Heapsの法則によるコーパス中の語彙数予測と評価実験 - シリコンの谷のゾンビ
さて先日あることがきっかけでヒープスの法則 (Heaps' law) のことを思い出した．最初はヒープの法則と記憶していたのだけれど，'がHeapsの後ろにあるので，ヒープスの法則とかヒープス則と呼ぶのが正しいのだろう．ここではHeapsの法則と呼ぶことにする． Heapsの法則とはN語数から成るコーパスにおいて，総語彙数Dは以下の等式で表現できるというもの*1 ここで，kとβはコーパスによって定められた定数とする．英文コーパスではβは大体0.4-0.6になるらしい*2 この法則が示唆することは，コーパスサイズの増加に対して語彙は増え続けるというもの．まぁlogスケールにおいては直線なので，徐々にサチっていくのは確かであるが． Wikipediaでヒープスの法則の出展を調べてみると，どうやら1978年出版のHeaps著"Information Retrieval"[1]内で提案されたものら
Deep Learning with Python を読んだ
TL;DR Deep Learning with Python を読んだ よく書かれている本で、特に初学者〜中級者が Keras を使ってモデル構築ができるようになるには最適 扱っているトピック自体は他の本と比べてそこまで変わっていないが、一つ一つの質は高い 個人的には Keras の実装の話などをもっとして欲しかった Keras 作者の Chollet 氏が書いた deep learning 本ということで、どんな内容なんだろうと思って読んでみた。 結論から言うととてもよく書けている本で、対象読者は Keras を使って deep learning を始めたい（始めてみた）という人かと思う。 どんな経緯で出した本かとかそういうのは全然知らないが、deep learning が使えるようになるための getting started となる決定版を書いたぞ、という印象を受けた。 自分としては
1
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
