about:blank 空白タブを表示 about:cache キャッシュしているアドレスと、そのダンプを表示 about:dns DNSプリフェッチを表示 about:histograms 時間帯による使用頻度などのヒストグラムを表示 about:objects 不明 about:memory プロセスごとのメモリー消費量の詳細や、他のブラウザの消費量を表示 about:plugins インストール済みのプラグインを表示 about:stats しーっ！このページは秘密だよ！ about:version バージョンとUA名を表示 about:network ネットワークへのアクセスログ。Peformanceグラフの凡例が無いため、意味が読み取れない about:ipc 不明 about:internets 3Dパイプスクリーンセイバー？ about:shorthang 不明（短時間のフリ
作成者: 怡土順一, 最終変更者: 小枝正直, 最終変更リビジョン: 481, 最終変更日時: 2009-08-13 20:02:03 +0900 (木, 13 8月 2009) CXCORE サンプルコード 基本構造体（Basic Structures） 配列操作（Operations on Arrays） 初期化（Initialization） コピーと充填（Copying and Filling） 変形と置換（Transforms and Permutations) 線形代数（Linear Algebra） 離散変換（Discrete Transforms） 動的構造体（Dynamic Structures） 木（Trees） 描画関数（Drawing Functions） 曲線と形状（Curves and Shapes） テキスト（Text） データ永続性と実行時型情報（Data
火星で倒木を発見？ NASA撮影の映像に、米国のネットで「陰謀論」渦巻く 1 名前： アサリ(神奈川県) 投稿日：2008/12/13(土) 12:27:13.43 ID:XKBzoKX0 ?PLT 【Technobahn 2008/12/13 02:16】NASAの火星ローバー（Mars Exploration Rover）が2004年5月に撮影した映像の中に倒木のようなものが写っていることが判明し、米国内のネット掲示板やブログサイトで波紋を呼んでいることが12日までに明らかとなった。 映像を見る限り、確かに「倒木」もしくは「木化石」のような木目が刻まれた細長い 木のようなものが写っており、ネット上では新たな「陰謀説」が渦巻く形となっている。 この「倒木」映像に関して、米コーネル大学准教授で火星ローバーのリードサイエンティスト も務めているジム・ベル（Jim Bell）博士は、「光の屈折
(Image by Pixabay) 最近になって以下のようなメディア記事やそれに類する報道が殊に増えているようです。 以前研究者だった身としてはこういう「これから日本には〇〇万人の△△人材が必要」みたいな物言いを聞くとポスドク1万人計画の悪夢を思い出してしまう部分もありますが、そもそも論として「今後データ人材は日本に何人必要なのか？」を現場のヒューマンリソースの需給状況から述べる向きは相変わらず少ないのではないかという印象が強いです。 ということで相変わらずの与太記事で恐縮ですが、自分の6年間のデータ分析業界での経験と見聞をもとに「今後データ人材は日本に何人ぐらい必要なのか」を極めて主観的ながら論じてみようかと思います。いつも通り異論反論またはご指摘大歓迎ですので、コメントのある方は何がしかの方法でお寄せくださると有難いです。 まず最初に結論を 個人的な経験と見聞に基づく主観的な予想では
最近、身近なスモールデータをさくっと分析してみる機会があったので、過程をまとめてみました。スモールデータの解析であっても、前処理、可視化、示唆出しなどデータ分析に必要な所作というのは変わりません。ステップに分けながら紹介したいと思います。 今回はツールにGoogle Spreadsheetしか使っていないので、ノンエンジニアのビジネスサイドの人であっても同じ分析を回すことができます。Google Workspace(Gsuite)を使っている企業であれば紹介した生データも取得ができるかと思いますし、30分くらいしかかからないので、試してみると面白いかもしれません。 今回取扱いたいデータはGoogle Meetのログデータです。COVIDの影響で営業や採用文脈でリモートMTGが増えました。「最近、リモートMTGのちょっとした遅刻、多くない？」という社内のふとした問題提起から、実際にログをみる
1 MySQL SQLオプティマイザのコスト計算アルゴリズム InnoDB Deep Talk #1 2012/03/10 平塚 貞夫 2 自己紹介 • DBエンジニアやってます。専門はOracleとMySQL。 – システムインテグレータで主にRDBMSのトラブル対応をしています。 – 仕事の割合はOracle：MySQL＝8：2ぐらいです。 • Twitter：@sh2nd • はてな：id:sh2 • 写真は実家で飼っているミニチュアダックスのオス、アトムです。 3 本日のお題 • MySQLのステータス変数にLast_query_costというものがありまして、これを参照 すると直前に実行したSQLのコストを確認することができるようになっています。こ の値は実績値ではなく、SQLオプティマイザがSQL実行計画を選択するために算 出した推定値を表しています。 • 本日は、みなさんにこ
