CET (Capture EveryThing)プロジェクトにおける機械学習・データマイニング最前線リクルートライフスタイルの全サービス横断で、ログデータ（システム系ログやユーザ行動ログなど）をリアルタイムに収集・可視化・分析するCETプロジェクトでの機械学習・データマイニング活用事例のご紹介 Read less
Java で引数の null チェックで迷った話 - yukungのブログ
これは Java Advent Calendar 2015 の 15 日目の記事です。 昨日は @opengl_8080 さんの Byteman 使い方メモ＋α でした。明日は @irof さんです。 前置き ついこないだチームでちょっとだけ話題に上って、みんなある程度指針は持っているものの、割と悩みつつ明確に答えを出せなかったので、もっと良い意見があればと思って晒してみます。まぁよくある話だし、Java 8 で Optional が使えるようになって null について語られるケースが増えたと思うので、再考するちょうどよい機会になればいいなーと思います。初心者向けです。 どう処す？処す？ こんな状況の時にあなたならどうしますか？ // Generics なのは例です。String でもなんでもいいです public T doSomething(T input) { // input が
Pythonで学ぶ 基礎からのプログラミング入門(30) 例外処理について学ぼう(中編)
前編では基本的な例外処理の手法、および例外の種類について扱いました。中編では、 例外処理の場合分け どのような例外が発生しているかの確認 例外をわざと発生させるテクニック について解説していきます。 例外処理の場合分け 前回は、try/exceptについて学びました。簡単に復習すると、例外が発生する可能性のある箇所を「try」で囲み、例外が発生した場合の処理を「except」に書くのでした。 たとえば以下のプログラムを実行するとします。 print('1: outside of try/catch') try: print('2: inside of try scope') 5 / 0 print('3: inside of try scope') except Exception: print('4: inside of except(catch) scope') print('5: o
時系列データ分析の初心者に必ず知ってもらいたい重要ポイント ～ 回帰分析 ・相関関係 分析を行う前に必ずやるべきこと（データの形のチェックと変形） - Qiita
回帰分析 や 相関関係分析 を 行う前に、まず一番最初に、「データの検証」と「データの加工」が絶対に必要 上記のステップを踏まないと、例え、Excel や SPSS、Rで 回帰分析・相関関係を事項して、「実行エラー」起こらないで、ちゃんと数字が画面に出ても、それは『間違った数字』である可能性が非常に高い 回帰分析 や 相関関係分析に使えるデータは、次の 『 NG条件 』にあてはまらないデータだけ 「データの形」必須条件 ～その１ データ期間を通じて、データの平均値が変わるデータだとNG ⇒ 折れ線グラフでチェック必須！ 「データの形」必須条件 ～その２ データ期間を通じて、データのぶれ・ばらつきが変わるデータだとNG ⇒ 折れ線グラフチェック必須！ 「データの形」必須条件 ～その３ データ期間を通じて、データの値が直線的 or 曲線的に、増加する・減少するデータだとNG ⇒ 折れ線グラフチ
S+rescue [時系列分析]
Chap4 時系列分析 コンテンツ 4.1 時系列分析の概要4.2 時系列分析のための基礎知識4.3 時系列モデル4.4 ARIMAモデルの構築4.5 ARIMAモデルの再構築 4.1 時系列分析の概要 S-PLUSの組み込みのデータセットである．"co2"を使って，時系列分析とは何かを 具体的に説明する． "co2"は米国のオークリッジ国立研究所が保持している気象データベースからとったもので，1959年1月から1990年12月までの二酸化炭素の濃度のデータである． "co2"の内容と，概形は下の通りである． Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 1959: 315.42 316.32 316.49 317.56 318.13 318.00 316.39 314.66 313.68 313.18 314.66 315.43 1960
はじめるDeep learning - Qiita
そうだ、Deep learningをやろう。そんなあなたへ送る解説記事です。 そう言いながらも私自身勉強しながら書いているので誤記や勘違いなどがあるかもしれません。もし見つけたらご連絡ください。 Deep learningとは こちらのスライドがとてもよくまとまっています。 Deep learning つまるところ、Deep learningの特徴は「特徴の抽出までやってくれる」という点に尽きると思います。 例えば相撲取りを判定するモデルを構築するとしたら、普通は「腰回りサイズ」「マゲの有無」「和装か否か」といった特徴を定義して、それを元にモデルを構築することになります。ちょうど関数の引数を決めるようなイメージです。 ところが、Deep learningではこの特徴抽出もモデルにやらせてしまいます。というか、そのために多層、つまりDeepになっています。 具体的には頭のあたりの特徴、腰のあ
