atmaCup#2 インターン生参加記録 #atmaCup - atma-inc__blog
はじめに はじめまして、atmaでインターンをしている植田 (@tellmoogry)と申します 今回のatmaCup#2では一般参加者として参加させていただきました 本記事は1参加者目線からみたコンペの参加記事となります はじめに コンペ概要 コンペ中に取り組んだこと 結果 参加して良かった点 コンペ概要 今回のタスクは"睡眠データをもとにその人の睡眠の質を予測する"というものでした。 データはユーザーごとにtrain, testで連続した時系列データが与えられました。 目的変数はユーザーが入力した[1,2,3]の3段階で与えられ、値が小さいほどその人の睡眠の質が低いことを表します。 評価指標はRMSEでした。*1 public, private*2の中身については事前に以下のような説明がありました。 private/public は時系列によって分割されています。具体的には特定のユーザ
GBDTの理解に役立つサイトまとめ - copypasteの日記
GBDTは分析コンペや業務で頻出しますが、アルゴリズムの詳細はパッケージごとに異なるため複雑です。できることなら公式ドキュメント・論文・実装を読み込みたいところですが、私の実力的にそれは厳しいので参考サイトをまとめておきます。ゆるふわ理解に留まっている自分用のメモです。 GBDT Gradient Boosting Interactive Playground トイデータを使ってGBDTの挙動を確認できる。しばらく遊べる。 YouTube とてもわかりやすい解説動画。Part1~4を視聴すればアルゴリズムの基本が理解できる。 Gradient Boost Part 1: Regression Main Ideas Gradient Boost Part 2: Regression Details Gradient Boost Part 3: Classification Gradient
日本たばこ産業によるAIコンペティションで全1013チーム中、第3位に入賞しました！ - Platinum Data Blog by BrainPad
分析コンペサイト「SIGNATE」にて行われた「日本たばこ産業 たばこ商品の画像検出」にて、当社のデータサイエンティストチームが全1013チームの中で見事第3位に入賞しました！ 本ブログでは表彰式の様子についてご紹介したいと思います！ こんにちは。アナリティクスサービス部の井出です。 先日分析コンペサイトSIGNATEにて、日本たばこ産業株式会社（JT）がホストとなって行われた「たばこ商品の画像検出」に、同じくアナリティクスサービス部の兵藤さんと参加しました。結果、全1013チームの中で第3位の精度を出し、見事入賞しました！ プレゼンテーションも実施した表彰式当日の様子について紹介したいと思います。 ■コンペの概要・趣旨について SIGNATEとは データサイエンティストコミュニティです。ここでは、企業がホストとなってデータサイエンスコンペティションが行われています。 今回我々が参加した「
「不適切コンテンツ検出」 の機械化と安定運用 / Automating "unsafe content detection" with Amazon SageMaker
＊「機械学習による不適切コンテンツ検出」の実装と成果 https://medium.com/mixi-developers/mixi-20190110-d1cde81cf37c ＊【開催報告】第4回 Amazon SageMaker 事例祭り https://aws.amazon.com/jp/blogs/news/amazon-sagemaker-fes-4/ SNS mixi というプロダクトで、「不適切コンテンツ検出」タスクを Amazon SageMaker, ECS 等の AWS サービス群によって機械化し、安定運用しています。 機械化にいたった経緯と成果、アーキテクチャと運用上のポイントについてお話しさせていただきます。 １．事業紹介 ２．「健全性維持」という課題と対策 ３．アーキテクチャ解説 ⅰ．カスタムアルゴリズム ⅱ．中間生成物の管理 ⅲ．定期実行タスク ４．まとめ 株式
「機械学習のための特徴量エンジニアリング」が良かったので訳者に媚を売る - Stimulator
- はじめに - 本ブログでは恒例になりつつある、献本されたので媚を売るシリーズです。 「機械学習のための特徴量エンジニアリング」は2/23に発売される、機械学習エンジニアのための書籍です。 本記事は、筆者に媚びを売りつつ、どういった内容の書籍か、どういう人が読むと良さそうか、私がどう感じたかをつらつら書いていくもでのす。 機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 作者: Alice Zheng,Amanda Casari,株式会社ホクソエム出版社/メーカー: オライリージャパン発売日: 2019/02/23メディア: 単行本（ソフトカバー）この商品を含むブログを見る - はじめに - - 書籍の概要 - - どんな層に向けた書籍か - - 感想とか - - おわりに - - 書籍の概要 - 「機械学習のための特徴量エンジニアリング」は、謎のデータサイエン
営業マンが1年でSEになって機械学習エンジニアに転職する話 - かえるのプログラミングブログ
