東京大学グローバル消費インテリジェンス寄付講座では過去、東京大学内で7期、オンラインで10期の開催実績があります。これまで7000名以上にデータサイエンスの基礎〜機械学習スキル習得の機会を提供してきました。受講後には、企業との共同研究プロジェクトへの参画機会があり、起業家も多く輩出しています。
![東京大学グローバル消費インテリジェンス寄付講座 - Chair for Global Consumer Intelligence](https://cdn-ak-scissors.b.st-hatena.com/image/square/da212c0f50d97e619ed629e32cbd9ae9bf953187/height=288;version=1;width=512/https%3A%2F%2Fgci2.t.u-tokyo.ac.jp%2Fwp-content%2Fuploads%2F2023%2F03%2F3c5669187bc3ed94bc5a32dcd1b0a6e8.png)
GraphX Advent Calendar 2014 - Adventar 16日目です。 今日からはクラスタリングを見ていきます クラスタリングで一般的なのは K-means 法に代表される距離によって分類していくやり方ですが、グラフ分析では「密度」で計測します。辺による繋がりによる頂点の密度が高くなるグループを作って、クラスタリングしていきます。 グラフ分析でもクラスタリングの手法にはいろいろありますが、今日はそのクラスタリングの指標の計算を見ていきます。この指標をモジュラリティと言います。 モジュラリティ計算方式 ※ 当初はこのスライドを使って計算式の説明をしていましたが、いくつか誤りがあるようなので、訂正します。 モジュラリティの計算方式は、以下のようになります。 数式ワカラナイ… でも頑張って説明したいと思います。 まずは、考え方ですが、一言で言うと、「クラスタ内部の辺の数が、
人工知能やデータ解析の領域で、膨大な量のデータから、物体概念(物体識別)や音声・体の運動スキーマ概念を自動的・自律的に獲得できる可能性をもった手法として、Deep Learning(ディープ・ラーニング、「深層学習」)と総称される手法が注目を集めています。 こうした中、一部の研究者やベンチャー企業の経営者・エンジニアの中には、このDeep Learningのさらに先をいくデータ解析手法として、TDA:トポロジカル・データ・アナリシス (Topological data analysis) と呼ばれる手法に着目している方たちがいるようです。 Deep Learningと同じく、人間が脳を使って、五感で得た周囲や自分の体についての感覚情報から、どのようにして周囲の環境空間に対する認識イメージや、物体概念、みずからの身体概念を得ているのか?という「問い」に対して、統計学や確率論のアプローチではな
https://detail.chiebukuro.yahoo.co.jp/qa/question_detail/q1343207768 佐藤肇先生の『位相幾何』(岩波書店)の冒頭にはこう書かれています。 「位相幾何は、つながっているか、離れているかという本質的な違いのみを見つけていろいろな図形を分類する。 図形の穴の数を1コ、2コと数えるのは一つの表現であろう。また穴とは何で、穴の数はどのように数えられるものであろうか。実は、それを数学的に説明するのがホモトピー群、ホモロジー群、コホモロジー群であり、さらに図形の曲がり具合の程度を表すのが特性類である。直感的にいえば、i次元のホモトピー群は、i次元の“丸い穴”の様子を見ており、i次元のホモロジー群は、i次元の“部屋”の数を調べているということができるであろう。」 位相幾何の入門でまず勉強するのはホモロジーと基本群ですね。基本群はホモトピー
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