なぜあなたのA/Bテストはうまくいくのか？A/Bテストの分析で注意すること | CyberAgent Developers Blog
概要 同じ介入を比較するA/Aテストで統計的に有意な差が出てしまうケースがある その原因は、A/Bテストの指標の設計に失敗していることかもしれない この問題の対処法としてユーザベースCTR、デルタメソッド、クラスターロバスト標準誤差を紹介する これらの手法は実務で運用する上では一長一短 はじめに AI事業本部Dynalystの伊藤、小売セクターの藤田(@6km6km)です。 DynalystはReal Time Biddingと呼ばれる広告オークションにおいて広告枠の買付を行うプラットフォーム（DSP: Demand Side Platform）です。DSPでは、ユーザに広告を表示する際に複数あるクリエイティブの候補からひとつクリエイティブを選ぶ必要があり、その選択ロジックにバンディットアルゴリズムを用いています。（参考リンク1, 2） 以下では、バンディットアルゴリズムのA/Bテストをす
HTTP/1.1とHTTP/2を比較する ― 第一回「HTTP vs HTTPS Test」 編 - Webパフォーマンスについて
HTTP vs HTTPS(www.httpvshttps.com) 実はこの記事は、2014年12月に書いておいたものです。計測データを新しくして、修正してあります。 海外でも日本でも、このHTTP vs HTTPS Testが公開された当初は、テストとしてどうなの?という、「適正さ」が問題視されたので、「まぁ、いいか」、と思って公開しなかったのです。 よくwww.httpvshttps.comがSSLの高速化の証拠として挙げられているので、ちゃんと公開しておこうと思いました。 このサイトが、太文字で書いて以下のように主張しています。 Encrypted Websites Protect Our Privacy and are Significantly Faster (暗号化されたWebサイトは、我々のプライバシーを守り、且つ、有意により速い) しかし、注釈が付いていて、このように書い
Gunosyデータ分析部アルバイトの鈴木です。今回は密度比を利用したバージョンリリースにおける異常検知について学んだことをまとめたいと思います。 やりたいこと 超長期的にやりたいこと 密度比を用いた異常検知のイメージ ダミーデータでの実装例1 今回試したやり方 今後試していくやり方 ダミーデータでの実装例2 密度比の平均二乗誤差を用いる場合 直接密度比推定する場合 参考資料 やりたいこと ニュースパス（Gunosyの提供するプロダクトの一つ）をバージョンアップした時に、もし異常があればユーザーアクションログからその兆候を見つけてslackなどに通知できるようにすることが目標です。 （QA項目以外でのログ欠損やアップデートによる予期せぬユーザ行動の検知をするためです。） 現在Gunosyでは、バージョンアップ時に異常がないかどうか調査するために人手を割いています。しかし、もし自動で異常を確実
課題 Lokiとはなにか？ ログ転送の仕組み ログ可視化の仕組み 使ってみてわかってきたこと Grafanaでログをササっとみられるのは楽 『indexを作らない』の意味 ログから作成するメトリクスと統計情報 nginx-module-vts GrafanaのSlackが温かい 現在のLoki環境 VMの情報 コンテナの構成 負荷状況 今後 こんにちは！インフラユニットの小林です。 今回はログ監視ツール『Loki』の導入事例を紹介をします。 課題 これまでもログ可視化集約ツールを使っていたのですが、メモリ使用量の多さや気が付いたら落ちていたりして、VMのランニングコストや運用負荷が課題とされていました。 またUIが非常にリッチなツールだったんですが、我々のやる事と言えば『ApacheやNginxのログからステータスコードやリクエストタイムを可視化』したり、『アプリケーションでエラーが起きた
データサイエンスのための統計学入門 第2版
データサイエンスにおいて重要な統計学と機械学習に関する52の基本概念と関連用語について、簡潔な説明とその知識の背景となる最低限の数式、グラフ、RとPythonのコードを提示し、多面的なアプローチにより、深い理解を促します。データの分類、分析、モデル化、予測という一連のデータサイエンスのプロセスにおいて統計学の必要な項目と不必要な項目を明確にし、統計学の基本と実践的なデータサイエンス技法を効率よく学ぶことができます。データサイエンス分野における昨今のPython人気を反映し、第1版ではRのみの対応だったコードが、今回の改訂でPythonにも対応。コードはすべてGitHubからダウンロード可能です。 日本語版まえがき 訳者まえがき まえがき 1章 探索的データ分析 1.1 構造化データの諸要素 1.1.1 さらに学ぶために 1.2 テーブルデータ 1.2.1 データフレームとインデックス付け
