New community features for Google Chat and an update on Currents
Join the official community for Google Workspace administrators In the Google Cloud Community, connect with Googlers and other Google Workspace admins like yourself. Participate in product discussions, check out the Community Articles, and learn tips and tricks that will make your work and life easier. Be the first to know what's happening with Google Workspace. ______________ Learn about more Goo
cpprefjp
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
Extreme Learning Machine
はじめまして．デンソーアイティーラボラトリの坂倉義明(@a2ki)と申します．よろしくお願いします． さて，今日は，Extreme Learning Machine(ELM)についてご紹介します．ELMは，Single Layer FeedForward Neural Networkの高速な学習スキームです．今流行のDeep Networkとは真逆ですね． 高速化のポイントは，入力層から隠れ層への重みの学習を諦めることです．具体的な手順として，回帰の場合以下になります． 入力層から隠れ層への重みをランダムに生成 隠れ層の出力（活性化関数を通した）を計算 2と教示データの回帰係数を求め（疑似逆行列）隠れ層から出力層への重みとする そりゃはやいっすよね… ここで疑問になるのが，これで良いのかという点．これに関し提案者は，「有界・区分連続・な活性化関数，十分な数の隠れ層を用いれば，ELMは任意の
Kneser-Ney Smoothing を試してみた - 木曜不足
Kneser-Ney Smoothing は高性能な言語モデルである。と、よく聞かされて知っているつもりだけど、まだ一度も試したことがなかったので、試してみた。 コードはここ。 https://github.com/shuyo/iir/blob/master/ngram/knsmooth.py 実験用にべったり書いているのでコピペは多いし、速度やメモリの効率も悪いが、まあ気にしないで。 コーパスは最初手元の適当なニュースコーパスを使っていたんだけど、それだと再現検証できないので、nltk のコーパスを使うように変更した。 nltk.corpus の下にあるコーパスモジュール名を -c オプションで与えると、そのコーパスを使って additive smoothing と Kneser-Ney smoothing の perplexity を出してくれる。 デフォルトでは Brown コーパス
glibc, coreutitities, stl, linux kernel のソースコード - フリーフォーム フリークアウト
移転しました http://please-sleep.cou929.nu/20091208.html
svmlin: Fast Linear SVM Solvers for Supervised and Semi-supervised Learning
SVMlin Fast Linear SVM Solvers for Supervised and Semi-supervised Learning SVMlin is software package for linear SVMs. It is well-suited to classification problems involving a large number of examples and features. It is primarily written for sparse datasets (number of non-zero features in an example is typically small). It is written in C++ (mostly C). A mex wrapper is available for MATL
統計を学びたい人へ贈る、統計解析に使えるデータセットまとめ - ほくそ笑む
はじめに 統計解析の手法を学ぶのに、教科書を読むのは素晴らしい学習方法です。 しかし、教科書で理論的なことを学んだだけでは、統計手法を使いこなせるようにはなりません。 統計解析手法を身につけるには、実際のデータについて手法を適用し、パラメータを変えるなどの試行錯誤を行い、結果を考察するというような経験を積むことが大切です。 それでは実際のデータをどうやって手に入れましょうか？ 実験や調査をして実際のデータを得るのは大変でお金もかかります。 幸運なことに、世の中には適度なサイズの自由に使えるデータがたくさん存在します。 例えば、統計言語 R には、100以上ものデータセットがデフォルトで付属しています。 ただし、不幸なことに、それらのほとんどは英語で説明が書かれています。 英語は、いつかは乗り越えなければならない壁ですが、最初のうちはちょっと避けて通りたいところです。 というわけで、今日は、
Challenge | Exploration and Exploitation 3
Thanks to the work of José Antonio Martín we are now able to propose you to enter the competition using Python. Thanks again to him All you have to do is to download the archive exploChallenge-Python, extract it and follow the readme.txt. You have to implement the MyPolicy class. To submit your algorithm, use the same form than for java files (you will have to provide a .zip file embedding your P
Exploration vs. Exploitation Challenge