Ｒと時系列(1)
時間とともに変動する現象に対して時間の順序で測定・観測した結果の記録を時系列データと言い、略して時系列(time series)と言う。時系列データは多くの分野で様々な目的で取り扱われる。日常の社会生活の中でよく見受けられるものには、心電図や脳波のような医療データ、気温や気圧のような気象データ、株価および為替レートのような金融・経済データなどがある。 時系列データは、常に変動を伴うものである。その振る舞いを統計的に分析し、データ変動の特徴を捉え、現象の解明と将来の変動を予測・制御しようとするのが時系列データ分析の主要な目的である。 ちなみに、2003年ノーベル経済学賞の受賞の対象となった内容は、経済時系列分析に関するものである。
%2B%25BB%25FE%25B7%25CF%25CE%25F3%25B2%25F2%25C0%25CF)
(Python) 時系列解析 - Murakami's Memorandum
(工事中) データ型 移動平均・重み付き移動平均 単純移動平均 重み付き移動平均 スプライン補間 自己相関・相互相関 自己相関 有限複素フーリエ変換・有限フーリエ変換 データ窓 パワースペクトル コヒーレンス・偏コヒーレンス・マルチプルコヒーレンス データ型 リスト a=[1,2,3] アレイ import numpy as np a=np.array([1,2,3]) a*a # 要素毎の掛算 [1,4,9] となる a.dot(a) # 答えは14 行ベクトルと列ベクトルの掛算 マトリクス import numpy as np a=np.matrix([[1,2,3]]) # 行 b=a.transpose() # 列： a の転置 a*b # 行列の掛算 答えは14 a.dot(b) ＃行列の掛算(別の表現) # c=np.matrix([[1,2
動的時間伸縮法 / DTW (Dynamic Time Warping) を可視化する - StatsFragments
いま手元に 20万件くらいの時系列があって、それらを適当にクラスタリングしたい。どうしたもんかなあ、と調べていたら {TSclust} というまさになパッケージがあることを知った。 このパッケージでは時系列の類似度を測るためのさまざまな手法 (=クラスタリングのための距離) を定義している。うちいくつかの手法を確認し、動的時間伸縮法 / DTW (Dynamic Time Warping) を試してみることにした。 DTWの概要 時系列相関 (CCF) の場合は 片方を 並行移動させているだけなので 2つの系列の周期が異なる場合は 相関はでにくい。 DTW では 2つの時系列の各点の距離を総当りで比較した上で、系列同士の距離が最短となるパスを見つける。これが DTW 距離 になる。そのため、2つの系列の周期性が違っても / 長さが違っても DTW 距離を定義することができる。 アルゴリズム
機械学習アルゴリズム実装シリーズ [線形回帰編] - Technology Topics by Brains
機械学習アルゴリズム実装 線形回帰編 こんにちわ。 ブレインズテクノロジー最年少樋口です。 、、、と言っても、もうすぐ27なのですが...orz 今回から何回かに分け、「機械学習アルゴリズム実装シリーズ」と題して機械学習アルゴリズムをPythonで実装をしていきます。もちろん、scikit-learnなどの機械学習ライブラリを使うのではなく重要な部分は全て自分で実装するという試みです。なるべく難しい数式などの説明は最小限にして、機械学習アルゴリズムを少しずつ解説・実装していきたいと思いますので、「これから機械学習いじってみたいけど、何したらいいか分からない。。。」って人の助けになれたら嬉しいです！(と言いつつ自分の備忘録代わりにしているのは秘密ですw) 因みにここで書いている事はCourseraという有名なオンライン学習サイトのMachine Learning by Stanford Un
![機械学習アルゴリズム実装シリーズ [線形回帰編] - Technology Topics by Brains](https://cdn-ak-scissors.b.st-hatena.com/image/square/ddf6e1bce45c4102f942d0209ff100e9dedcb286/height=288;version=1;width=512/http%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fm%2Fmhigu%2F20151013%2F20151013151606.png)
機械学習クソ素人の俺がプロダクトをリリースするまでの2ヶ月で覚えたこと - Qiita
scikit-learnでちょっとした機械学習をするのは、LAMPでちょっとしたWebアプリをつくるよりも簡単です。 下記に自分が入門してから2ヶ月間で覚えたことをまとめました。 ハイライト 重要だと思ったこと3つ 機械学習の概要 scikit learnについて Google Prediction API,Mahout,Spark,Cythonについてそれぞれ一言所感 重要だと思ったこと3つ 1.機械学習に明るい友人をもつこと どんな技術でもそうだけど、友人に聞いて概要を先に掴んでおくと自信を持って進めることができます。この自信を持っていると心が折れにくくなります。 @fukkyyに「入門サイトは難しい用語つかってビビらせてくるけど、ライブラリを使えば機械学習はこわくない」と教わり、巷にある入門サイトを無視してライブラリをたたき始めたので入りやすかったです。 @ysks3nに次元削除や各
