「ユーザーを理解するって言うほどカンタンじゃないよね」 UXデザイン・UXリサーチをもう一度ちゃんと理解しよう!Yoshiki Hayama
![一度死んだ話](https://cdn-ak-scissors.b.st-hatena.com/image/square/46dc751832b2e93a23fd5fa510db96299cc84db3/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fhackerscamplelt-150627072354-lva1-app6892-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
検索エンジンのための転置インデックス作成 #hadoopreading - Presentation Transcript 検索エンジンのための転置インデックス構築 Data-Intensive Text Processing with MapReduce 第4章 #hadoopreading @nokuno 自己紹介 2 Twitter: @nokuno はてな:id:nokuno 自然言語処理 / 機械学習 / 並列分散処理に興味 TokyoNLP主催 第4回は1/22(土) 2002~2006:ゲームプログラミングに没頭 2007~2008:未踏でSocial IMEを開発 2009~現在:Web系エンジニア(←今ここ) 教科書 3 Data-Intensive Text Processing with MapReduce 大規模テキスト処理の教科書 Hadoopに
This document summarizes an internship project using deep reinforcement learning to develop an agent that can automatically park a car simulator. The agent takes input from virtual cameras mounted on the car and uses a DQN network to learn which actions to take to reach a parking goal. Several agent configurations were tested, with the three-camera subjective view agent showing the most success af
Twitter クライアント “Termtter” の紹介と収集したソーシャルデータを Fluentd + Hadoop で分析する話
授業でやったサーベイの一枚まとめをシェアします. 鬼コースでは週25本論文を読みます.Read less
筑波大学情報学群情報メディア創成学類 先端技術とメディア表現の講義スライド 第一回目です. 最初に教員の自己紹介が入っています.Read less
SSII2020 技術動向解説セッション SS1 6/11 (木) 14:00~14:30 メイン会場 (vimeo + sli.do) グラフ構造をもつデータに対する DNN、すなわち Graph Neural Networks (GNNs) の研究はこの2、3年で参加する研究者が急増している。現状、様々なアーキテクチャの GNN が様々なドメインや様々なタスクで個別に提案され、概観を捉えるのも簡単ではない状態になっている。本チュートリアルは、広範に散らばった GNN 研究の現状についての概観と基盤技術を紹介するとともに、時間が許す範囲でコンピュータビジョン領域における応用例の紹介にも取り組みたい。
openstack cloud docker machine learning tensorflow rdo openshift linux kubernetes gcp rhel7 redhat eucalyptus python fedora rhel glusterfs prml devops paas deep learning jupyter dqn ansible english atomic host neutron systemd sdn quantum automation aeolus git iaas google cloud platform network infrastructure spanner rpml topse gke megastore cloud datastore bigtable google file system dcgan cloud d
This document discusses tensor factorizations and decompositions and their applications in data mining. It introduces tensors as multi-dimensional arrays and covers 2nd order tensors (matrices) and 3rd order tensors. It describes how tensor decompositions like the Tucker model and CANDECOMP/PARAFAC (CP) model can be used to decompose tensors into core elements to interpret data. It also discusses
強化学習勉強会・論文紹介(第50回)Optimal Asset Allocation using Adaptive Dynamic Programming...
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
処理を実行中です
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