Introduction Touch Clarity (www.touchclarity.com) provides realtime optimisation of websites. Touch Clarity chooses, from a number of options, the most popular content to display on a page. This decision is made by tracking how many visitors respond to each of the options, by clicking on them. This is a direct commercial application of the multiarmed bandit problem - each of the items which migh
多変量(多次元)正規分布のKLダイバージェンスの求め方 - EchizenBlog-Zwei
機械学習界隈では多変量正規分布のKLダイバージェンスの導出は自明らしく、とくに説明もなく「はいこうなりますね〜簡単ですね〜ははは〜」みたいな感じで軽く流されて死にそうになる。 軽く流されると私のように死んでしまう人もいるかもしれないので導出方法をメモしておく。 前準備 KLダイバージェンスは分布Pに対して分布Qがどれだけ近いかを表し、定義は以下のとおり。 KL(P(x) || Q(x)) = ∫P(x) log(P(x) / Q(x)) dx = ∫P(x) log(P(x)) dx - ∫P(x) log(Q(x)) dxまた多変量正規分布の定義は以下のとおり。 P(x | μ, Σ) = ((2π)^d * |Σ|)^(-1/2) * exp(-1/2 * (x - μ)T Σ^-1 (x - μ)) μ: 平均(d次元(縦)ベクトル) Σ: 共分散行列(d次正方行列) x: データ点
An Empirical Evaluation of Supervised Learning in High Dimensions - がくしゅう日記
文献Rich Caruana, Nikos Karampatziakis, Ainur YessenalinaICML2008,2013/05/23 読了STATLOGプロジェクトで色々なデータに対する色々な判別・回帰手法の性能が評価された．その後もSTATLOGプロジェクト以降に流行った手法を用いた評価は続けられたが，いずれにせよ最近は高次元データを扱う必要が増えてきて，色々な手法の精度がデータ次元の増大とともにどのように振る舞うかを系統的に評価することが重要である．ということで，10個の判別手法を10くらいのデータに適用．次元は大体750次元から680000次元まで．Boosted decision treeが４０００次元くらいまでは割りとよい．高次元はやっぱりRF. 正直苦手なタイプの研究だけど大事といえば大事．特に評価方法は勉強になる．真似しろといわれるときついけど．
List::Util Perl 標準の配列操作ライブラリ
Landscape トップページ | < 前の日 2004-11-13 2004-11-14 次の日 2004-11-15 > Landscape - エンジニアのメモ 2004-11-14 List::Util Perl 標準の配列操作ライブラリ 当サイト内を Google 検索できます * List::Util Perl 標準の配列操作ライブラリこの記事の直リンクURL: Permlink | この記事が属するカテゴリ: [Perl] List::Util は配列の最大値、最小値、合計値を取得したり、配列をシャッフルしたりするためのルーチンを集めたPerl モジュール。Perl 標準ではなかったが結構前からあったモジュールらしい。Perl 5.8 から標準ライブラリとして組み込まれたようだ。Scalar-List-Utils が元なのかな? 私ははっきり言って全く知らなかった。あると便
宮代 隆平 の web ページ（整数計画法メモ）
整数計画法メモ トップページへ戻る 本ページのURLが https://www.tuat.ac.jp/~miya/ipmemo.html から https://web.tuat.ac.jp/~miya/ipmemo.html へ変更になりました． それに応じて，本ページからリンクされているダウンロード可能なファイルについても，URLが変更になっています． はじめに このページには，整数最適化問題（整数計画問題）をソルバーで解く際に，知っていると役に立つかもしれない情報を雑多に記しています． 整数最適化（整数計画法）は強力な最適化手法の一つなのですが，「実際に解きたい時に日本語の情報があまり無い」と耳にしたのがこのページを作ったきっかけです． おことわり このページに書いてある情報は無保証であり，筆者は一切の責任を持ちません． 自己責任でご利用ください． もちろん，なるべく正しいことを書くよ
MATLAB commands in numerical Python (NumPy)
MATLAB commands in numerical Python (NumPy) 1 Vidar Bronken Gundersen /mathesaurus.sf.net MATLAB commands in numerical Python (NumPy) Copyright c Vidar Bronken Gundersen Permission is granted to copy, distribute and/or modify this document as long as the above attribution is kept and the resulting work is distributed under a license identical to this one. The idea of this document (and the co
人工知能学会学会誌2008年5月号：「国際会議に通すための英語論文執筆」特集 - 発声練習
熱い企画だった。編集委員のみなさまに失礼なことながら人工知能学会に属して5年。久方ぶりに熱心に特集を読んだ。この特集は人工知能学会のWebページでぜひ公開してほしいなぁ。 私は計算機科学・情報工学系の状況しかしらなかったので当たり前だと思っていたのだけど、分野によっては国際会議というものの位置づけがすごく低いらしい。鷲尾さんの「一流国際会議発表のための研究戦略とは？」から該当部分を引用。 情報科学における一流国際会議とは、世界的に質の高い投稿論文を集め、それらを3名程度の一流研究者によってジャーナル論文並みに厳格に査読し、とりわけ高品質の論文を厳選して採択する会議を指すことがほとんどである。しかし、情報科学以外で活躍する研究者と話をしていて、情報科学の一流国際会議に漸く採択された話をすると、決まって怪訝な顔をされる。情報科学以外のほとんどの分野では、NatureやScienceに代表される
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
Google Code Archive - Long-term storage for Google Code Project Hosting.
About me
Chapelle's Tech Tips
R による文書分類入門 & KNB コーパスの文書分類 - あらびき日記
はてなブログ | 無料ブログを作成しよう
