「ビッグデータ」を駆使して分かった！都内で住みたい街の生ビール平均価格ランキング！ 特集 2014年04月22日 酒飲みにとっての住みやすい街とは？春になると、東京の住みたい街ランキングなるものが発表される。だが、住みたい街と、住みやすい街が必ずしも同じだとは限らない。例えば、毎晩の生ビールを欠かせない酒飲みにとって、ビールが一杯いくらで飲める街なのか？　これは重要な問題だ。 偉大なる先人たちは言った。「酒は百薬の長」、「そして継続は力なり」である。消費税が上がったので禁酒する…。そんな選択肢など酒飲みには存在しないも同然なのだ。ああ、果たして、都内で人気の住みたい街の中で、もっとも生ビールが安いのはどこなのか？　中ジョッキを片手にうなだれるNARIZOの元に、突然、その男は現れた。 「ビッグデータを使えばよいのです」 ポテトの妖精　根本景太 暗がりから突然、ほくほくのポテトを片手に現れた

Machine Learning Advent Calendar 2012とは パターン認識・機械学習・自然言語処理・データマイニング等、データサイエンスに関するアドベント・カレンダーです。 当初PRML Advent Calendarとして立てたのですが、PRMLは敷居が高すぎるのかネタだと思われてるのか皆ROMる気満々で執筆側に誰も回ってくれる気配がなかったので、対象を機械学習全般にしてみました。URLが変更になりすみません。 参加方法 とりあえず参加登録をポチる 自分の担当の日に機械学習に関するちょっとした記事を書く みんなで読む 記事内容は、パターン認識・機械学習・自然言語処理・データマイニング等、データサイエンスに関する事でしたら何でもOKです。テーマに沿っていれば分量は問いません。 （PRMLの読んだ箇所のまとめ、実装してみた、論文紹介、数式展開、etc.） 皆さんのご参加をお

e-ぷらっとネットでは、ご利用日の1ヵ月前（前月の同じ日）の11時から出発5日前までご購入いただけます。 お電話なら、出発2日前（ご来店受け取りの場合※支店休業日を除きます。）までご購入いただけます。 ご来店なら、出発前日までご購入いただけます。

サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。

グラフ理論の分野に、ラプラシアン行列（キルヒホッフ行列）と呼ばれるものがある。 これはグラフの構造を行列で表したもので、対角成分で頂点の価数を、その他の成分で隣接関係を表す。 具体的には、成分(i, j)の値は次のように決まる。 ・i=j のとき：頂点iに接続する辺の数 ・i≠jのとき：頂点iと頂点jが辺でつながっていれば-1。そうでなければ0 Wikipediaに載っている次の具体例がわかりやすい。 何のために、このような行列表現をするのか？ このような行列表現をすると、グラフの性質が行列の性質を通して明らかになるから。 例：値がゼロとなる固有値の数が、Connected componentの数と等しい。（つまり、少なくとも1つの固有値は値がゼロである） 例：全域木の数え上げに使える（External Memory：グラフと線形代数） ほかにも、3DCGで使われるメッシュモデルの平滑化に

機械学習では既存の最適化手法をただ持ってきて適用すればよいかというと，最近のデータサイズの増加とともにそのような簡単な状況ではなくなっています．大きなデータを解析するためにはあまり複雑な手法は使えない代わりに問題の性質を深く考慮することが非常に重要です．そのため，内点法などの最新の最適化手法ではなく，60年代-70年代に研究された古い手法に注目が集まっています．この発表ではスパース推定問題を単純スパース推定問題と構造付きスパース推定問題に分類し，それぞれに対し講演者が最近行った研究を紹介します．

2. 自己紹介 @kakenman 趣味 最近の動向 組み込みプログラミング 成り行き上某M社という外資 Python のコンサルに就職することに サーバ管理 なったので，せっかくだから VM遊び(特にKVM) これまでの知識を何かに役立 金属溶接 てたい気分 金属加工 電子工作 ←他のも要望あればやります 今回はこれ 機械学習 よ！TIG溶接は任せろ！ 自然言語処理 未来ガジェット製作 牧瀬紅莉栖 3. カーネル法とSVM • ガチ勢的には使い古された手法 • 一方で名前だけ知ってるって人も多い • 「あ，あーSVMねー（よく分かってないけど）」 • 「あ，あーカーネルトリックねー（全然分からな いけど）」 • 今日はそんな感じの方向け 4. 本日のはなし • 第一部：カーネル法 • 第二部：サポートベクターマシン 準備期間の関係で第一部で力尽きた感あり・・・ 導出の手順は色々ありますが

岡野原です。Deep Learningが各分野のコンペティションで優勝し話題になっています。Deep Learningは7、8段と深いニューラルネットを使う学習手法です。すでに、画像認識、音声認識、最も最近では化合物の活性予測で優勝したり、既存データ・セットでの最高精度を達成しています。以下に幾つか例をあげます。 画像認識 LSVRC 2012 [html]  優勝チームスライド [pdf], まとめスライド[pdf] Googleによる巨大なNeuralNetを利用した画像認識（猫認識として有名）[paper][slide][日本語解説] また、各分野のトップカンファレンスでDeep Learningのチュートリアルが行われ、サーベイ論文もいくつか出ました。おそらく来年以降こうした話が増えてくることが考えられます。 ICML 2012 [pdf] ACL 2012 [pdf] CVPR

「クラスタは球状だ」と想定しているk平均法が苦労するように、細長くて交差したクラスタのデータを使った。また変分ベイズの「クラスタの個数を自動調整する」というメリットを確認するために、クラスタの個数は2, 4, 8個で行った。EMアルゴリズムと変分ベイズでは、k平均法ができていない「長細いクラスタだ」という推定ができている。またEMアルゴリズムではクラスタの個数は人間が与えないといけないが変分ベイズでは自動調整されている。ただし、自動調整に失敗することも結構あるので「何回か実行して一番良かったものを取る」というアプローチが必要だろうな。変分ベイズの8クラスタでの実験は10回やって一番良かったものを取っている。4クラスタの実験は6回。それぞれ初期状態から20ステップの学習過程を動画にしている。 k平均法 k平均法では細長いクラスタを見つけられないのでこれが限界 4クラスタの例。クラスタの個数を