アルゴリズムイントロダクション輪講 動的計画法の発表資料 - てっく煮ブログ
2009年3月2日に、はてな京都オフィスで開催された アルゴリズムイントロダクション輪講 の第12回で「動的計画法」について発表しました。資料をここにおいておきます。View more presentations from nitoyon.分かりやすくしようと気合を入れてまとめたら165ページの大作になっちゃいました。無駄に長くてすいません。アルゴリズムの設計と解析手法 (アルゴリズムイントロダクション)作者: T.コルメン, R.リベスト, C.シュタイン, C.ライザーソン, Thomas H. Cormen, Clifford Stein, Ronald L. Rivest, Charles E. Leiserson, 浅野哲夫, 岩野和生, 梅尾博司, 山下雅史, 和田幸一出版社/メーカー: 近代科学社発売日: 2007/03メディア: 単行本
統計的機械学習入門
統計的機械学習入門(under construction) 機械学習の歴史ppt pdf 歴史以前 人工知能の時代 実用化の時代 導入ppt pdf 情報の変換過程のモデル化 ベイズ統計の意義 識別モデルと生成モデル 次元の呪い 損失関数, bias, variance, noise データの性質 数学のおさらいppt pdf 線形代数学で役立つ公式 確率分布 情報理論の諸概念 (KL-divergenceなど) 線形回帰と識別ppt pdf 線形回帰 正規方程式 正規化項の導入 線形識別 パーセプトロン カーネル法ppt pdf 線形識別の一般化 カーネルの構築法 最大マージン分類器 ソフトマージンの分類器 SVMによる回帰モデル SVM実装上の工夫 クラスタリングppt pdf 距離の定義 階層型クラスタリング K-means モデル推定ppt pdf 潜在変数のあるモデル EMアル
テキストからの評判分析と 機械学習
テキストからの評判分析と 機械学習 鍜治伸裕 東京大学 生産技術研究所 講演の前に • 想定している聴衆 – 評判分析について専門的なことを知らない – 機械学習（ML）の素養を持っている • 講演の内容 – 評判分析という分野の解説 – 評判分析における ML の適用事例の紹介 • お断り – 自然言語処理(NLP)の話に特化 – ML を使っている論文を私の好みで選んで紹介 評判分析を概観する 評判分析はこんな技術 • 例： Yahoo!ブログ検索における「VAIO」の検索結果 肯定的評判と否定的評判の 書き込み数を集計して表示 肯定的な書き込みと否定的 な書き込みを分類して提示 背景: CGMの出現 • CGM – Consumer Generated Media のこと – 例えば Amazon に投稿されたレビューやブログなど – 一般人が作成，発信するコンテンツである点がポイン
WWW2009のサーベイ@情報爆発キックオフ - 豊田正史のSLとは関係ございません(2009-05-14)
_ [学会] WWW2009のサーベイ@情報爆発キックオフ 情報爆発のキックオフミーティングでWWW2009の15分サーベイという無謀な試みをやらされたので、発表資料を以下に置いてみます。キーノート2本、論文数の多い3セッションから流行りを抜き出すため、タイトル、アブストをタグクラウド化してトレンド論文をリストアップ。いくつかの論文についてちょっとだけ紹介。と言う形にしました。全体的に、Yahoo!, MSの論文が多く、ちょっとおもしろ目のアイデアを、検索エンジン会社の実データで実験してしっかり評価するという論文が多く通っている印象です。大学の教員が企業を兼務していたり、インターンの学生が検索エンジン会社に行って仕事したのをまとめていたりと、企業と大学の連携がうまくいっているということでしょうね。 WWW2009survey.pdf
Makefileの書き方 - スキルアップ輪講
makeって何？ † ソースファイルを分割して大規模なプログラムを作成していると、コマンドでコンパイルするのが面倒です。また、一部のソースファイルを書き換えただけなのに全部をコンパイルし直すのは時間の無駄です。 そんな問題を解決するのがmakeです。Makefileと呼ばれるテキストファイルに必要なファイルと各ファイルのコンパイルのコマンド、ファイル間の依存関係を記します。そして、“make”というコマンドを実行するだけで、自動的にコマンドを実行してコンパイルしてくれます。これだけではスクリプトと大差がないのですが、makeはMakefileに記された依存関係に基づいて更新されたファイルの内関連のあるものだけを更新することで、コンパイル時間を短くします。 makeは特定のプログラミング言語に依存したものではありません。C言語のソースファイルのコンパイルにも使えますし、Verilog-HDL
新はてなブックマークでも使われてるComplement Naive Bayesを解説するよ - 射撃しつつ前転 改
