機械学習のデータセットを可視化する「Facets」で遊んでみた - paiza times
秋山です。 先日、Google Open Sourceで「Facets」という機械学習向けデータセットの可視化ツールが公開されました。 サイトはこちら opensource.googleblog.com (※Chromeであれば、ブラウザ上でどういったことができるかのデモを触れます。Safariだとうまく動かない？ようなのでご注意ください） GitHubはこちら github.com デモのようにブラウザ上でデータを可視化したり、Pythonライブラリのjupyter内で使ったりすることができます（ブラウザで表示させるかjupyter内で表示させるかだけの違いですが…） 例えば巨大なデータを扱っていて、うまく分離できていないデータ群はどの辺りになるのか…といったことを可視化して眺めたいときなどによさそうなので、実際にちょっと使ってみたいと思います。 ■Facets使ってみた Facetsに
chainerのサンプルコードを集めてみた(チュートリアルも追加) - studylog/北の雲
(2016.1.21追記)最近あまりメンテナンスしてないので1.5以上のバージョンを使ってる人には役に立たなくなったかもしれません。 (2015.12.15追記)当初はサンプルコードにリンクを貼っただけの記事でしたがチュートリアル等も含めたものに加筆中。また古くなった情報は順次削除・更新してます。 バージョンごとの互換性など こっちに移しました。1.5以上を強くお勧めします。 chainerのバージョンごとの違い(2016年1月19日現在) - studylog/北の雲 1.0 1.1 1.2 黎明期バージョン 1.3 1.4 CuPy導入 1.5 1.6 色々とパワーアップした現世代 概要・チュートリアル 概要を掴むのに適したスライド 1.5以上から始めるならこちら。 Chainerチュートリアル -v1.5向け- ViEW2015 内容は重複していますが1.4以前のバージョン時代のチュ
元理系院生の新入社員がPythonとJavaで色々頑張るブログ
研究部署に配属されて一週間が経ちました。はじめは朝起きれるのかとか社章を忘れていないか等々、細かな部分が気になってしまい注意のリソース配分が上手く行きませんでしが、後半になるにつれてようやく周りに意識を向けられるようになりました。 周りを見ていると、先輩社員や上司の方々が忙しい仕事の合間を縫って僕達に気を掛けてくれている事に、気が付くことが出来ました。 まだまだ利益を生み出すことは叶いませんが、逆に考えれば失敗しても大きな負債が生まれるわけではないので、失敗とそれのリカバリを存分に経験できると言う貴重な時期とも考えられますね。許される範囲で様々な事に挑戦していきたいと思います。 新入社員研修が終わりました。 中でも特にぼくのネット生活に影響を与えそうなのが、コンプライアンスの指導でした。 コンプライアンスとはざっくり言うと「企業が法律や倫理を遵守する事を規定したモノ」で、 具体的な例を挙げ
A simple implementation of DTW(Dynamic Time Warping) in C#/python
DTW(Dynamic Time Warping) is a very useful tools for time series analysis. This is a very simple (but not very efficient) c# implementation of DTW, the source code is available at https://gist.github.com/1966342 . Use the program as below: double[] x = {9,3,1,5,1,2,0,1,0,2,2,8,1,7,0,6,4,4,5}; double[] y = {1,0,5,5,0,1,0,1,0,3,3,2,8,1,0,6,4,4,5}; SimpleDTW dtw = new SimpleDTW(x,y); dtw.calculateDTW
Python パッケージ管理技術まとめ (pip, setuptools, easy_install, etc) | yunabe.jp
Python パッケージ管理技術まとめ (pip, setuptools, easy_install, etc) Python のパッケージ管理関係の情報がオフィシャルには整理されてなく、 またパッケージ管理まわりででてくるキーワードもいくつもあって分かり難いので完結にまとめてみました。 このドキュメント自体は少し長いですが、結論としては2015年1月時点では 原則 pip を使ってパッケージの管理を行う setuptools も広く使われているので入れておくとよい。そもそも pip のインストール時に自動的ににインストールされる distribute は 2013年に setuptools にマージされたので不要 という方針でよいと思います。 ただ少し古い情報ソースやパッケージのドキュメントを読んでいると distribute の利用が勧められていたり、 site-packages, e
HerokuでNumpy, Scipy, scikit-learnを利用する - Qiita
Pythonで機械学習を組み込んだアプリケーションを作成すると、大体scikit-learn、それでなくてもNumpyやScipyに依存することが多いです。 これらは様々なライブラリに依存しているため、Heroku上にデプロイするには一筋縄ではいきません。AWSなどで自前のサーバーがたてられる場合はそちらに立てれば良いですが、お金もかかるしHerokuでやりたい！という場合もあると思うのでそのための手法を紹介します。 Docker Container HerokuでもDocker Containerを利用したデプロイが可能になったため、buildpackをいそいそと編集するよりもこちらを利用するほうが便利です。以下に公式のサンプルがあるため、こちらをご参考にしていただければと。 heroku-examples/python-miniconda これでもうapt-getでいろいろインストール
django始めました - くろねこ日記
