Courseraの推薦システムのコースを修了した
昨年の話だけど、Courseraで開講されていた "Introduction to Recommender Systems" を履修・修了した。教えてくれたのはこの分野で知らぬ者はいない、ミネソタ大学のJoseph Konstan先生。2000年あたりの協調フィルタリングなど古典的な推薦手法に関する文献を漁ると、必ず彼のグループの論文にたどり着く。かの有名なMovieLensデータセット（画像処理でいうMNIST的な、定番データセット）も、このグループが提供している。 コースは全8回で内容は以下。 Introduction to Recommender Systems 推薦システムの歴史やその背景 Non-Personalized Recommenders 『最も人気のアイテムを常に推薦する』といった、個人化を行わない推薦手法 Content-Based Recommenders TF-I
FluRS: A Python Library for Online Item Recommendation
Last week, I introduced a Julia package for recommender systems: Recommendation.jl: Building Recommender Systems in Julia. However, its functionality is still low, and I argued that implementing more powerful recommendation techniques and update() function is important. Thus, this article provides FluRS, another open-sourced library for recommendation. Unlike Recommendation.jl, this recommender-sp
インターネットが怖い
先を考えるために、少し過去を振り返ります。 --- 小学生のころ、僕は学校のコンピュータで休み時間の度に数人の友達とおもしろフラッシュを見ていた。僕を含め、「父親の影響で小さい頃からプログラミング」みたいなスゴい人は周りにいなかったから、コンピュータはゲームボーイやテレビと大差ない『箱』だったし、おもしろフラッシュは『動く絵』だった。おもしろフラッシュをみんなで見る時間は大好きだったが、放課後は公園で遊ぶ方が楽しかったので、残念ながら技術への好奇心など持ち合わせていなかった。 中学生になり、コンピュータ部のようなものに入った。本当は卓球部に入りたかったのだが、そんな部はうちの中学には存在しなかった。この頃一番極めたのはタイピングだ。あの頃の速度にはもはや追いつけない。その次はワードやエクセルというものを覚えて、『箱』が思っていた以上に便利なものだと気づいた。 そしてついにはホームページビル
Treasure Dataインターンにみる機械学習のリアル #td_intern
8月1日から9月30日まで、大学院の同期で小学生時代は落ち着きがなかった @ganmacs と、小学校の給食ではソフト麺が出なかった @amaya382 と一緒に Treasure Data (TD) Summer Internship に参加した。 Treasure Data インターンで最高の夏過ごしてきた #td_intern - memo-mode トレジャーデータでインターンしてた話 #td_intern - 水底 インターンの途中で1週間アメリカへ行ってしまうという事情を酌んだ上で採用していただき、限られた期間で物凄く適切な課題設定とメンタリングを行なってくださった@myuiさんには頭が上がらない。本当にありがとうございました。 TDインターン全体としての見どころは、 全方位ウルトラエンジニアで気を抜くと死ぬ環境 丸の内の一食1000円オーバーの飲食店事情 ラウンジの炭酸強めで
推薦システムのトップ会議RecSys2016に参加した #recsys2016
推薦システムのトップ会議 RecSys2016 が9月15日から19日までアメリカのボストンで開催され、ワークショップ発表者＆学生ボランティアとして参加してきた。これまで学会発表はひとりで行くことが多く、今回も例外ではなかったが、ボランティアのおかげで他の学生との交流や伝説的な研究者との接触が多くてとても楽しめた。みんなもやると良いと思う。 RecSys2016@Boston RecSysは今回で10回目を迎えた推薦システムのトップ会議で、本会議の採択率はショートペーパーでも20%という狭き門。僕はワークショップのひとつ Profiling User Preferences for Dynamic Online and Real-Time Recommendations（長い）で、ECサイトとかでよく見られる persistent cold-start という問題と、それに絡めて Fact
ストリームデータ解析の世界
【機械学習アドベントカレンダー2015 8日目】 ストリームデータ解析 という分野がある。ある生成元から絶えずデータが到来する環境で、いかにそれらを捌くかという話。「時間計算量はほぼ線形であって欲しいし、空間計算量も小さく抑えつつ精度を担保したいよね」ということを考える世界。個人的に最近はそのあたりの情報を追いかけていたので、整理も兼ねてその世界を俯瞰したい。 すごいリンク集 はじめに、この分野で外せないと思うリンクを3つ挙げておく。 ■ SML: Data Streams YahooやGoogleの研究所を経てCMUの教授をしているAlex Smola先生の講義の一部（スライド＋動画あり）。理論からシステムアーキテクチャまで包括した実際的な機械学習ならこの人。この人の機械学習サマースクールの講義は最高だった。 古典的なものから最近のものまで、代表的なアルゴリズムについて直感的な説明といい
How to Derive the Normal Equation
In the linear regression tasks, the normal equation is widely used to find optimal parameters. However, Pattern Recognition and Machine Learning (RPML), one of the most popular machine learning textbooks, does not explain details of the derivation process. So, this article demonstrates how to derive the equation. Linear regression model We define linear regression model as: for a input vector $\te
blog.takuti.me
👋 Hi, I'm Takuya Takuya Kitazawa is a freelance software developer based in British Columbia, Canada. As a technologist specializing in AI and data-driven solutions, he has worked globally at Big Tech and start-up companies for a decade. At the intersection of tech and society, he is passionate about promoting the ethical use of information technologies through his mentoring, business consultatio
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
My New Year's Resolution 2017: Write an Article Every Week
Recommendation.jl: Building Recommender Systems in Julia
Migrate to Hugo from Jekyll: Another Solution for the MathJax+Markdown Issue