「COBOL」がいまだに動き続ける“切実な理由”
ダウンロードはこちら プログラミング言語「COBOL」は決して“死んだ言語”ではない。今でも金融機関や製造業など世界中の企業が、COBOLで開発したプログラムを利用している。COBOLそのものの歴史が長いからといって、COBOLプログラムが全て古いわけでもない。古いメインフレームで開発当時のままの状態で動き続けるCOBOLプログラムもあれば、UNIXサーバやIAサーバといったオープン系システムで新たに動き始めるCOBOLプログラムもある。 COBOLプログラムを動かし続けること自体は、当然ながら決して悪いことではない。使い手のニーズを問題なく満たしているのであれば、どのような技術を使おうが第三者にとやかく言われる筋合いはないからだ。ただし特に古いCOBOLプログラムを開発当時のまま使い続けている企業は、継続利用の理由が必ずしもポジティブではないことがある。なぜこうした状況が起こるのか。解決
最先端のスパースモデリング～HMLassoとPliable Lasso～
本連載は「これから機械学習に取り組みたい」「ディープラーニングや機械学習を使った経験がある」といったエンジニアに向けて、データ量が少なくても分析が実現できる「スパースモデリング」という手法を紹介します。 前回はスパースモデリングの画像処理への発展的な応用として、画像の欠損補間、異常検知、超解像の3つを紹介しました。今回はスパースモデリングの最近の学術分野におけるスパースモデリングの発展の様子、最新の手法をご紹介します。 スパースモデリングにおける数理モデル研究の重要性 データが少なく説明責任が求められる状況に力を発揮するスパースモデリングの中には、様々な手法があります。例えば、第2、3回で紹介したLASSOや、第4、5回で紹介した辞書学習などはその中の代表的なものとして知られています。スパースモデリングを扱うエンジニアには、問題の質に応じて、これらの中から最も適切な手法を選択することが求め
kaggle鳥コンペで63rd(silver)に入賞しました - 下町データサイエンティストの日常
はじめに 生存確認を込めて、ブログを更新しようと思います 汗 タイトルにあるように、kaggleのCornell Birdcall Identificationコンペ(通称：鳥コンペ)で63rd(silver)に入賞しました。 チームで反省会に登壇することになり、資料を作成しましたので記録がてらブログで紹介させて頂きます。 www.kaggle.com connpass.com 解法 試行錯誤した内容について、反省会での登壇資料をご参照ください。 docs.google.com 音声データの知識0である自分&佐藤さんに、音声データについて基礎から諸々を叩き込んでくれた冨山さん、増田さんには大変お世話になりました。。。 ちなみに、音楽分析のイベント繋がりで声を掛けさせて頂きました。 本イベントはブログ公開現在、聴講者の応募をしておりますので、よろしければご参加下さい。 muana.connp
U-Netを識別器に！新たなGAN「U-NetGAN」を解説！ - Qiita
オミータです。ツイッターで人工知能のことや他媒体で書いている記事など を紹介していますので、人工知能のことをもっと知りたい方などは気軽に@omiita_atiimoをフォローしてください！ 他にも次のような記事を書いていますので興味があればぜひ！ GANにもオーギュメンテーションは超有効だった！DAだけでSoTA達成した最新論文を解説！ 画像認識の定番データセットImageNetはもう終わりか パラメータ数10億！最新の巨大画像認識モデル「BiT」爆誕 & 解説 【基本編】画像認識に使用されるData Augmentationを一挙にまとめてみた！ 画像認識の最新SoTAモデル「Noisy Student」を徹底解説！ 画像生成分野で物凄い成果を出し続けているモデルとしてGenerative Adversarial Networks、通称GANがあります。GANは基本的に 「生成器」と「識
【Python】PDFを元の書式を保ってDeepLで自動翻訳する。【要Windows・Word】 - Qiita