TypetalkのEC2インスタンスをインテルプロセッサからARMベースのAWS Graviton2に完全移行。性能向上と費用削減を実現 はじめに こんにちは。SREの二橋です。最近の楽しみは、キャンプと釣りの動画を見ながら、お家で妄想を膨らませることです。 この度、TypetalkのEC2のインスタンスをインテルプロセッサを搭載したM5系からARMベースのAWS Graviton2を搭載したM6g系に完全移行しました。そこで、Graviton2の概要から移行しようと思った理由、作業内容、移行の効果などをお伝えしたいと思います。 AWS Graviton2とは？ Graviton2はAWSがArm Neoverse コアをベースに独自開発したプロセッサです。2020年夏にAmazon EC2で一般用途向け(M6gとM6gd)、コンピューティング最適化(C6gとC6gd)、メモリ最適化(R6
BOOTHで販売されている、VRChat向けを想定した3Dモデルの市場概況について結果を考察を述べていきます。なお、以下の解析はすべて2021年12月12日 時点に行った解析を元にしています。 アバター販売本数 現在、2,692 体のアバターモデルが販売されています。 これはサブカテゴリが「3Dキャラクター」となっている販売商品の数です。ちなみに、昔はアバターも衣装も「3Dモデル」という一本のカテゴリに混在していて検索が大変でした。現在は、サブカテゴリが出来たおかげでこのあたりがだいぶ検索しやすくなっています。 ただし、厳密には集計漏れがあります。サブカテゴリ設定前に販売開始をして、登録をし直していない商品は「その他」のサブカテゴリになっているからです。 アバター販売価格 すべての販売アバターの価格をヒストグラムにしました（図1.）。十万円以上の商品は極めて少ないことから（販売避けのダミー
グラフ描画ggplot2の辞書的まとめ20のコード – MrUnadon – Bayesian Statistical Modelings with R and Rstan
Rによる美しいグラフの作成に欠かせないパッケージ "ggplot2" ですが、 グラフ作成のたびにネット検索したり自分の以前のコードを掘り起こしたりしませんか？ author: Unadon (見習い飯炊き兵) 動作環境:Mac OS Sierra 10.12.1; R version３.３.１; rstan 2.10.1 まずはTwitterでこの記事をシェアする はじめに ggplot2のグラフ作成で迷った時、チートシートやマニュアルは役に立つけど援用しにくいんですよね。「何を言ってるのかわからない」っていうのが結構あります。 「軸ラベル」と「軸タイトル」ってどれがどれなん？など、そういう初歩的なところで引っかかったりして、 目的(こういう図にしたい！)と手段(コード)の間の知識を埋めるのが手間で「もうイヤ！」ってなる。 で、次すぐに忘れてる。 なので、頻繁に使用するggplot２の基
Adobe Lightroom 5 写真をきれいに見せる方法 | Digital Life Innovator
昨日の工場夜景の記事、多数のはてぶやいいね、ツイートを頂きありがとうございます。 調子に乗って、このブログで写真をきれいに見せる秘訣を教えてしまします。といっても写真の撮り方ではなく、撮った写真をブログやSNS用に簡単に良い感じに現像する方法です。私もはじめRAW現像ってどうすれば良いの？と途方に暮れたことがあったので、少しでも参考になればと思います。 Adobe Photoshop Lightroom 5は、Photoshop CCの月額1000円プログラムに加入(今は980円になっていますw)してから使い始めましたが、試行錯誤の末、だいぶ調整方法が分かってきました。 マニュアル本とか全く読まないタイプなので(^ ^;)、完全に我流のやり方ですが。間違っているとか、もっとこうした方が良いとかいうコメントも歓迎です。ぜひ教えてください。 ちなみにRAW現像って書いていますが、Lightro
今回は、Python の有名な可視化ライブラリである matplotlib のラッパーとして動作する seaborn を試してみる。 seaborn を使うと、よく必要になる割に matplotlib をそのまま使うと面倒なグラフが簡単に描ける。 毎回、使うときに検索することになるので備忘録を兼ねて。 使った環境は次の通り。 $ sw_vers ProductName: Mac OS X ProductVersion: 10.14.4 BuildVersion: 18E226 $ python -V Python 3.7.3 もくじ もくじ 下準備 Relational plots scatter plot (散布図) line plot (折れ線グラフ) Categorical plots strip plot (ストリップチャート) swarm plot (スウォームチャート) box
