StyleGAN「写真が証拠になる時代は終わった。」 - Qiita
・各convolution層後にstyleの調整を行う ・細部の特徴（髪質やそばかす）はノイズによって生成される ・潜在変数$z$を中間潜在変数$w$にマッピングする ・これまでのGANのようにGeneratorの入力層に潜在変数$z$を入れることはしない Style-based generator A：$w$をstyle($y_s,y_b$)に変えるためのアフィン変換 $y_s,y_b$はチャンネルごとに値をもつ B：ノイズは1チャンネル画像から成る convの出力に足し合わせる前に、ノイズをチャンネルごとにスケーリングすることを意味する 構成 Style-based generatorではこれまでのような入力層は使わず、全結合層を連ねたMapping network fから始まる Mapping network fは8層で構成されSynthesis network gは18層で構成され
Kaggle TalkingData Fraud Detection コンペの解法まとめ(基本編) | リクルート
のようになっています。 click_time以外はカテゴリカルデータで、始めから整数で表現(Label Encoding)されたものが与えられています。 これはデータとしては非常にシンプルでここからいかに情報を引き出すかがポイントとなります。 アンバランスな目的変数 以上を用いて予測する対象がis_attributedというアプリダウンロード有無の指標です。 is_attributedが1のデータは広告クリック後にアプリがダウンロードされたクリックイベント、0のデータはそうでないものです。 約1.8億件の訓練データ全体に対してis_attributed=1のデータは50万件弱で、割合にして約0.2%と非常に少ないです。 このように、目的変数の分布がアンバランスであることがこのコンペの特徴のひとつです。 ちなみにアプリがダウンロードされた時刻attributed_timeも与えられていますが
Classicc - 整理しなくてもうまくいくノート
# こんな感じで横に並べてメモが書けます。紙のノートのように新しいメモを右にどんどん追加していくことができます。横に並べると、 前のメモが読みやすいメモからメモの移動が簡単前のメモを見ながらメモができる1画面に表示するメモの種類が多くなりすぎないという良さがあり、ノートを書くのが快適になります。実際に右のメモをちょっとだけ見てみましょう！リンクを開くより簡単ですよね！？このメモに戻ってくるのもすごく簡単！これが横並びの良さです！ # 整理はやめたClassiccは、書き始めるまでに考えないといけないことを極力排除しています。 メモをするときに、 あらかじめ決めたルールを思い出しメモを残すためのノートを開きあとで見つけやすくするためのタグをつけてメモをするってやるのめんどくさいですよね？ Classiccではめんどくさいステップは排除して紙のノートと同じステップ、「ノートを開いてメモを書く」
開発を爆速にするキスモの機械学習基盤 - Kysmo’s Tech Blog
こんにちは！キスモインターン生の岡野です。 キスモではインフラエンジニアとして働いています。 今回はキスモで新たに構築した機械学習基盤をご紹介します。 結論から言うと以下のようになったのですが、 ここに至る経緯と結果的に享受できるメリットを書いていきます。 クラウド or オンプレ インフラを構築していく場合、 まずこのあたりから選択することになると思います。 2005年のAWSのローンチを皮切りにして、 MicrosoftのAzure、GoogleのGCP等が非常によく利用されるようになりました。 このような背景から、 IT分野はとにかくクラウドに移行すればいいのではないかという疑問も生まれます。 しかしながらオンプレミスにするメリットもまだまだ多く残っています。 そこでまず、クラウドとオンプレを比較します。 クラウドのメリット クラウドのメリットは"とにかく柔軟であること" これに尽き
アイドルだった私がエンジニアとして正社員になるまで - SmartHR Tech Blog
こんにちは！ 去年の6月にインターンとして入社し、2月より正式に社員として迎えていただくことになりました、かなきゃんです(@kanacan) 。 ここまでどんな道のりだったか振り返ってみようと思います。 何してた人？ まず、入社前の私ですが、「アイドルと某携帯キャリアの販売員」というちょっと変わった二足のワラジを履いていました。 小さい頃からの夢だったアイドルの活動をしながら、生活の為とはいえど実はこれまた夢だった携帯の販売員をしてました。 アイドルとして掲げた夢を追いつつ、販売員としても、やるからには貢献したい一心で誰よりも売って誰よりもお客さんから感謝される販売員を目指していました。 そんな努力が報われて、アイドルとしてやりたかった夢を叶えたタイミングと、全国3,000人の販売員の中から売上成績1位を2年連続で達成したタイミングとが重なり、次なる夢を考えるようになりました。 私は主にタ
日本にアジャイルが普及しづらい本当の理由〜不確実性に向き合うマネジメント論〜 - Qiita
はじめに こちらの記事は、技術評論社に寄稿させていただいた「エンジニアリング組織論への招待」をご紹介するための文章です。Qiitaにも再掲しておきます。 アジャイルって何だ？ 「ウォーターフォールよりもアジャイルのほうがいいのか？」そんな言葉をIT企業の経営者から聞くことがあります。2000年代の後半くらいから、日本国内においてもアジャイル型の開発プロセスが注目を浴びて、多くの企業が実践するようになりました。 ところが、世界各国に比べて日本のアジャイル型開発の普及率は依然として低く、理解度も進んでいません。流行っているからやってみようと始めた企業も流行りが変わると今度はリーンだとか、今度は○○だといったように新しい方式を導入してみては失敗するところも珍しくありません。 アジャイル開発の専門家ですと名乗る人の話を聞いてみても、それが何なのか、けむにまかれたような説明をされてしまい、いまいち納
特徴量選択の今とこれから - 学習する天然ニューラルネット
特徴量選択とは 特徴量選択の難しさ 特徴量選択の手法の大別 教師ありの特徴量選択 filter method 単変量とクラスラベルの関連性を上げる 関係性を上げて冗長性を下げる 関係性を上げて多様性を上げる wrapper method Forward SelectionとBackward Elimination 遺伝的アルゴリズムと粒子群最適化 その他のwrapper method embedding method L1正則化 Regularized tree 特徴量選択のこれから 超高次元データと特徴量選択のアンサンブル 不均衡データにおける特徴量 オンライン特徴量選択 深層学習を用いた特徴量選択 最後に 特徴量選択とは 特徴量選択(Feature Selection, 変数選択とも)はデータサイエンスにおいて非常に重要である。 例えば、製造業において欠陥品を判別するタスクを考えてみよ
営業マンが1年でSEになって機械学習エンジニアに転職する話 - かえるのプログラミングブログ
こんばんは、かえるるる(@kaeru_nantoka)です。 先日、10ヶ月勤めたSES企業に辞意を伝えました。 そして4月からは、ストックマーク株式会社（https://stockmark.ai/ ）にて、NLPを応用した機械学習エンジンを開発する機械学習エンジニアとして参画することになりました。 ちょうどいい人生の節目なので、流行っている転（退）職エントリを描いてみようと思います。 概要 ・営業職だけど趣味で始めたプログラミングにハマったよ ・未経験だけど第二新卒的なアレでプログラマーになるぞ ・ひょんなことから kaggle にハマったぞ ・なんか上京することになったよ ・なんで私がエクセル職人に！？ ・なんとかソロ銅メダル取れたぞ ・kaggle 強くなりたいからもう一度転職するぞ！ 筆者のスペック ・経済学部卒 ・プログラミング歴1年ちょい（2017年12月~） ・kaggle(
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
アメリカでは仕事をいきなりクビになることがあると聞きますが、そのクビになった人が持っていた仕事はきちんと他の人に引き継がれるのでしょうか？ - Quora