はじめに PythonにはDjangoというフルスタックウェブフレームワークがあります． これまでここのブログではマイクロウェブフレームワークであるflaskの記事が多かったのですが， 最近，Djangoを使う機会を得たことで，学ぶ機会ができ，使ってみることにしました． なお，本記事で扱う環境は以下の通りです Python:3.4.2 Django1.7 学ぶにあたって，まずはここを見て一通り動かしてみました． Python Django入門 (1) - Qiita 解説がよくまとまっており内容もわかりやすいのですが、自分でどんなアプリを作るか決めないまま進めたこともあってか曖昧模糊だったので、シンプルなブログを作って練習してみました。 今回は以下のような仕様のブログの作成しました． 作成するブログ 機能 記事投稿 タイトル 本文 日付 記事表示 これだけです． 見た目についてもboots
C#でIronPythonと連携する際にnumpyがimportできない | 詠み人知らずの備忘録
C#からIronPythonを呼び出すために、調べていた際にはまったことをメモ。 簡単なスクリプトやメソッドなら呼び出せるのですがimport numpyやimport waveなどを使用すると 下記のようなエラーが・・・ メッセージ内容を見ると IronPython.Runtime.Exceptions.ImportException はハンドルされませんでした。 Message=No module named numpy とのこと、 DLLのロードができていないようなのですが、 他のサイトでは連携の際に上記現象の記載がない方もいらっしゃるようでこのへんは謎です。 エラーの原因は、IronPythonでロードができていないようです。 強調された箇所を追加することによって実行ができるようになりました。 #もっといい手法あるような気がしますが、調べても出てこないので。。。 ソースは以下のよう
pythonの機械学習ライブラリscikit-learnの紹介 - 唯物是真 @Scaled_Wurm
scikit-learn(sklearn)の日本語の入門記事があんまりないなーと思って書きました。 どちらかっていうとよく使う機能の紹介的な感じです。 英語が読める方は公式のチュートリアルがおすすめです。 scikit-learnとは？ scikit-learnはオープンソースの機械学習ライブラリで、分類や回帰、クラスタリングなどの機能が実装されています。 また様々な評価尺度やクロスバリデーション、パラメータのグリッドサーチなどの痒いところに手が届く機能もあります。 インストール scikit-learnの他にもnumpyとかscipyとかが必要です。 Windows 64 bit版の人は以下のURLに色々なインストーラーがおいてあるのでおすすめ Python Extension Packages for Windows - Christoph Gohlke その他の人は以下のURLを見て
Pythonを高速化するCythonを使ってみた - Kesinの知見置き場
突然ですが私はPythonが好きです。でもPythonは遅いです。 何が遅いかというと、致命的なことに四則演算が遅いです。でも他の動的型付け言語でスクリプト言語と呼ばれるPerl, Ruby, Javascript も C, Javaのようなコンパイルを行う静的型付け言語に比べれば圧倒的に遅いです（近年ではJavascriptのように著しく進歩した言語もあるので必ずしもそうだとは言えませんが）。 スクリプト言語が遅い原因の一つは、変数の型が指定されていないので型のチェックを毎回行う必要があるからです。この特性があるおかげ自動的に型を変換してオーバーフローを防いでくれるというメリットもあるのですが、どうしても静的型付け言語よりは速度を出すことができません。 ならPythonのコードに型指定を加えてコンパイルしちゃえばいいじゃん！というのがCythonです。正確にはPythonライクな文法で書
Pythonのscikit-learnでRandomForest vs SVMを比較してみた - Y's note
Random Forest メディア: ペーパーバック クリック: 27回この商品を含むブログ (1件) を見る Random Forest Random Forestとは Random forest - Wikipedia Random forests - classification description 機械学習の方法論の一つで決定木ベースの集団学習アルゴリズムを取り入れたものです。説明変数の依存が少ないことや学習が高速であることが特徴として挙げられています。英語サイトの方で特徴として紹介されているRFの内容について記述します。 Features 大きなデータに対して効率よく処理される。 変数の削除をすることなく入力した数千の変数を扱う事ができる。 どの変数が分類に対して重要なのかを計算して与えてくれる。 木の構築処理中に一般的なエラーの偏りの無い計算を生成する。 高い割合でデータ
VimでPythonを書こう。 - シルファとぱそこん
いつもvimでPythonを書いている。 この前エキスパートPythonをたちよみしたんだけどvimが載ってた。 でも……。 だめだ。あれは。 どうダメかっていうといくつか.vimrcにたくさん書いてたりハック的な方法を使っているんだ。 だから正しい方法をここに記しておこうと思う。 もしかしたら俺だけが間違っているのかもしれないな。 俺は俺が正しいと思う。 だから犠牲者が増えないことを願う。 急いでいる人のために.vimrcと.vim/を固めたZipを置いておく。 vimに慣れている人はそれを使ってもらいたい。 ここでは一応vimを使ったことはあるけど.vimrcをちょっとイジっただけとか fileplugin？なにそれという人を対象にしている。 あとUbuntu向けだからMacの人とかは別の作業が必要になるかもしれない。 Zipはここからダウンロードしてくれ。 さ、はじめ
1
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
言語処理100本ノック 2015
PythonでN-Gram - Qiita
Algorithms with Python