前々からアニメ顔類似検索のbag of featuresで使っている特徴点の決め方がイラストにあまり合っていない気がしていたけど、実装がすごく面倒くさそうだったのでやらなかった。しかし、最近SURFに特許があることが発覚して、SURFを使っている意味は特にないなーと思ったので、満足のいくものをつくろう思ったのであった。（ただ特許は気にせずにやる） ということで、こんなのができた(クリックで拡大)。 結構速いし、スケールの変化、回転、ある程度のゆがみには大体対応できている。対応点の決定は、点の特徴ベクトルが一番近い点と二番目に近い点を取って、ふたつの特徴ベクトルの距離の差を確信度として、確信度が高いもののみマッチングしたことにして表示している。 SIFTやSURFに比べると点多すぎだろ（なぜ渦巻きに…）と思うかもしれないけど、これは僕なりにイラストの特性とかbag of featuresで使
井出草平の研究ノート
pubmed.ncbi.nlm.nih.gov Kato, T. A., Sartorius, N., & Shinfuku, N. (2024). Shifting the paradigm of social withdrawal: A new era of coexisting pathological and non-pathological hikikomori. Current Opinion in Psychiatry. https://doi.org/10.1097/YCO.0000000000000929 要旨 レビューの目的 ひきこもり症候群は、日本では1990年代後半から注目されるようになった。ひきこもりは都市部に多く、精神障害と併存することが多く、今や世界中に広がっている。COVID-19以降の時代では、外出しないこと自体がもはや「ニューノーマル」としてpathol
Imager::AnimeFaceを使ったちょっとした応用例として画像検索のデモを作りました。 Imager::AnimeFaceを知らない方は Perlでアニメ顔を検出＆解析するImager::AnimeFace - デーを参照してください。 ウェブサービスとしてではなく、デモやサンプルの意図で作っていて、方針としては、 Imager::AnimeFaceで得られる情報以上のことは考えない 難しいことは無視して簡単に作る(コーディング1日〜2日で作れる程度) です。Imager::AnimeFaceから得られる色情報はオマケみたいなもので、検索に使うには情報量が少なすぎる気がしますが、これくらいはできるよ！というデモになります。 この記事ではデモと同等のものを実装するに必要なアルゴリズム(DB作成と検索)について簡単に説明します。注意として、この記事ではPerlで解説しますが、デモの実装
「他のスクリプト言語ならそれなりに触れるけど、Rって変な機能が多いから難しい」と感じている人のために、Rの独特な点、ハマりどころ、そして特にデータの集計での強力な機能やパッケージをまとめてみました。 社内のデータリソース移行の作業の中で、前任者が（良い意味でも悪い意味でも）すごいRプログラマーだったのと、DBからのデータの取得からデータの整形・確認が一気に行えるという理由で久しぶりにRを触りました。 （先輩！僕が「%>%ってなんですか？」みたいな質問すると、チャットでgithubのリンクを貼られたり、AdvancedRを薦められたりするの、めっちゃ困りました！） 数年前Rを使っていたときは、 Rのプログラムってよくわからないなあ…、後から自分のコード見ても意味が読み取れないよ… Pythonでpandasとかmatplotlibってパッケージを使えばRっぽいことができるの？じゃあそっち使お
みなさん、デジカメやスマホで写真を撮った後はどうしてますか？ ある程度写真が好きな方なら、数多く撮った中からセレクトした後、補正して書き出して保存していると思いますが、今回はその画像をWeb用に書き出す際に最低限やっておきたい写真の補正方法を個人的にまとめてみたいと思います。 写真は、簡単な補正でクオリティが上がります。写真好きな方には特におすすめの補正方法ですので、ぜひ参考にしてみてください。 また、RAW現像に関してはこちらの記事を参考にしてみてください。 デジカメ撮影後のかんたんRAW現像のコツ -個人的まとめ私はデザインの仕事をしてきて、入稿データなどの写真素材の構図を色々と見てきました。すると、自然にデジカメにもハマり、自分でも撮るようにな... 色の補正 写真の補正と聞くとまずは色補正ですよね。 私の場合、色補正はトーンカーブ、またはレベル補正、そして色相・再度の補正でほぼ完結