HashiCorpのNomadを使ったコンテナのスケジューリング手法
15. # There can only be a single job definition per file. # Create a job with ID and Name 'example' job "example" { # Run the job in the global region, which is the default. # region = "global" # Specify the datacenters within the region this job can run in. datacenters = ["dc1"] # Service type jobs optimize for long-lived services. This is # the default but we can change to batch for short-lived
Docker で「速くてウマイ」な CI 環境を構築するための 5 つの Tips | 株式会社ヌーラボ(Nulab inc.)
Docker 社のユースケースでもあげられているように、CI/CD で Docker を使うというのは、プロダクションシステム以外で Docker の特性を活用できる良い場所だと考えています。ヌーラボではBacklog でのプルリクエストの提供以降、CI のジョブの実行のために Docker を利用しています。ここではその運用から学んだ５つの Tips を紹介したいと思います。 ヌーラボの CI 環境の全体図 これがヌーラボの CI 環境の全体図です。 CI には Jenkins を利用しており、Jenkins のジョブのトリガーとなるのは左側の Backlog や Typetalk です。実際には Jenkins Backlog Plugin や Jenkins Typetalk Plugin を利用してジョブを処理しています。これらのプラグインの詳細については本ブログ末に参照先をのせて
Mac 環境構築の自動化 2015年末版 ( homebrew + homebrew-cask + homebrew-brewdle + mackup + crontab + mas-cli ) - Qiita
Mac 環境構築の自動化 2015年末版 ( homebrew + homebrew-cask + homebrew-brewdle + mackup + crontab + mas-cli )MacMacOSXhomebrew環境構築homebrew-cask この記事は クラウドワークスAdvent Calendar 2015 14日目の記事になります。（風邪をひいて一日遅れましたごめんなさい＞＜） 今までの Mac 環境構築の歴史 最初は、インストールしたアプリケーションの手書きメモとホームディレクトリの dotfiles を dropbox 配下に移動しシンボリックリンクへ張替えを行う自前シェルスクリプトがあっただけでした。 アプリをインストールする度に、手元のメモを更新するという温かみのある日々（もちろん頻繁に更新を忘れる）、そんな日常に颯爽と現れた Github Boxen 1
JavaScript で実装してみる Deep Learning
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog はじめに はじめまして、安藤義裕と申します。ヤフー株式会社データ＆サイエンスソリューション統括本部ソリューション本部でプログラマーをしております。趣味はカミさんの手料理です。 機械学習で用いられるアルゴリズムの一つにニューラルネットワークがあります。ニューラルネットワークは脳細胞の働きにヒントを得て考えられたものです。今回扱う多層ニューラルネットワークはニューラルネットワークの中間層と呼ばれる部分を多層化したものです。近年話題に上ることの多い Deep Learning ではこの多層ニューラルネットワークが利用されています。 多層ニューラルネットワークは用途に応じて異なるネットワークが利用されます。画像処理では畳込みニューラルネッ
インポート
Pythonのインポート(import)は標準ライブラリのインポートはもちろん、自ら作成したモジュールのインポートも行うことができます。 import, from まずは簡単なモジュールファイルを用意します。下記コードをtestmod.pyという名前で作業ディレクトリに保存してください。 class TestClass: def __init__(self): print('create TestClass') def test_method(self, val): print('call test_method') print(val) 次は上記モジュールを実行（インポート）するコードを記述します。Pythonはコード中のどこにimport、fromを記述してもエラーにはなりません。 import testmod test_class_1 = testmod.TestClass() te
VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback
Modern recommender systems model people and items by discovering or `teasing apart' the underlying dimensions that encode the properties of items and users' preferences toward them. Critically, such dimensions are uncovered based on user feedback, often in implicit form (such as purchase histories, browsing logs, etc.); in addition, some recommender systems make use of side information, such as pr
自然言語処理×ナイーブベイズ分類器で羽生さんと羽生くんを分類してみた - Qiita
はじめに 機械学習についての理解を促進するため、 データから分類モデルを自動で構築する古典的な方法である、 ナイーブベイズ分類器を実装してみました。 最近はCloudVisionAPIなど専ら画像解析が流行っていますが、 初学者には敷居が高そうだったため、まずは自然言語処理です。 今回は、TwitterAPIを利用してbotアカウントから名言を収集し、 羽生さんと羽生くんを分類する羽生分類器を実装しました。 尚、APIクライアントはRuby、分類器はPythonで実装し、 形態素解析にはMeCabを利用しています。 また本来ならばどちらも羽生さんとお呼びしなければならない所、 便宜上フィギュアスケーターの羽生さんを羽生くんと表記させて頂く事をお許し下さい。 Tweetデータの収集 APIClientは、Twitter Ruby Gemを使って下記の通り実装しています。 TwitterAPI
Deep learning で、全ニコ生番組をリアルタイムで監視するシステム作ってみた
Deep learning で、全ニコ生番組をリアルタイムで監視するシステム作ってみた posted at 2015-12-15 03:57:28 +0900 by kinoppyd この記事は、ドワンゴAdvent calendar（表）の15日目の記事です ドワンゴでエンジニアをしている @kinoppyd です TL;DR ニコ生を監視し、新しく始まったユー生を定期的に視聴し続け、Deep learning Framework の Caffe を使って画像認識し、何が放送されているのかをリアルタイムに知るシステムを作りました。 注意：この記事の中で使っているニコ生へのアクセス方法に関しては、すべてGoogle検索で分かる範囲の情報を使っています。開発者として知っている情報は一切使っていないことを明言しておきます。また、そこそこの数のリクエストを飛ばすので、真似してニコ生側から垢BAN
ニューラルネットワークを用いたランク学習(ChainerによるRankNetの実装) - Qiita
この記事は何？ 機械学習の枠組みの中にランク学習(ランキング学習，Learning to Rank)というものがあります． ランク学習のモデルの1つとして，ニューラルネットワークを用いたRankNetがあります． この記事では，RankNetをChainerを使って実装してみましたという話をします． 予測結果を見るとなんとなく実装は正しいように思えるのですが，Chainerの使い方など間違っている点がありましたらぜひぜひご指摘を頂けると嬉しいです． そもそもランク学習とは何だ ランク学習では，$({\mathbf x}, y)=$(特徴量，適合度)の集合が学習されます． 適合度の大きいアイテムには大きい値を，適合度の小さいアイテムには小さい値を返すような関数$f$を学習します． 今2つのアイテム$A$と$B$が以下のように表されているとします．
Top 10 Machine Learning Projects on Github - KDnuggets
Top 10 Machine Learning Projects on Github The top 10 machine learning projects on Github include a number of libraries, frameworks, and education resources. Have a look at the tools others are using, and the resources they are learning from. Open source software is an important piece of the data science puzzle. According to the most recent KDnuggets data science software poll results, 73% of data
ニューラルネットの逆襲 - Preferred Networks Research & Development
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