新はてブ正式リリース記念ということで。もうリリースから何週間も経っちゃったけど。 新はてなブックマークではブックマークエントリをカテゴリへと自動で分類しているが、このカテゴリ分類に使われているアルゴリズムはComplement Naive Bayesらしい。今日はこのアルゴリズムについて紹介してみる。 Complement Naive Bayesは2003年のICMLでJ. Rennieらが提案した手法である。ICMLというのは、機械学習に関する（たぶん）最難関の学会で、採択率はここ数年は30%を切っている。2003は119/371で、32.1%の採択率だったようだ。 Complement Naive Bayesの位置づけは 実装が簡単 学習時間が短い 性能もそこそこよい という感じで、2003年段階にあっても、絶対的な性能ではSVMに負けていた。しかし、学習が早いというのは実アプリケーシ
賃貸物件を探すのに不動産屋さんは使えない - Money does not hurt your heart
引越にまつわるメモ目次 引越プロジェクト発動 - tittea blog 賃貸物件を探すのに不動産屋さんは使えない - tittea blog 賃貸物件を探すときに不動産屋さんに伝える条件 - tittea blog 賃貸物件の契約書で気になっていること - tittea blog 引越の合い見積もり2回目 合い見積もりは分けて取るのがよい - tittea blog 賃貸情報サイトの釣り物件？ - tittea blog 賃貸 部屋を借りるときに建物の登記簿を取ってみた - tittea blog 不動産屋さんへ直接行って物件を紹介してもらう時代は終わった？ もう、不動産屋さんへ行かないと物件が見つからない時代は終わりつつあるんじゃないだろうか。 10年前に引越をしたときには、まだネットではChintaiぐらいしかサイトが無くて、サイトへの情報の反映も遅くて、実際に不動産屋さんへ行く価値
真っ赤な論文原稿が指導教員から帰って来たら？ - 発声練習
指導教員から真っ赤になった論文原稿が帰ってきたとしたら、基本的にあなたは良い先生のもとで学んでいるという証拠。まずは、先生にお礼を言うこと。 はじめに フェアな態度が重要。 多くの場合は先生と学生の関係は一対多であるので、あなたが論文の指導をもらいたいときには他の学生もそう思っているということをよく理解する。うまく、他の学生とタイミングをずらして指導を受けるのはうまいやり方． 指導教員も自分の仕事を持っているわけなので、締切り直前に論文指導を求めても拒否されることがある。自業自得だと思って諦めること。 指導教員の指導は論文の書き方、内容、表現に関するものであり、「あなた」に対するものではないので冷静に指摘を受け止めること。 指導教員が一番がっかりするのは、一生懸命指導した内容に対して無視されること。それが、故意あるいはそうでないとしても「無視した」という結果が重視されるという点をよく理解す
主成分分析
初心者向けテキスト 主成分分析 京都大学大学院工学研究科化学工学専攻 プロセスシステム工学研究室 加納 学 1997 年 1 月 第１版作成 2002 年 5 月 第２版作成 Copyright c 1997-2002 by Manabu Kano. All rights reserved. ［ 注意事項］ 自由に利用していただいて結構ですが，著作権は一切放棄していません．また，本資料の間違いなど に よって生じた不利益など に対して，著者は一切責任を負いません．勿論，間違いの指摘やアド バイスは歓迎 し ます． 1 目次 1 2 主成分分析とは 主成分の導出 2.1 準備 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2
＜未定稿＞英語で書くタイトルとアブストラクト\(概要\)＜未定稿＞
英語で書くタイトルとアブストラクト(要旨) 2006 年 7 月 18 日 立命館大学政策科学部 ライティング･チューター 政策科学部では 1 回生の基礎演習年度末レポート（研究入門フォーラムに向けての研究 プロポーザル）から 4 回生の卒業論文・卒業制作にいたるまで外国語によるタイトルとア ブストラクトを添付することが義務づけられています。また、政策科学研究科における修 士論文・博士論文も同様です。外国語というともちろん英語だけではありませんが、最も 皆さんになじみがあり、実際のタイトルやアブストラクトで多くを占めるのは英語です。 ですからここでは英語で書く場合について説明しますが、このことは他の言語を排除する ことを意味しません。政策科学部でせっかく学んでいるのだから、ぜひ中国語で、フラン ス語で、ドイツ語で書いてみようという意欲は大歓迎です。その場合も、言語が違っても 要点は同じで
WEKA 使用説明書
[ 連載 ] フ リーソフトによるデータ解析・マイニング 第 20 回 WEKA と樹木モデル 1 ． WEKA とは 樹 木モデルに関するアルゴリズムは多く提案されているが、R には CART のファミリーの一 族 tree 、 rpart 、 randomForest 以外には見当たらない。樹木モデル ( 決定木 ) の話題で欠かせな いのは C4.5 のアルゴリズムである。そこで、本稿では、 C4.5 のアルゴリズムが実装されてい るデータマイニングのフリーソフト WEKA を紹介する。 W EKA は、 ニュージーランドのワイカト大学 (University of Waikato) の Ianh. Witten 、 Eibe. Frank を中心とした機械学習の研究者によって開発され続けている、 Java 言語によるオープ ンソースのデータマイニングのフリーソフトである。実
Zinniaの多クラス分類法 - 射撃しつつ前転 改