9/9追記 クリップボード経由でのDeepLへの入力を廃止し、Javascriptを用いた方式に変更。 それに伴いSeleniumのヘッドレスモードでの使用に対応。 9/14追記 表周りでレイアウトが崩れる問題に対応。 文章と同じparagraph中に画像が埋め込まれている場合（画像化された数式など）、文字を置き換えると画像が消えることが判明、解決策が見つかるまで翻訳対象から除外。 アップデート版 import win32com.client from selenium import webdriver from selenium.webdriver.chrome.options import Options from selenium.webdriver.common.keys import Keys import time import re from math import ceil
バイアスとバリアンス（偏りと分散）のトレードオフ（Bias-Variance Tradeoff）とは？
バイアスとバリアンス（偏りと分散）のトレードオフ（Bias-Variance Tradeoff）とは？：AI・機械学習の用語辞典 用語「偏りと分散のトレードオフ」について説明。機械学習モデルによる予測において汎化誤差を最小化させるために、偏り誤差を小さくするとバラツキ（分散）誤差が大きくなり、逆にバラツキ誤差を小さくすると偏り誤差が大きくなるという、両者のトレードオフの関係性を示す。 連載目次 用語解説 機械学習（や統計学）のモデルによる予測においてバイアス（偏り：Bias）とは、予測値と真の値（＝正解値）とのズレ（つまり「偏り誤差：Bias error」）を指す。この予測誤差は、モデルの仮定に誤りがあることから生じる（※なお、ニューラルネットワークのニューロンおける重みとバイアスの「バイアス」とは別物なので注意）。 またバリアンス（分散：Variance）とは、予測値の広がり（つまり「ば
深層学習界の大前提Transformerの論文解説！ - Qiita
この例に関する質問への回答を補足の項に記載しましたので、より良い理解のためにご参照ください。 1.3 モデル構造 トランスダクションモデル(ある文章を他の文章に変換するモデル(翻訳など))において主流なのは以下のようなエンコーダ-デコーダモデルである。 エンコーダ: 入力の文 $(x_1,\ldots,x_n)$ を $\boldsymbol{z}=(z_1,\ldots,z_n)$ へ変換 デコーダ: $\boldsymbol{z}$ から単語 $(y_1,\ldots,y_m)$ を出力。 ただし、1時刻に1単語のみで、前時刻のデコーダの出力を現時刻のデコーダの入力として使う。 Transformerは基本的な大枠はエンコーダ-デコーダモデルでself-attention層とPosition-wise全結合層を使用していることが特徴。 つまり、以下の3つ(+2つ)のことが分かればモデル
Self-Attentionを全面的に使った新時代の画像認識モデルを解説！ - Qiita
08/31 (2020): 投稿 08/31 (2020): 「畳み込みを一切使わない」という記述に関して、ご指摘を受けましたので追記いたしました。線形変換においては「チャネル間の加重和である1x1畳み込み」を実装では用いています。 08/31 (2020): 本論文で提案されているモデルの呼称に関して認識が誤っていたためタイトルおよび文章を一部修正しました。 言葉足らずの部分や勘違いをしている部分があるかと思いますが、ご指摘等をいただけますと大変ありがたいです。よろしくお願いします！(ツイッター:@omiita_atiimo) 近年の自然言語処理のブレイクスルーに大きく貢献したものといえば、やはりTransformerだと思います。そこからさらにBERTが生まれ、自然言語の認識能力などを測るGLUE Benchmarkではもはや人間が13位(2020/08現在)にまで落ちてしまっているほ
画像コンペの進め方を晒すのでアドバイスください！ / My pipeline for image competitions
DeNA AIシステム部 データサイエンス（DS）チーム内で行っている輪講で使った資料です。 自分の画像コンペの進め方と、それに対して貰ったフィードバックをまとめた資料になっています。 DSチームの輪講の雰囲気も併せて感じてもらえると嬉しいです！
結局、Kagglerは何を必死にやっているのか？ / What is Kaggle?