第2回データサイエンティストオブザイヤーにも輝いた、日本航空Web販売部の渋谷直正氏による3回の連載講座。渋谷氏は「企業のマーケティング担当者は自ら分析できるようになったほうがいい」と語る。 「明日からデータサイエンティストになってください」──もしあなたがこんな風に会社から命じられたらどうすればいいだろう。あなたは専門職でも技術者でもなく、一般の事業会社の企画部門に所属するマーケッターだと考えてほしい。 たいていの人は、「分析の手法を知りません」「文系出身なので･･･」と言って尻込みするかもしれない。「データサイエンティスト」という言葉には統計学の博士号を持っていて高度な分析をする専門家というイメージがある。確かにそんな専門家もいるが、私はマーケッターの人たちこそ分析を武器にしてビジネスで成果を出せるし、そうすべきだと考えている。 どんなに分析スキルがあっても、ビジネス課題をきちんと把握
Agenda データ構造 たくさんある＞＜ ベクトル Rの格言 いろんなベクトルの作り方 規則的データの生成 同じデータを繰り返す ベクトルへのアクセスの方法 アクセス方法にもいろいろある まだまだあるよ、アクセス方法 行列 埋めていく順番 すでにあるベクトルを束ねる cbind rbind 行列へのアクセス方法 行列の基本演算 積がやっかい 積を求めたいときは「%*%」を使うべし 逆行列を求める ちなみに 行列式 固有値 配列 リスト 例 ちなみに unlistのtips リストへのアクセス リストは結構難しい＞＜ 例 リストの要素には名前を付けることができる Rでlistがどのように使われているか データフレーム 例 データフレームを作る データフレームに列を追加と削除 データフレームに行を追加 因子型 irisのデータでやってみる irisデータ 層別にSepal.Lengthの長さ
統計の勉強に最適な緑本こと「データ解析のための統計モデリング入門」を紹介 - HELLO CYBERNETICS
はじめに データ解析のための統計モデリング入門 本の構成に関する特徴 本の内容に関する特徴 本の目次と各章の概要 第1章 データを理解するために統計モデルを作る 第2章 確率分布と統計モデルの最尤推定 第3章 一般化線形モデル 第4章 GLMのモデル選択 第5章 GLMの尤度比検定と検定の非対称性 第6章 GLMの応用範囲を広げる 第7章 一般化線形混合モデル 第8章 マルコフ連鎖モンテカルロ法とベイズ統計モデル 第9章 GLMのベイズモデル化と事後分布の推定 第10章 階層ベイズモデル 第11章 空間相関のある階層ベイズモデル 対象読者 想定と違ったとなる前に こんな人に最適です はじめに 正直今更感が非常に強い一冊になります。 既によく知られているベストセラーと言ったところですが、例えば「自分はR使いではないからな」とか、その程度の理由で購入をためらっている人もいるかもしれません（現に
Bag of visual words (BoVW)は、一般物体認識において現在最も広く普及している画像特徴表現で、画像中の多数の局所特徴をベクトル量子化しヒストグラムにしたものです。最近はOpenCVなどのツールの普及により使いやすくなってきましたが、実際に使ってみようとすると細かい部分でつまづくことも多いのではないでしょうか。最新の研究では認識精度が飛躍的に向上していますが、局所特徴抽出などの細かいノウハウの蓄積による部分もかなり大きいと思います。 （そのような部分は学術的な新規性は低いため、論文ではさらりと書いてあることが多いのですが） 以下、自分が把握しているノウハウをまとめてみたいと思います。ただし、私自身の経験や主観に基づくものであり、絶対的なものではないことにご注意ください。 また、BoVWについて基本的な知識があることを前提としています。 画像サイズ まず、そもそも画像はど
【 FX情報】トレンド転換のサイン『ダイバージェンス』を各通貨で確認？ダイバージェンスとは……？ - ローソク足研究所
（更新2020/01/31） どーも！ 家出てすぐ道に出たら『っ！！人が倒れてる！？』と思ったらゴミ袋でした。 はい！ 今日は1週間丸々サボった外国為替市場を見ていくよ！！ 最近は仮想通貨の話しばっかりしていたね。 すまんすまん(//∇//) （だって儲かるんだもん） あ、最近思ったのがこの記事を読んでくれる方がまだトレードしたことない人の訪問が多いので、この記事読んで少しでも『資産運用』に興味を持ってくれたらと思いますo(･x･)/ 『資産運用』って響きはなんかリスク少なさそうだよね。『投資』ってなるとリスクがもれなくついてきそうなので『資産運用』という言葉を使ってみましたヾ(๑╹◡╹)ﾉ" 実際に株や外国為替取引することは『投資』なのですが、『資産運用』という言葉選びで行うだけでも『資金管理』が上手になると個人的に思っています_(┐「ε:)_ まーこの記事読んでチャート分析に興味持った
Earth Mover's Distance (EMD) について調べたことを整理しておきます。EMDは、ユークリッド距離のような距離尺度の一つで、二つの分布の間の距離を測ることができます。言語処理ではあまり聞いたことなかったのですが、画像処理や音声処理では比較的有名な距離尺度のようです。 EMDが使える問題設定は下図のようになります。 EMDは特徴量と重みの集合（シグネチャと呼ぶ）で与えられる分布Pと分布Qの間の距離です。ここで、特徴量間では距離 が定義されているのが前提です。特徴量がベクトルのときはユークリッド距離、特徴量が確率分布のときはカルバック・ライブラー距離（情報量）などです。EMDは、特徴量の集合が2つ与えられたときに、1個1個の特徴量間の距離をもとに、特徴量集合間の距離を求められるんですね。これはすごい。 重みは具体的な応用によって使い方が変わりますが、その特徴量の重要度を
