと思って本を買ったことがあったんですが、当時はあんまりやる気もなくちょっとしか手をつけていませんでした あの時ちゃんと勉強しとけばよかったなぁとか思ったり・・・ とりあえず、手持ちの Mac 上に数値計算や機械学習を実行できる環境を構築したのでその際の手順をまとめました ※以下の環境で動作することを確認しています OS X Mavericks (10.9) OS X Yosemite (10.10) この記事では 1. 概要 2. Python とライブラリのインストール 3. PyDev のインストールとセットアップ 4. Hello Python !!! 5. まとめ について説明します 1. 概要 今回は Python を使って数値計算、機械学
第6回 「商品を買ってくれるのはどのような人か」を予測するには | gihyo.jp
分類器を用いて予測モデルを構築する 「この商品を買ってくれるのはどのような人か？」 それを予測できれば、すべての顧客へ画一的にアプローチするのではなく、購入確率のより高い消費者を優先できるようになり、高い費用対効果が期待できます。 また、以下のような応用も期待できます。 「あなたにおすすめの商品」などのレコメンデーション機能を実現する 消費者に送信するDMに、その消費者が購入する確率の高い商品を優先していれる では、予測は機械学習を用いて、どのように実現するのでしょうか。 機械学習は、本連載の第1回目でも取り上げたように、以下の2つに大別されます。 教師あり学習 教師なし学習 このうちの「教師あり学習」は、その手法から、さらにいくつかに分別されます。その中でもよく利用されるのが、分類器（Classification）と呼ばれる手法です。 分類器は、以下の手順でデータを分類します 事前に与え
Rでもlibsvmしたい! 第1話 - 油を売って怒りを買う.blog
2012-12-29 Rでもlibsvmしたい! 第1話 はじめに Rでlibsvm使う時の自分用の設定と細かい話. とりあえず2クラス分類という前提で. 準備 ライブラリe1071を呼び出すだけ. これで一通りの関数が使えるようになる. install.packages("e1071") library(e1071) データを用意する とりあえずXは特徴量の行列, yは-1 or 1のラベルで用意. ラベルが数値じゃなくても大丈夫だけど, 自分が大抵この形式のcsvファイルで手元にデータを置いているのでそれに合わせて. X <- as.matrix(iris[51:150, -5]) y <- as.numeric(iris$Species[51:150]) y[y==2] <- -1 y[y==3] <- 1 学習させる とりあえず学習させる. # C-SVMなら result <-
明日は入門機械学習読書会です
ちょっとggplot2の説明のための資料を足してた。 ggplot2を使えば、こんな感じのいい感じのプロットがさくっと書ける。種毎にプロットを分けてそれぞれ線形回帰直線を引いてます。 library(ggplot2) g <- ggplot(data=iris, aes_string(x='Sepal.Length', y='Sepal.Width', color='Petal.Length')) g + geom_point() + facet_wrap(~Species) + geom_smooth(method='lm')
来週から入門機械学習の読書会ですよ
1章 Rを利用する, 2章 データの調査 3章 分類：スパムフィルタ 4章 順位付け：優先トレイ 5章 回帰：ページビューの予測 6章 正則化：テキスト回帰 7章 最適化：暗号解読 8章 PCA, 9章 MDS, 10章 k近傍法 11章 ソーシャルグラフの分析, 12章 モデル比較 大体8つに分けられそうなので、毎月やれば今年中に終わりそう。 以下、メモ的なもの 初回はR言語の説明が必要 スパムフィルタは別途ベイズの定理を分かりやすく説明する必要がある 6章の過学習も説明が必要、正則化 7章もちょっと補足が要りそう 8,9,10はあっさりしすぎ
機械学習 はじめよう 記事一覧 | gihyo.jp
運営元のロゴ Copyright © 2007-2024 All Rights Reserved by Gijutsu-Hyoron Co., Ltd. ページ内容の全部あるいは一部を無断で利用することを禁止します。個別にライセンスが設定されている記事等はそのライセンスに従います。
RでDeep Learningの一種をやってみる - データサイエンティスト上がりのDX参謀・起業家
このブログのTips052で、RでDeep Learningをやっているのを紹介してもらったので、自分も試してみました。 「Deep Learningすげぇ！！」という話は良く聞くのですが、亜種がいっぱいあるみたいで、まだあまり調査しきれてません。また時間があれば調査してまとめられると良いのですが。 以下、RでDA(Denoising Autoencoders)を実行するプログラムです。 sigmoid <- function(x){ return (1 / (1 + exp(-x))) } dA <- setRefClass( Class="dA", fields=list(input="matrix", n_visible="numeric", n_hidden="numeric", W="matrix", W.prime="matrix", hbias="vector", vbias
入門機械学習
入門機械学習は機械学習を使いたいヒトのための入門書であり、作りたいヒトのための本ではありませんので統計の本にあるような数式は全然出てきません。（これはこれでベイズの定理とか正則化とか説明できているのか？と疑問に思うところはあるのだが。） お手軽にどういう問題の時にどういう手法を選択すればいいか？がわかるような内容になっているので、これはこれでありなのではなかろうかと。 とりあえず使ってみて機械学習がどんな感じのものなのかという感触をつかめばよいと思う。 事例としては 電子メールのスパム判定 アマゾンのオススメみたいなの ウェブのアクセス数を予測する twitterのソーシャルグラフを分析する といった感じで万人にオススメできるような内容になっています。 ちょっと残念なのは教師なし学習（クラスタリング）の手法(PCAとかMDS)の説明が超適当で、クラスタリングの素晴らしさについてほとんど触れ
これからはじめる人のための機械学習の教科書まとめ - EchizenBlog-Zwei
最近では企業における機械学習の認知度も高まっていてエンジニアの求人募集でも「望ましいスキル：機械学習」というのをよく見かける。特にweb系の企業だと当たり前のように機械学習を活用した魅力的なサービスが生み出されているようだ。 そんなわけで先日書いた機械学習の入門記事もそれなりに好評で末尾の教科書リストも結構参考にしていただいた様子。ということで、これから機械学習をはじめる人のためにオススメの教科書を10冊ほどピックアップしてみた。 幸いにして機械学習の分野には良書が多い。5年前はナイーブベイズすら知らなかった私も、これらの教科書のおかげでなんとか機械学習を使えるようになりました！(個人の体験談です。効果には個人差があります) 参考: 機械学習超入門 〜そろそろナイーブベイズについてひとこと言っておくか〜 - EchizenBlog-Zwei 最初に既存の機械学習の教科書まとめを挙げておくの
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
サービス終了のお知らせ - NAVER まとめ
Apache Spark™ - Unified Engine for large-scale data analytics
BigML.com
入門機械学習の1章のUFOデータをpandasで読み込めない