『集合知プログラミング』 解体新書
目的 Last modified: Mon May 09 15:44:03 PDT 2011 『集合知プログラミング』は、データマイニングのアルゴリズムを数式ではなくpythonプログラムによって説明することで、データマイニングを多くのプログラマの身近なものにした。 しかし、多くの誤植があること、様々な分野のアルゴリズムが紹介されていること、ウェブからデータを収集することから集合知を可視化するまでの一連の処理が解説されていること、などのためにこの本に紹介されているアルゴリズムを理解し、実際の問題に応用することは難しい。 そこで、単にpythonプログラムを読解するのではなく、各章の処理流れの理解を容易にし、実際の問題にアルゴリズムを応用することができるように統一的なフォーマットで解説する解体新書を作成する。 章 タイトル テーマ データ収集 特徴抽出・モデル化 パターンの発見・学習 視覚化
機械学習 - 機械学習の「朱鷺の杜Wiki」
機械学習とは，Arther Samuel によれば「明示的にプログラミングすることなく，コンピュータに行動させるようにする科学」 のことです． 歴史的には，人工知能の研究分野の中で，人間が日々の実体験から得られる情報の中から，後に再利用できそうな知識を獲得していく過程を，コンピュータにおいて実現したいという動機から生じました． 現在では，数値・文字・画像・音声など多種多様なデータの中から，規則性・パターン・知識を発見し，現状を把握や将来の予測をしたりするのにその知識を役立てることが目的となっています． しましまの私見に基づいて，機械学習の各種の問題を整理しました． ↑ 他分野との関連† 確率論：機械学習で扱うデータは，いろいろな不確定要素の影響を受けており，こうして生じた曖昧さを扱うために利用されます． 統計：観測されたデータを処理する手法として長く研究されてきたため深い関連があります．特
入門機械学習1,2章
5. Rとは？ ! 統計計算とグラフィックスのための言語・環境 ! 多様な統計手法 (線形・非線形モデル、古典的統 計検定、時系列解析、判別分析、クラスタリング、 その他) とグラフィックスを提供し、広汎な拡張 が可能 ! オブジェクト指向 ! 統計処理用の関数が豊富に用意されている ! ベクトル、行列演算のためのデータ型が存在す る 6. 例）package_installer.R options(repos=structure(c(CRAN="http://cran.stat.auckland.ac.nz/"))) cran.packages <-‐‑‒ c("e1071”, "ggplot2”, "glmnet", "Hmisc”, "igraph”, "lme4", "lubridate”, "plyr”, "RCurl", "reshape”, "RJSONI
テキストマイニングのための機械学習超入門 二夜目 パーセプトロン - あんちべ！
一夜目はパターン認識と機械学習の概要を学びました。今夜は、識別部で用いられる機械学習の基本的な線形識別器である「パーセプトロン」を具体的に学びたいと思います。「線形識別器？パーセプトロン？何それ？」字面は厳しいですが、手を動かしてみると意外と簡単に理解できます。今夜からは数式をバリバリ使っていきますし、手を動かしていただきます。「必ず」手元にペンと紙を用意してください。そうは言ってもパーセプトロンが一体何なのか、機械学習の中でどのような位置づけなのかがわからないと混乱するかもしれません。パーセプトロンの説明へ入る前に、機械学習の3つのアプローチをご紹介します。 ●機械学習の３つのアプローチ - 識別関数、識別モデル、生成モデル 機械学習は大きく分けて識別関数、識別モデル、生成モデルという３つのアプローチがあります。 識別関数 := 入力データを見て、特定のクラスに属するよう識別（代表的な手
偏微分 - Wikipedia
数学(解析学)の多変数微分積分学における偏微分（へんびぶん、英: partial differentiation）は、多変数関数に対して一つの変数のみに関する（それ以外の変数は定数として固定する（英語版））微分である（全微分では全ての変数を動かしたままにするのと対照的である）。偏微分によって領域の各点で得られる微分係数と導関数はそれぞれ偏微分係数（へんびぶんけいすう、英: partial derivative）、偏導関数（へんどうかんすう）と呼ばれる。用語の濫用として、偏微分係数や偏導関数も偏微分と呼ばれる。偏微分はベクトル解析や微分幾何学などで用いられる。 函数 f(x, y, …) の変数 x に関する偏微分は など様々な表し方がある。一般に函数の偏微分はもとの函数と同じ引数を持つ函数であり、このことを のように記法に明示的に含めてしまうこともある。偏微分記号 ∂ が数学において用いら
テキストマイニングのための機械学習超入門 一夜目 - あんちべ！
テキストマイニングに必要なパターン認識と機械学習について学びます。非常に初歩的な話から始めます。対象者は「テキストマイニングに興味があり、用いられる手法の中身を知りたい（けれど高度な数学は厳しい…）」というビジネスマンや学生さんです。数式は出来る限り「使います」。使わないと意味するところは理解できません。ただし、愚直に数式の一行一行を手計算で順を追って解いていきますし、必要な数学知識はその都度説明し、前提知識は求めませんので「数式出てくるの？じゃあついていけないのでは…」という心配は不要です。この記事の特徴は「機械学習の手法をやたら冗長な数式と過剰なまでの例を用いて、くどくどと同じ話を何度も説明する」ことです。 筆者ことあんちべは純文系出身で、数学や統計学、プログラミングは全然学生時代やってこなかった上、業務でも機械学習を使うことなんて皆無、それどころか機械学習なんて言葉は就職してからよう
Web系女子がLispと出会って統計学に目覚めるまでのお話 - あんちべ！
こんにちは！今年の春からWeb系企業でHTML/CSSデザイナーとして働きだしたキラキラ女子（を目指してる）のあんちべ（23）です！よろしくお願いします！私は普段自社のWebサービスのCSSなどを書いている*1のですが、最近データマイニングに興味を持ち始め、データを分析して、自社サービスの売り上げ改善に貢献したいなーと思うようになりました！でも。。。私は文系出身で統計学とか全然わからない*2し、プログラミングも得意じゃない*3し、高価な統計解析ソフトを買うのも辛いです。。。無い無い尽くしですね＞＜；！そんな私に救いの手が！インストール作業不要で、便利な統計処理機能が色々あって、しかも無料という素晴らしいソフト*4を発見しました！その名も"Incanter"です！なんでも、 Lispっていう古くから使われてきた実績のあるプログラミング言語で動いてて、Lispの文法でどんな処理をすればよいかを
経済学、数学、統計学などの資料纏め - あんちべ！
※適宜追加します 経済学 計量経済学 京大 末石直也 http://www.econ.kyoto-u.ac.jp/~sueishi/econometrics/econometrics.html 経済数学系資料 http://www.f.waseda.jp/ksuga/ 経済学のための位相数学の基礎とブラウワーの不動点定理 http://www2.chuo-u.ac.jp/keizaiken/discussno39.pdf 経済学のための最適化理論：講義ノート http://www.meijigakuin.ac.jp/~mashiyam/pdfdocs/optimization.pdf 経済学に必要な最適化理論 http://mediaislandr.org/pdf/static_optimization.pdf 経済学のための確率論入門 http://www.meijigakuin.ac.