入門 ソーシャルデータ 第2版
「本書を読めば、学べてよかったと思うことが身につき、あなたの道具箱に必要不可欠なツールが加わるが、おそらくそれよりも重要なのは、あるストーリーが語られ、その過程がとても楽しいことだ。そのストーリーとは、ソーシャルウェブサイトをめぐるデータの科学であり、ソーシャルサイトに詰め込まれたデータは何なのか、それらのデータを使ってあなたが（あるいはほかの誰かが）できることとして、どのような可能性があるのかといったことだ。」（本書「はじめに」より） 本書では、Twitter、Facebook、LinkedIn、Google+、GitHubなどのソーシャルウェブサイトを取り上げて、データマイニングを行うために必要な技術知識や手法を解説しています。本書の前半では基礎概念を学び、後半ではソーシャルウェブサイトをマイニングするためのツールやテクニックを広く紹介しています。データサイエンティストやアナリスト、あ
データサイエンスのための統計学入門
データサイエンスに必要な統計学と機械学習の重要な50の基本概念と、関連する用語について、簡潔な説明と、それを裏付ける最低限の数式、クリアな可視化、実現するRコードを提示して、多方面からの理解を促します。データの分類、分析、モデル化、予測という一連のデータサイエンスのプロセスにおいて統計学のどの項目が必要か、どの項目が不必要かを示し、重要な項目について、その概念、数学的裏付け、プログラミングの各側面からアプローチします。データサイエンスに必要な項目を効率よく学べて、深く理解することが可能です。 正誤表 ここで紹介する正誤表には、書籍発行後に気づいた誤植や更新された情報を掲載しています。以下のリストに記載の年月は、正誤表を作成し、増刷書籍を印刷した月です。お手持ちの書籍では、すでに修正が施されている場合がありますので、書籍最終ページの奥付でお手持ちの書籍の刷版、刷り年月日をご確認の上、ご利用く
明けましておめでとうございます。 お正月ということで、ちょっと変わった楽しい論文(？)を紹介したいと思います。 Carven von Bearnensquash, "Paper Gestalt", Secret Proceedings of Computer Vision and Pattern Recognition, 2010. http://vision.ucsd.edu/sites/default/files/gestalt.pdf 2010年のCVPRで参加者に配布されたジョーク論文で、UCSDの学生が書いたようです。もちろんこんな名前の人は実在しません。 ビジョン業界の査読の傾向を皮肉る内容で、「中身なんて読まなくても見た目の印象でアクセプト・リジェクトが判断できるぜ！」というのを実際に画像認識で実験してみたものです。論文自体はネタですがやってる実験はおそらくガチです。 著者は
コーミンのフォトレタッチ教室
このレタッチ教室は、10年余のフォトレタッチ経験を通じて試行錯誤の末に覚えたレタッチのノウハウについて紹介するものです。 適切なるフォトレタッチ方を覚えることにより失敗した思えるデジカメ写真、フィルムスキャンした画像について救済することが出来るようになり、又良いと思ったデジタル写真についてもさらに品位を向上することが可能になり、またフォトレタッチすることにより自己の作品としての主張が可能になります。 この教室のレベルとしては初級、中級向けであります。 内容としてはフォトレタッチの基礎知識及び、デジカメ及び、スキャナーで取り込んだ写真画像を如何に違和感なく自然で見やすい状態にするかを目的にした内容であり、合成、レイヤー処理その他特殊処理は含みません。 対象とするレタッチソフトはＡｄｏｂｅ ＰｈｏｔoＳｈｏｐ（Ｖｅｒ．５．５以上を推奨）とし、トーンカーブの無いPhotoShop E
こんにちは、Service Reliabilityチームのいわなちゃん(@xcir)です。チーム名が読みづらいのでSRやSレアと呼ばれたりもしています。レアリティが上がるように頑張って行きたいと考えています。 前回は「Varnishでテストコードを書こう！」という記事を書いたので、今回はGREE Advent calendar 2013の17日目も兼ねてVarnish Cache(以下Varnish)のログを読んだり加工してみたりしようと思います。 また、使用したVersionは3.0.3です。 Varnishのログのしくみ Proxyでアクセスログを取得したいというのはよくあると思います。通常のミドルウェアでは設定ファイルで出力ファイル名を決めたりします。しかし、Varnish本体(varnishd)の設定ではそのような項目はありません。 では、Varnishはログを出していないのか？と
