サッカーのデータを分析しよう - ohmemo
こんにちは, ohmurakenです. 好きなサッカーチームはリバプールFCです. この記事は, CAMPHOR- Advent Callendar 2016の5日目の記事です. サッカーに関するデータの収集と分析について書きたいと思います. 目次 やろうと思った理由 データの収集 簡単な分析 まとめ やろうと思った理由 今年, 初めてPyCon JPに参加しました. 機械学習や分析に関するセッションを観ていましたが, ビッグデータとPythonではじめる野球の統計分析というセッションが興味深いものでした. このセッションは, 野球(特に大リーグ)に関するデータを収集し, 分析する事で選手の特徴や変化を調べるという内容です(セッションの動画). このセッションを観た時, サッカーでも同様の事ができないかと思いました. 強いチームの特徴などを数値的に分析できると思ったからです. データの収集
Microsoft Corporation
Microsoft Learn. Spark possibility. Build skills that open doors. See all you can do with documentation, hands-on training, and certifications to help you get the most from Microsoft products. Learn by doing Gain the skills you can apply to everyday situations through hands-on training personalized to your needs, at your own pace or with our global network of learning partners. Take training Find
分析SQLのコーディングスタイル - クックパッド開発者ブログ
SQL、書いてますか？ こと大規模データ処理の分野においてはSQLはもはや標準インターフェイスであり、 分析やらバッチやらに関わっている皆様は日々大量のSQLクエリーを生産していることと思います。 そこでちょっと気になるのが、 SQLのコーディングスタイルってどうするのが一般的なんだっけ……？ という点です。 イマドキはSQLなんてO/R mapperに吐かせることが多いからなのか、 それともコードを広い範囲で共有することがそもそもないからか、 SQLのコーディングスタイルについて見聞きすることは他のプログラミング言語に比べるとだいぶ少なく、 いまいち決定版と言えるスタイルがないなと感じています。 そんなわけで本日は、SQLのコーディングスタイルについての意識を活発化させるべく、 クックパッドでわたし（青木）が使っているコーディングスタイルから特徴的な点を紹介したいと思います。 特に、分析
データ ＆ アナリティクス | アクセンチュア
データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
The 2nd Big Data Analysis Contestに参加しました。 - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? (2016/9/20 追記) 先ほど、入賞者が公表されました！ 売上予測部門＜最高予測精度賞＞ moemoeと遊び隊様 売上予測部門＜モデリングアイデア賞＞ nami3373様 新商品開発部門＜ローソン賞＞ いっしー様 新商品開発部門＜データパティシエ賞＞ 0pus0ne様 上記の皆様、入賞おめでとうございます！ え、自分？ つ、次頑張りますよ次… -以降は売上予測部門のモデル提出期限直後の内容になります- お疲れ様でした！ 興奮冷めやらぬままに本記事を書いているのですが、 二ヶ月弱に及ぶ長い激闘の果てに、先日DeepAnalytics
物理サーバを選定する際のポイント – Eureka Engineering – Medium
Eureka EngineeringLearn about Eureka’s engineering efforts, product developments and more.
PrestoとHyperLogLogで、大量ログからユニークユーザー数を高速に推定する（理論編） - Platinum Data Blog by BrainPad ブレインパッド
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 皆さん、こんにちは。マーケティングプラットフォーム本部で広告系製品の開発を担当している田頭です。 現在、ブレインパッドでは、DMP（※1）に蓄積されたさまざまなデータをもとに、ユーザー数を確認しながら直感的にセグメントを作成できる「DeltaCube（デルタキューブ）」という製品を提供しています。 ユーザーのセグメントを作成する際、担当者がストレスなくインタラクティブにセグメントの条件を設定しユーザー数を確認するためには、蓄積された大規模なデータの中から「高速に」ユニークユーザーの数を数えなければなりません。 このため、DeltaCubeでは、集計処理にPrestoと呼ばれる分散処理ミドルウェアを利用しています。 今回、このPrestoを利用したユニークユーザー集計の更なる高速化について検
Pythonを使ったデータ分析に関する内容をJupyter Notebookにまとめ始めました - c-bata web
研究をかれこれ2年半ぐらい続けてきたので、研究をする中で必要になった機械学習の手法について調べたりコードを書いたりしてきたのですが、まだまだ触ったことのない機械学習の手法も多く、研究で必要になる手法以外の知識も付けたくなってきたので、勉強し始めました。 Sphinxにまとめるか悩んだのですが、「ひとまず簡単にスライドにできること」・「手元でもすぐにコードを実行できる」という理由でJupyter Notebookを使用しています。 もし誤りやタイポ等があれば、IssueやPRお待ちしております。 github.com 今のところ↓の2つについてまとめました。 Jupyter Notebook / Numpy / Pandas / matplotlib入門 決定木(Decision Tree) ノートブックの内容一覧 内容については今後何度も変更をすると思いますが、とりあえず今の予定としては下
