サービス終了のお知らせサービス終了のお知らせ いつもYahoo! JAPANのサービスをご利用いただき誠にありがとうございます。 お客様がアクセスされたサービスは本日までにサービスを終了いたしました。 今後ともYahoo! JAPANのサービスをご愛顧くださいますよう、よろしくお願いいたします。
Googleの成功はモンテッソーリ教育なしには語れない
Googleの成功はモンテッソーリ教育なしには語れない：トップ1％だけが実践している集中力メソッド（1/3 ページ） Yahoo！のマリッサ・メイヤー氏は、創業期からグーグルを引っ張ってきた陰の立役者の1人ですが、彼女は「モンテッソーリなしに、Googleは理解できない」と語っています。モンテッソーリ教育が子供たちにもたらす効果とその源泉とは？ 「GoogleやAmazon、Facebook創設者も――成功者が皆受けた『集中力』教育プログラム」で、イタリア生まれのモンテッソーリ教育出身者が世界中で成功している話をしました。 出身者は、ラリー・ページとセルゲイ・ブリン（Google創業者）、ジェフ・ベゾス（Amazon創業者）、マーク・ザッカーバーグ（Facebook創業者）、ジミー・ウェールズ（Wikipedia創業者）といった起業家だけでなく、P.F.ドラッカー（経営学者）、バラク・オバ
Earth Mover's Distance (EMD) - 人工知能に関する断創録
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
RootSIFTのススメ - yu4uの日記
以前、CVPR'12特定物体認識に関する論文を全部軽くレビューしました。 ECCV'12とCVPR'12の特定物体認識関連の論文にひたすら1行説明（所感）を付けてみた - yu4uの日記 正直これは！というものはなかった印象ですが、Three things everyone should know to improve object retrieval [1] の、"Three things" のうち最初の1つ (RootSIFT) は良いものだと思うので紹介してみます。 要旨 RootSIFT＝SIFTのベクトルをL1正規化した後、各次元のルートを取ったベクトル、距離計算はユークリッド距離で行う 既存のSIFTを利用したシステムに上の処理を追加するだけで使え、それだけで認識精度が結構向上する 特定物体認識でSIFT使ってるならRootSIFTを使うべき（多分一般物体認識でも？HOGにも有
数字6桁パスワードのハッシュ値の総当たり、PHPなら約0.25秒で終わるよ
JALの6桁数字パスワード問題から派生して、JALのサイトがパスワードリマインダとして「現在のパスワード」を教えてくれることから、JALサイトではパスワードを平文保存しているのではないかという疑惑が持ち上がっています。それに対して、「いやいや、従来の主流と思われるソルト付きMD5ハッシュでの保存しても、実用的な速度でハッシュ値から元パスワードを『解読』できるよ」と、JALを擁護（?）するエントリが現れました。 パスワード問合せシステムを作る (clojureのreducers) この記事では、最初Clojureによる単純な総当たりで36秒、Clojureのreducersによる並列化で11秒でハッシュ値から元パスワードが求められるよ、と説明されています。まことに痛快な記事ですので、未読の方には一読をお勧めします。 とはいうものの、100万件のMD5の総当たりが、逐次実行で36秒、並列化して
NIPS2013読み会でword2vec論文の紹介をしました
先週、 @sla さん主催のNIPS2013読み会で、word2vec論文（正確には続報）の紹介をしました。 ちょっと解説を書きます。 このところの深層学習ブームは自然言語処理にも来ていて、それらのウチの1つと言われています（が、全然deepっぽさはない）。 最初のモチベーションがどういうところにあったかというのは、ちょっと色々だと思いますが（おそらく最初は言語モデルにおける低頻度語の確率をウマイことモデル化・推定したかったんではないかな）、何はともあれ単語の意味的なあるいは統語的な振る舞いをベクトル表現で表すという研究が流行っております。 ベクトル表現というのは、1つの単語wに対して、その単語を「表現」するようなベクトル v(w) を作ります。 そんなこといわれても、作れば？ということなんですが、できたベクトルに対して何かしら「都合のいい」性質ができることが真の目標です。 「都合のいい」
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
http://platformed.info/uber-etsy-and-the-internet-of-everybody-a-visual-guide-to-networked-businesses/
趣味プロダクトで楽しいコードライフワークを送る