本記事は、元記事を翻訳した記事の後編となります。 A節については 前編 をご参照ください。 もう一歩進んだマルコフモデル ???? ＊＊免責事項＊＊ ???? 上で説明したマルコフモデルを作る時と同じプロセスで進めますが、いくつかのステップは省きます。もし、何か分からないことが出てきたら、最初のセクションを参照してください???? 1.スケールアップした例 最初のドクター・スースの言葉はそのまま取っておき、私が更に見つけた、ドクター・スースの 不朽の 名言を4つご紹介します。 Today you are you. That is truer than true. There is no one alive who is you-er than you You have brains in your head. You have feet in your shoes. You can ste
「つよいエンジニア」になるためのオープンソースの使い方をはじめ、OSSへの貢献を推奨している企業のエンジニア文化や、コミッター視点からみたOSSの未来について話す「TECH HILLS～まつもとゆきひろ氏と考える つよいエンジニアになるためのオープンソースの使い方～」。ここでキャディ株式会社の河合氏が登壇。機械学習OSSの現状と未来について話します。 自己紹介 河合俊典氏：「機械学習OSSの変遷と未来」と題して発表します。「ばんくし」として活動しています。今、キャディという小さい製造業向けのITベンチャーで機械学習とかデータサイエンスをやるチームを立ち上げて、そこでリーダーをやっています。 前職はM3という医療ITの会社ですが、そこのフェローをやらせてもらっています。私は“ギルド”と呼んでいますが、趣味でそういった開発が好きな人で集まって開発をするチームを組んでいて、そこの主宰もやっていま
データサイエンティストが開発したプログラミング不要の分析ツールnehanでSalesforce 商談データの勝率を予測してみた - CData Software Blog
はじめに CData Japan技術ディレクターの桑島です。本記事では、nehanにSalesforce Sales Cloudの商談データを取り込み、各商談の勝率を予測する方法をご紹介します。 本記事の構成は以下の通りです。 はじめに nehan とは 前提 手順 CData Sync 概要 CData Sync製品のインストール ライセンスのアクティベーション Salesforce へのコネクションを作成 PostgreSQL へのコネクションを作成 ジョブの作成 ジョブの実行 PostgreSQLに同期した商談（Opportunity）データを確認 nehan 概要 SQLビルダーを利用したデータソースの作成 予測モデルを作成 モデルで予測値を算出 まとめ nehan とは nehanは、データサイエンティストが開発したプログラミング不要の分析ツールです。データの前処理から予測モデル
定量限界 | 油断するなここは戦場だ
定量限界、検出限界という言葉を最近よくきくようになりました。定量限界は測定誤差の10倍、検出限界は測定誤差の３倍ですが、この違いをイメージするのは初めての人には難しいと思います。 食品や体の放射線の測定をするときは、空間放射線などのバックグランドの上に、汚染からくるカウント数の増加があります。汚染が０の食品であっても、誤差＝バックグラウンドのふらつきが有りますから、測定数ー期待されるバックグラウンドは、誤差程度の幅をもってふらつきます。ここで誤差が５（単位はなんでもいいとします）であるときに、汚染のない食品を１６００個測定したとします。このときの分布を計算機でシミュレーションすると図の上のようになります。今市場にある食品の大半は汚染が少ないものが多いので、食品を測定すると、こんな感じになるでしょう。 たくさん測定すれば汚染されているものも混ざっているでしょう。測定の目的は汚染されたものを見
あなたが作成した様々なデータが販売できる「データのフリーマーケット」！ あなたの様々なデータは本当は価値があるのです！ 動画、写真、イラスト、デザイン、キャラクター、電子書籍、文章、音楽、ゲーム、 素材、アプリケーション、ソースコード、zip、アニメ、officeデータに各種テンプレートなど すべてのデータを簡単に販売でき、1ポイント＝1円で現金に交換できます！ 気軽に様々なデータを販売しよう。めざせ1日1アップロード！ 販売は・・・データをアップロードして、価格の設定をするだけで販売開始！ 購入は・・・商品を見つけたら、ポイントを確認してカートへ入れるだけ！ Google Chrome オススメ拡張機能をご紹介してきましたが、 全部まとめたほうが閲覧しやすいというご意見も聞き、さっそく全Google Chrome オススメ拡張機能をまとめました。 全121Google Chrome オス
標準偏差 - Wikipedia