ファッションに自信のない全男子必見！ おしゃれに必要なのはコーディネイト理論！ | ダ・ヴィンチWeb
おしゃれにはセンスもお金も必要ない！ おしゃれに必要なものはお金？ センス？ そんなものは必要ありません！ 大切なのはコーディネイト理論を理解することだけ。おしゃれになる方法を扱った、初のメンズファッションWebコミック『服を着るならこんなふうに』のコミックス第1巻が、2015年12月10日（木）に発売された。 著者はメンズファッションバイヤー＆ブロガーのMB。彼の著作『最速でおしゃれに見せる方法』は、2015年9月の発売後、重版を重ねるベストセラーとなった。そんなMBの“センスもお金もかけずにおしゃれになる方法”を、漫画で紹介するのが『服を着るならこんなふうに』だ。コミックを手掛ける縞野やえの丁寧かつ緻密な作画と、魅力あふれる人物描写が同作を単なるHowTo漫画ではなく、“読める”作品へと仕上げている。
オンライン機械学習ライブラリを作ったので宣伝 - もちもちしている
はじめに MochiMochiというSCW、AROW、Adagrad_RDA、ADAMといったオンライン線形分類器を実装し、ライブラリとして使えるようにしたので公開します。 使い方はexampleを参考にしてください。 olanleed/MochiMochi · GitHub 実装したアルゴリズム それぞれのアルゴリズムの解説は検索すれば詳しい記事が出てくると思うので、ここではしません。 ADAM ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION http://arxiv.org/pdf/1412.6980v4.pdf Adagarad RDA Adaptive Subgradient Methods for Online Learning and Stochastic Optimization Adagarad = Adaptive Gradiant
Chainerを用いたマルウェア検出への取り組みについて - Longbow
2015 - 12 - 13 Chainerを用いたマルウェア検出への取り組みについて この記事は Chainer Advent Calendar 2015 13日目 の記事です． はじめに Chainerで実装を進めているのですが，今回は構想的な話をします．ご容赦下さい． 私は 修士論文 でEディスカバリ *1 を対象に 自然言語処理 と 機械学習 を用いて研究を進めていますが，それとは別に，Deep Learningで マルウェア 検出に取り組んでいます．本当は研究室配属された時に，これで論文書きたいと思っていましたが，色々大変であることが発覚したので，個人的に細々とやっている感じです．卒業までになんとか実現しようと奮闘しております． マルウェア を 機械学習 させるための戦略 マルウェア にも様々な種類がありますが，PEフォーマット *2 の マルウェア を対象にしております． マル
グラフ・ネットワーク分析で遊ぶ(4)：コミュニティ検出（クラスタリング） - 渋谷駅前で働くデータサイエンティストのブログ
ネットワーク全体指標はあまりビジネス的に扱うことが多くないので、代わりに今回はコミュニティ検出（要はグラフ構造内でのクラスタリング）について取り上げます。ただし前回まで参考にしていた『ネットワーク分析』はあまりコミュニティ検出についてそこまで詳説していないので、九工大の竹本和広先生の資料サイトも参照することにします。 ネットワーク分析 (Rで学ぶデータサイエンス 8) 作者: 鈴木努,金明哲出版社/メーカー: 共立出版発売日: 2009/09/25メディア: 単行本購入: 5人 クリック: 62回この商品を含むブログ (9件) を見る R+igraph - Kazuhiro Takemoto ちなみに竹本先生の資料は、それ単体で僕が書いてきたグラフ・ネットワーク分析に関するエントリ4つ（今回含めて）全てを合わせたよりも内容が濃いので、こんなブログまどろっこしいという方は竹本先生の資料を読ん
jmhマイクロベンチマークツールを使ったByteBufferのバイトオーダによるパフォーマンスの違いの比較 - seraphyの日記
(ヒープおよびダイレクトバッファによるByteBufferの性能差、およびUnsafeとのパフォーマンスも比較するよ！) (とりあえず計測結果を先に知りたい人は結論を見てね！) (ファイルのシーケンシャルリードを含むダイレクトバッファの使い方やパフォーマンス比較については次の日記に書きました。) 概要 思うところあって、ヒープ上のbyte[]をラップしたByteBufferと、ダイレクトバッファを確保しているByteBufferの場合とのint型としての連続アクセスした場合のパフォーマンスの違いについて調べてみることにした。 私の認識では、ダイレクトバッファへのアクセスは非ネイティブ側(つまりJavaコード側)からのアクセスではオーバヘッドが大きいため、特殊なシチュエーション以外では遅くなってしまうため、あまり使いどころのない機能だというものだったのだが、では、その使いどころとなる「特殊な
多クラス分類アルゴリズムの品質メトリック
l のクラス C1, ..., Cl、分類アルゴリズムの予測段階で計算されたクラスラベルのベクトル X= (x1, …, xn) および予測されたクラスレベルのベクトル Y= (y1, …, yn) で、混同行列と結合された品質メトリック (適合率、不正解率、その他) を計算して分類器を評価します。 さらなる定義は以下の表記を使用します。