AWSのモノ作りと2013年振り返り | gihyo.jp
アマゾンウェブサービス（AWS）は、2013年に240以上の新サービス、新機能の発表を行いました。2012年の159回と比べるとさらに進化の速度を早めています。本記事では、2013年のおもだった新発表について振り返りを行いたいと思います。ただし、240あまりの新発表をすべてご紹介することはできませんので、AWSブログのアクセス数をもとに人気のあったTop10発表を中心に紹介したいと思います。また、そのTop10発表を振り返る前に、なぜAWSが、それほど多くの新サービス、新機能発表を行うことが出来るのか、そのモノ作りの考え方を紐解いてみましょう。 AWSのペース・オブ・イノベーション 出来るだけ早くお客様のもとにモノを届けるというのは、AWSに限らず、Amazonの企業文化でもあります。そのためにユニークなモノ作りを行っています。 まず、Work Backwards from the Cus
ドメインを巡るお話 | Uzzu::Blog
Jan 4 2014Tags: dci ddd 昨年末にだらだらDCIに関する自分の考えを整理したくて身内で話していて、 結論としては「DDDとDCIどちらもメンタルモデルに近づけるために機能してる点は変わらない。その先DDDあるいはDCIをフレームワークにするか、あるいは一部に取り入れるのか、そこは取組むドメインによって取捨選択だよね」というところに落ち着いたのだけれど、勿体無い内容な気がするので改めてブログに書くことにする。 DDD脳から見たDCIの考察 DCIはFATなドメインモデルに対するアプローチというよりは、シナリオを明確にするためのアプローチなのかなと思う。 DDDを実践するような複雑な問題に直面した時、ドメインモデルは山のように増える。より知識を噛み砕いてドメインモデルにしたほうがより上層のロジックが簡潔になるので積極的にドメインモデルに落とし込む方がよく、結果として、シナ
分散合意の動機的な何か
9. dev/dev1/bin/riak start dev/dev2/bin/riak start dev/dev3/bin/riak start dev/dev2/bin/riak-admin cluster join dev1@127.0.0.1 dev/dev3/bin/riak-admin cluster join dev1@127.0.0.1 dev/dev2/bin/riak-admin cluster plan dev/dev3/bin/riak-admin cluster plan dev/dev2/bin/riak-admin cluster commit dev/dev3/bin/riak-admin cluster commit dev1 dev3dev2 127.0.0.1:10017 127.0.0.1:10037127.0.0.1:10027
「Amazon Kinesis」登場／機械学習が実現する未来
ビッグデータのプラットフォームはオンプレミスからクラウドにシフトする 楽観できない中で必要となるのがグローバリゼーション、市場をグローバルに捉えるべきという意見が多い。それと、競争力を強化するために、情報のさらなる活用を挙げるところも。このあたりを実現しようとすれば、クラウドの活用、ビッグデータの活用という話につながるわけで、これは2013年の動向から大きく変化するものではなさそうだ。とはいえ、クラウドやビッグデータ活用は様子見を決め込んでいた状況から、2014年は実践段階に入るのは確実だろう。実践のためには確実な自社ポジションの見極めが必要であり、さらにやると決めたらスタートダッシュをどこまでできるかでライバルとは差が出そうな予感がする。 そんな中、ビッグデータ活用の新たな領域で興味深い発表が先週あった。それが、Amazon Web Services（AWS）の「Amazon Kines
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
R devel - Multivariate time series in R 3 vs R 2
Amazon.co.jp: 集合知イン・アクション: Satnam Alag (著), 堀内孝彦 (翻訳), 真鍋加奈子 (翻訳), 真鍋和久 (翻訳): 本
Amazon.co.jp: Pythonによるデータ分析入門 ―NumPy、pandasを使ったデータ処理: Wes McKinney (著), 小林儀匡 (翻訳), 鈴木宏尚 (翻訳), 瀬戸山雅人 (翻訳), 滝口開資 (翻訳), 野上大介 (翻訳): 本
Amazon.co.jp: フリーソフトでつくる音声認識システム パターン認識・機械学習の初歩から対話システムまで: 荒木雅弘: 本
