Scikit-learnを使って主成分分析などを中心に遊んだ
Machine Learning Advent Calendar 2014の企画で書いているブログ記事です．最近私生活で使ってたことや，そのときに躓いたことをまとめました． 主成分分析 名前は聞いたことる方が多いと思いますが，できるだけデータの情報を損失することなく新しい軸を作るための手法です．高次元ベクトルデータなどは現実に可視化することは不可能ですが，2次元や3次元ぐらいまでに落としてあげると可視化することが出来ますし，タスクに依っては低次元部分だけのデータで十分なこともあります． よくある例ではこのような二次元データからこのように第一主成分(青破線)と第二主成分(黒破線)を求めます．そうするとデータ間のユークリッド距離は，青線上で測った場合でも概ね元のデータの特徴を保持している，ということが言えます．PCAはscikit-learnに実装されているものを利用するか，自分で固有値分解を
Surface Pro 3で論文を読む行為について(Note Anytime for Surface)
巷では熱問題で若干不評に見えるSurface Pro 3です．実際手元のSurface Pro 3(メモリ8GB/ストレージSSD256GBモデル)も普通にデスクトップを使っているとそれなりに熱くなるし，最初の方はOneNoteやEvernoteの同期→WindowsのIndexerが走ってあっちっち問題がしばらく続くので熱いです．最初のWindows Update(OneNoteがちゃんと使えるようになるアップデート，買うときに必ずしてくださいと言われる)をやるまでも当然熱いので，とにかく熱い印象ばかり残ります． これはいろいろ問題があると思いますが，Surface Pro 3の設計そのものだけではなく，最初は特に充電しながら利用していることが多いハズなので，それらの要因が重なって熱い熱いと言われるのだと思います．ただ，それが終わったら熱くならない/ファンが気にならないということではなく
Subgroup DiscoveryとPython Orangeで遊んでいた
Machine Learning Advent Calendar 2013の一環で書いてます．動かしてみるつもりだったんですが，諸般の事情で動かなかったものもあったりして・・・．機械学習関係で比較的メジャーなタスクは分類と回帰だと思うのですが，RのEcdatパッケージに含まれているHousing data(data(Housing)で使う)を線形回帰してみます． 入力 出力(回帰直線を重ねたもの) わーい嬉しい．まぁ細かいところを見てみたらこのデータに線形回帰を突っ込むのがそもそもどうなのか，という問題はありますが，別に2次の項を入れた曲線で近似したところでどうこうなる問題でもないでしょう．そこで，結局横軸(x: lotsize)と縦軸(y: price)がダメなんでしょ？という話を考えたい．いえ，別に積極的に考えたくはないのですが．あと問題にもよりますが． なんとなく線形回帰ダメっぽいと
学振DC1/DC2を書くときに参考にしたサイト一覧
一覧にしました．順番は特に意味はないです． あまり文章作成法に関係ないページが多いのですが，要するに学振を書きながら，自分の見の振り方について少し考えていたということだと思います．でも，基本的な文章形成テクニックは読んでも正直効果はないと思いますけどね． あと，よく他の人に見てもらう・分野外の人に見てもらってわかりやすい平易な文にしたほうが良いと言われますが，自分は特別には賛成できないです．そう言いながらなんですが，何度も自分の先輩や近隣研究領域の先輩方に見ていただきましたが・・・． How to get JSPS Research fellow 学振の申請書を作る上で心がけたいこと – Togetter @Markchloroさんによる学振書類書き方 まとめ – Togetter 学振DC1を本気で狙うためにすべき4つのこと 学振に申請すべき3つの理由と、申請して落ちた時にすべきこと –
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
Blei-labの公開しているソフトウェアを使う
若き数学者のアメリカ，を読む