stacked generalization - puyokwの日記
[概要] 最近のkaggle のコンペのwinning solution で、stacked generalization がよく使われています。これの元になった論文は、1992 年のWolpert さんによるものです。 triskelion さんのブログKaggle Ensembling Guide | MLWave の中でもこの手法についての説明があります。 様々な学習器を上手く組み合わせて、より精度の良いモデルを作ろうというのが基本的な考え方です。具体的には次の図のような感じです。 level 0 は、元となるデータです。またこの場合における各学習器はgeneralizer と呼ばれています。level 0 のデータにgeneralizer を適用して生成されたデータがlevel 1 のデータとなります。 その後も、同様に名づけられています。 [過去のコンペ] まずは、多層パーセプト
機械学習を学ぶための準備 その4（行列の掛け算について） | NHN テコラス Tech Blog | AWS、機械学習、IoTなどの技術ブログ
機械学習を学ぶための準備 その1（微分について） その2（級数と積分について） その3（行列について） ▶︎その4（行列の掛け算について） その5（行列のいろいろ） 橘と申します。 機械学習を勉強中の身でありながら、機械学習に関して記事を書いていく予定です。 第4回目になりました。この年の瀬の忙しい時に数学を嗜む・・・幸せですね（遠い目） 今回は少し長編です。ただ大きく２つの構成にわかれていて、間に練習問題が挟んであるため、一度そこで休憩してまた読み続けていただいても構いません。 第4回は、前回の行列について引き続き勉強します。今回は、行列の掛け算、です。行列の掛け算は、前回にも予告した通り、一筋縄には行かないので、何段階かにわけてやっていきます。この説明の仕方は、今まで読んできた専門書でもあったようでなかったような、そんな説明の方法です。 今回は、絶対に紙とペンを用意して実際に計算を試し
わかるLSTM ～ 最近の動向と共に - Qiita
Machine Learning Advent Calendar 2015 第14日です。去年のAdvent Calendarで味をしめたので今年も書きました。質問、指摘等歓迎です。 この記事の目的 ここ2～3年のDeep Learningブームに合わせて、リカレントニューラルネットワークの一種であるLong short-term memory(LSTM)の存在感が増してきています。LSTMは現在Google Voiceの基盤技術をはじめとした最先端の分野でも利用されていますが、その登場は1995年とそのイメージとは裏腹に歴史のあるモデルでもあります。ところがLSTMについて使ってみた記事はあれど、詳しく解説された日本語文献はあまり見当たらない。はて、どういうことでしょうか。 本記事ではLSTMの基礎をさらいつつ、一体全体LSTMとは何者なのか、LSTMはどこに向かうのか、その中身をまとめ
Kotlinでjarを作って逆コンパイルしてみて、どんなjavaになるのか見てみた - アナログ金木犀
こんにちは、@kgmyshinです。 この記事はKotlin Advent Calendar 2015の15日目の記事です。 早速。 KotlinにはExtensionという機能があります。 fun String.foo() { println("foooooooooooooooooooo") } こう定義すると、本来Stringクラスにないfoo()という関数を追加することができます。 "kgmyshin ".foo() // foooooooooooooooooooo これは本来のJavaにはない機能ですが、jvmで動いている以上はjvmのオペコードに落ちているはずです。 落ちているはずなのですが、それがどのようになっているのか、Javaにはない機能をコンパイラがどう解釈しているのかということがが少し気になっていました。 そして、先日会社のブログで [Java]〈Hello World
旧・Macの手書き説明書 - FC2 BLOG パスワード認証
ブログ パスワード認証 閲覧するには管理人が設定した パスワードの入力が必要です。 管理人からのメッセージ https://mac-tegaki.comへ移転中 閲覧パスワード Copyright © since 1999 FC2 inc. All Rights Reserved.
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
http://www.kochi-tech.ac.jp/library/ron/2004/2004env/1050026.pdf
https://db-event.jpn.org/deim2015/paper/16.pdf
URLが変更になりました
http://sig-bi.jp/doc/3rd_SIG-BI_2015/3rd_SIG-BI_7.pdf
https://qiita.com/papa_dacchi/items/509e1b21cc0acd9d0335
(PDF) Scikit learnで学ぶ機械学習入門 - PDFSLIDE.TIPS