こんばんは、かえるるる(@kaeru_nantoka)です。 先日、10ヶ月勤めたSES企業に辞意を伝えました。 そして4月からは、ストックマーク株式会社（https://stockmark.ai/ ）にて、NLPを応用した機械学習エンジンを開発する機械学習エンジニアとして参画することになりました。 ちょうどいい人生の節目なので、流行っている転（退）職エントリを描いてみようと思います。 概要 ・営業職だけど趣味で始めたプログラミングにハマったよ ・未経験だけど第二新卒的なアレでプログラマーになるぞ ・ひょんなことから kaggle にハマったぞ ・なんか上京することになったよ ・なんで私がエクセル職人に！？ ・なんとかソロ銅メダル取れたぞ ・kaggle 強くなりたいからもう一度転職するぞ！ 筆者のスペック ・経済学部卒 ・プログラミング歴1年ちょい（2017年12月~） ・kaggle(
ランダムフォレストと検定を用いた特徴量選択手法 Boruta - 学習する天然ニューラルネット
特徴量選択とは Borutaとは とりあえず使ってみる ベースラインの判別 Borutaの判別 Borutaのアイデアの概要 Borutaのアルゴリズム 1. 判別に寄与しないはずの偽の特徴量を作る。 2. 偽の特徴量と一緒にランダムフォレストを訓練。 3. 各特徴量の重要度と偽の特徴量の特徴量を比較。 4. 複数回比較し検定を行うことで、本当に重要な特徴量のみを選択。 検定について 1. 棄却したい帰無仮説と受容したい対立仮説を用意する。 2. 観測値から検定統計量Tを定める。 3. 帰無仮説が正しいとしてTの分布を求める。 4. 十分小さい有意水準αを定め、帰無仮説が正しいときにとなる領域を棄却域とする。 5. 観測されたTがに入っていたら対立仮説を受容し、入っていなければ帰無仮説を受容する。 まとめ 補足 使う際のTips等 2019/01/06追記 参考 特徴量選択とは 特徴量選択
AWS認定Specialityに新カテゴリ「AWS Certified Machine Learning – Specialty」が登場 ！ #reinvent | DevelopersIO
せーの@ラスベガスでございます。 AWSの認定資格に新たなカテゴリ「AWS Certified Machine Learning – Specialty」が登場したのでご紹介します。 機械学習はもう未来の物語じゃない 「機械学習」というと、なんとなく敷居が高く感じられる方もいるのではないでしょうか。データサイエンティストのような専門の知識が必要なんじゃないか、ものすごく高額なコストがかかるんじゃないか、そもそもドラえもんやペッパーくんのようなものはうちのビジネスには関係ない。。。 しかし現在、機械学習を使ったソリューションはごくごく身近なところに展開されています。小売業での売上予測、キャンペーンをどのタイミングで打ったらよいか、製造業では不良品のネジや紙を自動的にチェックして弾きたい、総合職でも受付業務のサポートがほしい、定型的な接客を外国人向けに提供したい。これらすべてのケースに機械学習
Kaggleで世界11位になったデータ解析手法～Sansan高際睦起の模範コードに学ぶ｜ハイクラス転職・求人情報サイト AMBI（アンビ）
Kaggleで世界11位になったデータ解析手法～Sansan高際睦起の模範コードに学ぶ Kaggleの上位入賞者であるKaggle Grandmasterを獲得した、Sansan株式会社のデータサイエンティスト高際睦起さん。模範となるソースコードをもとに考え方や解析手法を教えていただきました。 「Porto Seguro’s Safe Driver Prediction」とは？ 【技法1】前処理 【技法2】特徴抽出 【技法3】予測モデルの作成 Kaggle初心者は何から始めるべき？ データサイエンティストを目指す若き人たちへ 世界中のデータサイエンティストたちが集まり、企業や研究者が投稿したデータに対する高精度なモデルを競い合うプラットフォーム・Kaggle。メンバーは100万人を超えており、良問の多さや参加者のレベルの高さゆえに、機械学習を学ぶ者にとって優れた研鑽（けんさん）の場となって
A Neural Parametric Singing Synthesizer
Sound examples Contact: {merlijn.blaauw, jordi.bonada}@upf.edu [extended journal paper] Published: 18 December 2017. [original paper] [poster] Presented at Interspeech 2017, August 20-24, 2017, Stockholm, Sweden. [voice cloning demos] To be presented at ICASSP 2019, May 12-17, 2019, Brighton, UK. Demos English male voice (M1) - Take the A train In the following examples only timbre is generated by
社内でKaggleの布教活動をやっている話 - yasuhisa's blog
最近、社内勉強会で機械学習についてエンジニアに説明する機会があり、その際にKaggleについても説明しました。一方で うーん、「Kaggler はパラメータチューニングやアンサンブル等の自明でインクリメンタルな改善『しか』できない」というような誤解はどうやって解いていけばいいんだろう。— im132nd (@im132nd) 2018年4月4日 という話もあり、(特にデータサイエンティスト以外の職種の人が)Kaggleをやる意義/メリットについてまとめてみました。ガッと勢いで書いたので、項目に結構被りがあります。なお、書いている本人はKaggleほぼ初心者であまり説得力がないです。Kaggle Masterの人がもっといいエントリを書いてくれるのを期待しています、議論の叩き台エントリです!! Kaggleをやる意義/メリット 様々なデータセットを触ることができる kernelでデータ分析の
1
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
