2016/01/31に行われてたUI FukuokaのMeetup0回目の時の資料です。初回ということもあり、主にインタラクションについてざっくりと説明していますRead less
マイクロインタラクションとUXについて
2016/01/31に行われてたUI FukuokaのMeetup0回目の時の資料です。初回ということもあり、主にインタラクションについてざっくりと説明していますRead less
aiconf2017okanohara
2. アジェンダ l 会社紹介 l 深層学習と⼈人⼯工知能 l 実世界の事例例 ̶— ⾃自動⾞車車 ̶— ロボット ̶— バイオ・ヘルスケア l 深層学習の研究の最前線 ̶— 少数の事例例からの汎化 ̶— 情報の組織化 ̶— 物理理モデル、⼼心理理モデル 3. 会社紹介：Preferred Networks (PFN) l IoT時代に合わせた分散知能を備えた新しいコンピュータを創造する l 2014年年3⽉月創業 l 東京オフィス, シリコンバレーオフィス l 従業員：約60⼈人 殆どが研究者、エンジニア l 主な出資者 FANUC, Toyota, NTT 3 We are hiring !!! 4. AutomotiveHumanoid Robot Preferred Networks’ positioning in AI: Industrial IoT 4
科学と機械学習のあいだ：変量の設計・変換・選択・交互作用・線形性
機械学習はそもそも汎用的な枠組みであり基本的には対象分野に依らず利活用できる。従って、分野を限定して物質科学に機械学習を活用するなどと言う場合、その本質的難所の大部分は、有効な変量の設計・変換・選択・交互作用・線形性などに関する、いわゆるfeature engineeringの問題に帰する。特に、科学研究では端的な説明因子や共通パターンの探究こそが目的であることが多く、その場しのぎではない方法論が期待されている。本発表では、医薬品、機能制御剤、有機EL材料、食品、化粧品、と波及範囲が広い有機低分子について、その物性の予測と生物活性の予測の違いを例に、関わってきた問題・方法・課題について紹介する。 http://ibisml.org/ibis2016/session3/Read less
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera World Tokyo 2016 有賀発表 データサイエンスを含めたチームづくりと、機械学習を活かしたプロダクトの作り方について話しました。Read less
ストリーム処理を支えるキューイングシステムの選び方
This document discusses messaging queues and platforms. It begins with an introduction to messaging queues and their core components. It then provides a table comparing 8 popular open source messaging platforms: Apache Kafka, ActiveMQ, RabbitMQ, NATS, NSQ, Redis, ZeroMQ, and Nanomsg. The document discusses using Apache Kafka for streaming and integration with Google Pub/Sub, Dataflow, and BigQuery
Recsys 2016 tutorial: Lessons learned from building real-life recommender systems
Tutorial Deepak Agarwal and me gave at the 2016 ACM Recommender Systems conference. These slides only cover my part.Read less
機械学習モデルフォーマットの話：さようならPMML、こんにちはPFA
2. ⾃⼰紹介 l ⽐⼾将平（HIDO Shohei） l Twitter ID: @sla l 専⾨：データマイニング、機械学習 l 経歴： l 2006-2012: IBM東京基礎研究所データ解析グループ l 機械学習のアルゴリズム研究開発（主に異常検知） l 2012-2014: 株式会社Preferred Infrastructure l ⼤規模オンライン分散機械学習基盤Jubatusチームリーダー l 2014-: 株式会社Preferred Networks l 2015-: Preferred Networks America, Inc. @ シリコンバレー l Chief Research Officer 2
勾配降下法の�最適化アルゴリズム
モメンタム、Nesterov accelerated gradientとAdagrad, Adadelta, Adamについて解説しました。Read less
Oscon keynote: Working hard to keep it simple
The document discusses how Scala aims to make parallel and concurrent programming easier by avoiding mutable state and enabling a functional programming style, and it presents Scala as a language that unifies object-oriented and functional programming in a way that allows both sequential and parallel applications to be written safely and efficiently. Examples are given of how parallel collections
Recommendation 101 using Hivemall
The document provides an overview of using Hivemall, an open source machine learning library built for Hive, for recommendation tasks. It begins with an introduction to Hivemall and its vision of enabling machine learning on SQL. It then covers recommendation 101, discussing explicit versus implicit feedback. Matrix factorization and Bayesian probabilistic ranking algorithms for recommendations fr
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
Collaborative Filtering with Binary, Positive-only Data
機械学習によるデータ分析 実践編
ICME 2016 - Tutorial on Interactive Search in Video & Lifelog Repositories
みんなのウェディングのデータ分析基盤の作り方。
Recommender system algorithm and architecture
20161027 hadoop summit Generating Recommendations at Amazon Scale with Apache Spark and Amazon DSSTNE
Recsys2016 Tutorial by Xavier and Deepak
AWS Lambdaによるデータ処理理の⾃自動化とコモディティ化
Dockerは2016年の秋現在どのような状況なのか～忙しい人の５分で分かるDocker～
AWS Lambdaで作るクローラー／スクレイピング