ZinniaというSVMベースの新しい手書き文字認識エンジンがリリースされたので、早速ソースコードを少し読んでみた。 文字認識というのは、機械学習では多クラス分類という問題に分類される。しかもクラス数が認識したい文字数（数千文字程度だろう）分だけ存在するという、なかなか計算量的に厳しい問題である。二値分類器を使って多値分類器を構成する方法にはone vs rest, one vs one, その他にもいろいろあるらしいが、その中のどれを使っているのかというところに興味があった。Webによると、50〜100文字/秒の認識速度と書いてあったので、コードを読む前の予測としては、one vs oneかなーと思っていた。（速度的にはone vs oneの方がone vs restより速い。） しかし、そんな予想を裏切り、recognizer.cppの148行めあたりからには以下のようなコードが書いて
C#でThinkpad加速度センサーの値をとる - toytools log
C#でThinkpad加速度センサーの値をとってみるよ！ //C# code using System; using System.Collections.Generic; using System.Text; using System.Runtime.InteropServices; using System.Threading; namespace ThinkPadSensor { class APS { [DllImport("sensor.dll")] public static extern void ShockproofGetAccelerometerData(ref AccData accData); [StructLayout(LayoutKind.Sequential)] public struct AccData { internal int status; inter
The IDF(inverse document frequency) page
Professor Emeritus Professor Stephen Robertson In what used to be the Department of Library and Information Science My current email address is not too hard to find, but I may also be contacted through LinkedIn. I'm now retired from paid work. I spent 15 years, from 1998 to 2013, as a researcher at the Microsoft Research Laboratory in Cambridge (England, that is). I was a fellow of Girton College,
hirax.net::画像ノイズ解析について考える::(1999.02.27)
考える理由 画像ノイズ解析を目的として、2次元フーリエ変換を用いて周波数解析をすることが多い。かねがね、このやり方について疑問を感じていたので少し考えてみたい。 その疑問とは次のようなことである。 通常の2D-FTでは、入力データ全領域での周波数解析を行う。従って、単発のパルスのようなノイズはバックグラウンドに埋もれてしまい、結果にはなかなか出てこない。同じ理由で、2D-FTでは位置と周波数解析を同時に行うことができない。(もちろん、短時間フーリエ関数を使えば、そのような測定は行うことができる。)また、ホワイトノイズのようなフラットな周波数特性を持つノイズもバックグラウンドを押し上げるだけの効果しか持たないため、解析をしづらい。 そこで、今回は単純な画像に対して、2D-FTと2D-離散Waveletの比較を行うことで、2D-FTを用いた「画像ノイズ解析」の問題について考える。2D-FTと2
opencv.jp - OpenCV: 離散変換（Discrete Transforms）サンプルコード -
作成者: 怡土順一, 最終変更者: 怡土順一, 最終変更リビジョン: 342, 最終変更日時: 2007-10-14 23:39:34 +0900 (日, 14 10月 2007) ■ DFT 離散フーリエ変換および，逆離散フーリエ変換とは，離散化されたデータに対するフーリエ変換である． これは，1次元信号や2次元画像の周波集解析，データ圧縮，畳み込み定理を利用した（F(f*g）=F(f)*F(g)）高速な乗算などに利用される． OpenCVでは，関数cvDFT()よよって，順変換，逆変換が可能である． #include <cv.h> #include <highgui.h> /* プロトタイプ宣言 */ void cvShiftDFT (CvArr * src_arr, CvArr * dst_arr); int main (int argc, char **argv) { IplIma
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
en:Weka 3.4.7 - WekaDoc
wxWidgetsのインストール - MyWay
文章の書き方 2008-bunshou.pdf (application/pdf オブジェクト)
毎日新聞の英語版サイトがひどすぎる まとめ＠wiki
