DoWhyとEconMLによる因果推論の実装
2022年11月30日にLabBase様主催のイベントにて登壇させていただいた際の発表資料です。Pythonライブラリ"DoWhy"や"EconML"を用いた因果推論についてまとめてありますので、ご一読いただけますと幸いです。 参考リンク（自身のブログ） - PythonによるT-Learnerの実装 https://zenn.dev/s1ok69oo/articles/4a36fee0297234 - Pythonライブラリ"DoWhy"を用いた因果推論 https://speakerdeck.com/s1ok69oo/pythonraiburari-dowhy-woyong-itayin-guo-tui-lun - 機械学習で因果推論 https://zenn.dev/s1ok69oo/articles/1eeebe75842a50
データテストライブラリー「Deequ」を触ってみた - 終末 A.I.
DeequはAWSがリリースしているデータテストを行うためのライブラリです（Deequの説明ではUnit Testと表現されています）。 ここで言うデータテストは、ETL処理やデータマート作成処理などの意図通り動いているどうか、取り込んだデータが昔と変化していないかを確認するための検証処理のことを指しています。 ETL処理などを最初に作成したタイミングでは、その処理が意図したものになっているか確認すると思います。一方で、日次のバッチ処理や、動き続けているストリーム処理について、本当に意図したようにデータが加工されているかどうかは、通常の方法では処理自体が成功したかどうかくらいしか確認するすべがありません。 しかし、日々のデータ処理は簡単に意図しないデータを生み出してしまう可能性があります。気づいたらデータの中身が変わっていて、変換処理が意図しない動作をしてしまっていたり、そもそもソースデー
夢の国の最適経路を(量子)アニーリングで求めてみた - Qiita
はじめに 夢の国...そう、それは夢と魔法の王国として知られる東京ディズニーランド。 みなさんも一度は訪れたことがあると思いますが、休日だとかなりの混雑ですよね。 そんな時に夢の国での負担となるのが待ち時間と移動距離です。 待ち時間と移動距離が短くなるようなコースがあったら理想的ですね。 しかし、いざ自分で考えるとなると膨大なアトラクションの位置と待ち時間を正確に把握する必要があります。 それはめんどくさいので、夢をぶち壊すようですが夢の国の経路を最適化してくれるWebアプリを作ってみました。 最適化手法はいろいろありますが、今ちょうど大学の卒論で扱っている量子アニーリングで挑戦してみました。 先に試したい方はこちらからどうぞ！ https://tdr-planner.web.app/ 最適化処理は30秒くらいかかってしまうのでしばらくお待ち下さいm(_ _)m 用語解説 専門用語がたくさ
コードの品質につてのポエム
トレタ Advent Calendar 2018 の1日目（初日から遅れ書いてる…）の記事として、コードの品質ということについての短文ポエムをだらだら書いてみる。 『Code Complete』、『リファクタリング』、『リーダブルコード』などなどコードの品質的なものを対象として書かれた書籍は結構あって、ほぼ同じようなことかいてあったりもするのだけど定期的に出版されて、自分もついつい買ってしまうたぐいの書籍の一つ。 これらの書籍でよくある分類はこういうやつ。 読みやすさ 理解しやすさ 美しさ テストのしやすさ メンテナンス性 堅牢性 拡張性 整理する、知るという観点ではこの分類大変よい。 ただ、結局このたぐいの内容は日常で実践する自分のスキルとしたいわけで「習慣化できるかどうか」にかかってる。習慣化するというのは、 一回やれば覚えれるような小さなこと 何度もその場面に出くわすこと というのが
“ユーザーファースト”の功罪 〜分析と実験によるアーキテクチャ設計〜 #bpstudy
BPStudy#147 で発表したものです。
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
「失敗できる」を作り出すと開発組織は加速する
