ラーメン好きならば絶対に行っておきたいラーメン屋ランキングBEST5 | ロケットニュース24
どうして日本人はラーメンが大好きなのか？ 「毎日食べても飽きない！」という人もいるほど、ラーメンは日本人をトリコにしている。テレビや雑誌で「美味しい」と紹介されているラーメン屋があると、「よし週末にでも行ってみるか！」と思ってしまう人も多いはず。 今回は、当編集部のグルメ担当記者が実際に食べ歩きをし、美味しいと感じたラーメン屋をランキング化してご紹介したいと思う。もしかすると、皆さんが知らないラーメン屋があるかも!? 当編集部が厳選して決めた「絶対に行っておきたいラーメン屋ランキングBEST5」は以下の通りだ。 ・ラーメン好きならば絶対に行っておきたいラーメン屋ランキング5 1位 『博多ラーメンばりこて』（東京・高円寺） お笑い芸人・カンニングの竹山さんが大絶賛しているラーメンがあるのをご存じだろうか？ それが東京・高円寺の『博多ラーメンばりこて』である。トロトロっとしたスープは非常に濃厚
簡潔データ構造超入門VI 〜これまでのまとめと集合の簡潔構造〜 - EchizenBlog-Zwei
今回は集合の簡潔構造について話をする。今回で簡潔構造の初歩的な話は一段落となるので、いままでの話をまとめつつ集合の簡潔構造とは？どういうことに使えるのか？という話をする。 集合の簡潔構造は大変重要で、ここを理解すれば簡潔構造の基礎はだいたいOKといえる。 前回までの記事： 簡潔データ構造超入門 〜つくって学ぶ簡潔ビットベクトル〜 - EchizenBlog-Zwei 簡潔データ構造超入門II 〜ちょっとだけ実用的な簡潔ビットベクトル〜 - EchizenBlog-Zwei 簡潔データ構造超入門III 〜簡潔ビットベクトルで転置インデックスを効率的に実装する〜 - EchizenBlog-Zwei 簡潔データ構造超入門IV 〜LOUDSというメモリ効率のよい木構造の話(準備編)〜 - EchizenBlog-Zwei 簡潔データ構造超入門V 〜LOUDSというメモリ効率のよい木構造の話(本編
LOUDSトライのライブラリの性能を比較してみた - EchizenBlog-Zwei
LOUDSは木構造を非常に小さなデータサイズで表現することができる簡潔データ構造の一種。とくに自然言語処理ではトライ木という木構造が重要で形態素解析や日本語入力(IME)など多くの場面で利用されている。 トライ木としてはdouble arrayが有名。LOUDSはdouble arrayより速度で劣る反面、データサイズを非常に小さく抑えることが可能である。このため近年、大規模データを扱うためのデータ構造として注目されている。 LOUDSを用いたトライ木には優れた実装がいくつかある。なかでも有名なものとして@s5yata氏によるmarisa-trieと@hillbig氏によるux-trieがある(ux-trieのクローンであるrx-trieはGoogleIMEで利用されている)。 今回はこれらのライブラリと、参考までに私の作ったerika-trieを使ってみて簡単に性能比較をしてみた。 評価
(続)LOUDSトライのライブラリの性能を比較してみた - EchizenBlog-Zwei
LOUDSトライを比較した記事を書いたところ@overlast氏からwikipediaタイトルのような偏りの少ないデータでも評価してはどうか、という賢明なアドバイスを頂いたので試してみた。 LOUDSトライのライブラリの性能を比較してみた - EchizenBlog-Zwei http://dumps.wikimedia.org/jawiki/latest/ からwikipediaタイトルを取得した。 $$ wc -l jawiki-latest-all-titles-in-ns0 1231018 jawiki-latest-all-titles-in-ns0約123万件ある。これを用いてトライを作成すると以下のようなデータサイズとなった。 元データ : 26960268 byte marisa-trie : 7,199,728 byte ux-trie : 10,364,932 byte
日本生まれのクラウドノート「KYBER」がすごい理由 (1/3)
オーリッドという日本のIT企業が注目を集めている。売上高は40億円規模。法人向けWebサービスを提供していたが、昨年から個人向けサービス「KYBER」を開始した。16日に発売した「KYBER Smartnote」（写真、3冊1500円）は、そのサービスの目玉だ。 見た目はごく普通のノート。メモをしたり、議事録をとったり、普通のノートとして使える。ノートをiPhone付属のカメラで撮影し、KYBERのWebサイトにアップロードすると、画像のデータがクラウドサーバー上で管理される（Androidには10月対応予定）。そこまではこれまでのクラウドサービスにもあったもの。「Evernote」を思い浮かべる人もいるだろう。 だが、話はここからだ。 しばらくすると、手書きのメモが文字データになって送られてくる。いわゆるOCR（画像からの文字起こし）だが、その精度は異様に高い。ほぼ完璧だ。納品までも最速
e1071パッケージのsvm() 手計算で分割予測値を計算する
Rのe1071パッケージに含まれるsvm()を使用するとサポートベクターマシンによる判別分析が実行できます。 基本的な使い方はこう↓ data(iris) # アヤメのデータ library(e1071) # パッケージの読み込み # svmを使って判別分析 result <- svm(Species ~ ., data=iris, probability=TRUE, kernel="polynomial", cross=1) x <- iris[, 1:4] # 説明変数部分のデータを抽出（標準化しない） # 第1引数はsvm()によって得られた結果のオブジェクト， # 第2引数は説明変数部分のデータ（非標準化データ）を指定する。 svm.dv <- function(result, x){ # ---------------------------------------------
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