Pythonによるデータ分析入門
訳者まえがき まえがき 1章 はじめに 1.1 この本で説明する内容 1.2 なぜPythonはデータ分析者におすすめなのか 1.2.1 「糊（グルー）」としてのPython 1.2.2 「2つの言語を利用する」ことの問題を解決する 1.2.3 Pythonを使わない場合 1.3 本書で扱う重要なPythonライブラリ 1.3.1 NumPy 1.3.2 pandas 1.3.3 matplotlib 1.3.4 IPython 1.3.5 SciPy 1.4 インストールとセットアップ 1.4.1 Windows 1.4.2 Apple OS X 1.4.3 GNU/Linux 1.4.4 Python 2とPython 3の相違点 1.4.5 統合開発環境（IDE） 1.5 コミュニティとカンファレンス（会議） 1.6 この本の読み方の案内 1.6.1 コード例 1.6.2 例として用
DataSet - 機械学習の「朱鷺の杜Wiki」
テスト用データ集合† アルゴリズムの比較検証に利用できるテスト用データについてまとめましょう． ID は ibis でパスワードは VC 次元の V のフルスペルです(頭だけ大文字)
コマンドラインではじめるデータサイエンス
データ分析における一連の作業（データ収集、データクレンジング、モデリング）をコマンドラインで自由自在に進めるための考え方やツールの使い方を解説します。データの多様化、大規模化に伴い効率的にデータ分析を行う上でコマンドラインツールはかかせません。本書では、データ分析作業における各フェーズでのコマンドラインツールの使い方から、効率化のためのワークフローの管理や並列処理などまでを幅広く紹介します。 日本語版では監訳者による本書のテクニックを利用する時に壁になるであろう「日本語処理」と、実務で利用する場合の「ケーススタディ」を収録。エンジニアのみならず、データ分析に携わる全ての方に必携の一冊です。 監訳者まえがき はじめに 1章 イントロダクション 1.1 概要 1.2 データサイエンスはOSEMN 1.2.1 データの獲得 1.2.2 データのクレンジング 1.2.3 データの精査 1.2.4
実践多クラス分類 Kaggle Ottoから学んだこと
Kaggleのコンペに参加することで�色々な実践的ノウハウを学んだので�そのノウハウを共有する p.3～53 コンペ中に自分がやったこと�p.54～99 ハイランカーがやっていたこと�p.100～ ハイランカーかやっていたことを�自分も実際にやってみる
第46回 データマイニング+WEB ＠東京( #TokyoWebmining 46th ) ー統計モデリング 実活用 祭りーを開催しました - hamadakoichi blog
2015/05/30 "第46回 データマイニング+WEB ＠東京 ( #TokyoWebmining 46th ) ー統計モデリング 実活用 祭りー" を開催しました。 第46回 データマイニング+WEB ＠東京 ( #TokyoWebmining 46th ) ー統計モデリング 実活用 祭りー Eventbrite Google グループ 会場提供し運営を手伝って下さった SmartNews のみなさん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。会場参加、USTREAM参加ともに多くの方々の参加を嬉しく思っています。 参加者ID・バックグラウンド一覧 参加者Twitter List : tokyowebmining-46 参加者セキココ：第46回 データマイニング+WEB ＠東京 セキココ (作成してくれた [Twitter:@komiya_a
構文解析が何に役立つのか
思いがけずたくさんブックマークしていただいたので，この機会になんで構文解析なんかやるのかというお話を書こうと思います．おそらく，NLP界隈の人には何をいまさらと思われるかもしれませんが，それが本当に役立つかというとなかなか一筋縄では行きません．今回興味を持たれた方の多くはNLP分野外の方なんじゃないかな，と勝手に考えてますのでそのつもりで書きます． 構文解析というのは，文の構造を判別する処理のことで，NLP的には単語分割，品詞タグ付け（いわゆる形態素解析）のあとにくる処理です．ソフトウェアで言えばCabochaやKNPがこれにあたります．ここに大変わかり易いチュートリアルがありますｗ 例えば「値段の高いワイン」が，「値段のワイン」ではなくて，「値段の高い」「高いワイン」であることを認識する技術，と理解していただければ良いと思います．このように，文節間の係り関係を解析することを，係り受け解析
クラスタリングツール「bayon」を試してみた - download_takeshi’s diary
夜中の3時半過ぎですが、久しぶりになんか書こうと思います。 ちょっと前にmixiのfujisawaさんという方がすごくナイスなソフトウェアをリリースしてくれました。 「軽量データクラスタリングツールbayon」 http://alpha.mixi.co.jp/blog/?p=1049 今までにもCLUTOというすごく高精度なクラスタリングツールがありましたが、こいつはライセンス的にちょっとイケズな感じでした。そこにbayonがスーパーマンのように登場してくれました！「商用利用OKだよ」ということで、仕事の上での悩みが解決しました。本当にありがたいことです。 さてさて、早速使ってみたいんですが、ブログに書くのにちょうどいい題材がなかったので、以前に自分が書いたエントリからデータを持ってくることにしました。 「芸能人の相関関係を探ってみるスクリプト」 http://d.hatena.ne.jp
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
独立したデータのばらつきを可視化するBoxplotとViolinplotについて - Qiita
ハッシュタグ #TokyoWebmining
http://bdm.change-jp.com/?p=1254
Amazon.co.jp: 手を動かしながら学ぶ ビジネスに活かすデータマイニング: 尾崎隆: 本
機械学習で大事なことをミニGunosyをつくって学んだ╭( ･ㅂ･)و ̑̑ 