Kaggleのことをそもそも知らないという方に向けて、 ・Kaggleとはそもそも何なのか？ ・何が楽しいのか？ ・どんな意味があるのか？ について話しました。 (非エンジニアも参加する社内LTで使った資料を、社内向けの項目を削除してアップロードしています)
【次元低減】UMAP, PCA, t-SNE, PCA + UMAP の比較｜はやぶさの技術ノート
というのが気になったので、簡単な比較をしてみました。 実践！PythonでUMAP, PCA, t-SNE, “PCA & UMAP”を比較 以降からUMAP, PCA, t-SNE, “PCA & UMAP”の次元削減手法を実装していきます。 データセット 高次元かつ他の人も入手しやすいデータセットが load_digits（手書き数字の画像）しか思いつかなかったので、それを使います。 データセット可視化 一応データセットを可視化してみます。 def plot_gallery(images, labels, h=8, w=8, n_row=2, n_col=4): """Helper function to plot a gallery of portraits""" plt.figure(figsize=(1.4 * n_col, 2.0 * n_row)) plt.subplots_
時系列モデル(ARIMA/Prophet/NNなど)を統一的なAPIで扱えるPythonライブラリ「Darts」がかなり便利 - フリーランチ食べたい
時系列モデルを扱う上でデファクトスタンダードになりそうなPythonライブラリが出てきました。 時系列モデルを扱うPythonライブラリは、 scikit-learn のようなデファクトスタンダードなものがありません。そのため時系列モデルを用いて実装を行うためには、様々なライブラリのAPIなどの仕様を理解しつつ、それに合わせてデータ整形を行い、評価する必要があり、これはなかなか辛い作業でした。 スイスの企業 Unit8 が今年(2020年)6月末に公開した Darts はまさにこういった課題を解決するライブラリです。時系列に関する様々なモデルを scikit-learn ベースのAPIで統一的に扱うことができます。 github.com Darts は現在、下記のモデルに対応しています。内側では statsmodels 、 Prophet(stan) 、 Pytorch などを使っていて、
Chem Infomatics系の基礎事項まとめ(富士フィルム Brain(s)コンテスト参加記) - MosaasoMの日記
先日ChemInformatics系のコンペに出て、0から調べて色々知識を得たので、それについてまとめようと思います。 一応参加記なのですが、あんまり面白いことをやってないので基礎まとめの要素が強くなり、それを反映したタイトルにしました。 コンペで使ったモデル 実際にコンペで使ったモデルはmordred+LightGBMの面白みに欠けるモデルと、Transformeを事前学習してembedding生成モデル化+LIghtGBMのモデルでした。 (Privateの結果は出てませんが、後者はPublic LBでもCVでも性能が良かったのと、あんまり見ないモデルだと思うのでPrivateの結果によらずちょっとお気に入りです。) 後者のモデルはKatja Hansen氏のAmes試験データセットでの5Fold CVにおいて、AUC平均0.81を、"予測時にはSMILESのみから"得ることができまし
ランサムウェアで悪用され続けている古い脆弱性--対策に課題も
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます サイバー犯罪者がランサムウェアの配布で悪用している脆弱性の一部は、何年も前に発覚したものだ。しかし、セキュリティアップデートが適用されていないために、攻撃者は依然としてその脆弱性を悪用し続けることができている。 Qualysのサイバーセキュリティリサーチャーらは、共通脆弱性識別子（CVE）が割り当てられた脆弱性のうち、最近のランサムウェア攻撃で最も多く悪用されているものを洗い出した。その結果、いくつかの脆弱性はほぼ10年前に報告されており、ベンダーからのパッチも公開されているものだと明らかになった。しかし、多くの組織は利用可能であるにもかかわらずセキュリティアップデートを適用していないが故に、ランサムウェア攻撃の格好の標的となったままに
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
6項目の設定ですぐできる 古いPCでもWindows10が快適に動く裏技 - ライブドアニュース
京都大学、Pythonの基本を解説した無料の教科書「素晴らしすぎる」「非常にわかりやすくて良い」 | Ledge.ai
人工知能と機械学習の「黄金時代」に備える（ZDNet Japan） - Yahoo!ニュース