平均は同じであるが標準偏差が大きく異なるデータのヒストグラムの例。赤で示されたデータの方が青で示されたデータよりも標準偏差が小さい。 平均 0, 標準偏差 σ の正規分布の確率密度関数。この分布に従う確率変数が 0 ± σ の間に値をとる確率はおよそ 68% であることが読み取れる。 標準偏差（ひょうじゅんへんさ、（英: standard deviation, SD）とは、データや確率変数の、平均値からの散らばり具合（ばらつき）を表す指標の一つである。偏差ベクトルと、値が標準偏差のみであるベクトルは、ユークリッドノルムが等しくなる。 標準偏差を2乗したのが分散であり、従って、標準偏差は分散の非負の平方根である[1]。標準偏差が 0 であることは、データの値が全て等しいことと同値である。 母集団や確率変数の標準偏差を σ で、標本の標準偏差を s で表すことがある。 二乗平均平方根 (RMS
元論文 “The Learning Behind Gmail Priority Inbox”, Douglas Aberdeen, Ondrey Pacovsky, Andrew Slater, LCCC : NIPS 2010 Workshop on Learning on Cores, Clusters and Clouds. http://research.google.com/pubs/archive/36955.pdf Gmail Priority InboxにはPAが利用されていると話題になっているので，読んでみました． 簡単にまとめ PA + transfer learning + logistic model ランキング学習では，thresholdが非常に重要な働きを持つ Gmail Priority Inboxはあなたのメール処理の時間を6%短縮してくれます 1.The
PHP: ImageMagick - Manual
Getting Started Introduction A simple tutorial Language Reference Basic syntax Types Variables Constants Expressions Operators Control Structures Functions Classes and Objects Namespaces Enumerations Errors Exceptions Fibers Generators Attributes References Explained Predefined Variables Predefined Exceptions Predefined Interfaces and Classes Predefined Attributes Context options and parameters Su
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
Google Chromeのaboutページ一覧 - 新しいTERRAZINE
OpenCV
火星で倒木を発見？ NASA撮影の映像に、米国のネットで「陰謀論」渦巻く : 痛いニュース(ﾉ∀`)
データ人材は日本に何人必要なのか？（2018年Q2版） - 渋谷駅前で働くデータサイエンティストのブログ
身近なデータで30分クッキング：Google Meetのログを解析してみる編 - MNTSQ Techブログ
Microsoft PowerPoint - mysql_costcalc.ppt
アプリログの自動異常検知を試してみた~密度比による異常検知入門~ - Gunosyデータ分析ブログ
Lokiで本番環境のログ監視を始めました - WILLGATE TECH BLOG
TypetalkのEC2インスタンスをインテルプロセッサからARMベースのAWS Graviton2に完全移行。性能向上と費用削減を実現 | 株式会社ヌーラボ(Nulab inc.)
BOOTH3Dモデル市場概況（2021年）｜hibit
Python: seaborn を使った可視化を試してみる - CUBE SUGAR CONTAINER
特徴点検出器を作ってライブラリに追加した - デー
アニメ顔の色情報に基づいた画像検索のデモ - デー
【R】ふつうのスクリプト言語プログラマーのためのR言語入門 - 歩いたら休め
Photoshopで最低限やっておきたい！色や歪みなどの補正方法｜webproduct-lab
実務で使う分析手法は5つで十分、マーケッターこそデータサイエンティスト候補 - 日経BigData
Rの基本データ構造、よく使う関数紹介 - yasuhisa's blog
Bag of Visual Words - n_hidekeyの日記
Earth Mover's Distance (EMD) - 人工知能に関する断創録
Paper Gestalt - n_hidekeyの日記
Varnishのログにアクセスしてみよう！ | GREE Engineering
マルコフモデル ～概要から原理まで～ (後編) | POSTD
安定期に入っている「機械学習OSS」だからこそ貢献しやすい 実績やキャリアにつなげるために大切な、知識や実装の可視化
Google Chrome オススメ拡張機能①～⑫全121まとめ
Gmail優先トレイ論文メモ - kisa12012の日記