Kaggle - Instacart上位陣解法まとめ - Qiita
KaggleのInstacart Market Basket Analysis1の上位陣解法についてまとめました． 参考になりそうでしたら幸いです． Instacart Market Basket Analysis1とは ユーザーが次に注文する商品の予測． データ構成2 ユーザー数: 20万 注文回数: 340万 商品数: 5万 全体の把握には記事2が参考になります． [2位] 2nd Place Solution Name: ONODERA Kaggle Discussion: https://www.kaggle.com/c/instacart-market-basket-analysis/discussion/38143 Code: https://github.com/KazukiOnodera/Instacart Writeup: http://blog.kaggle.com/2
Kaggle Past Competitions
Kaggle Past Solutions Sortable and searchable compilation of solutions to past Kaggle competitions. If you are facing a data science problem, there is a good chance that you can find inspiration here! This page could be improved by adding more competitions and more solutions: pull requests are more than welcome. Warning: this is a work in progress, many competitions are missing solutions. If you f
fast.ai の Practical Deep Learning for Coders, Part1 を受けた
fast.ai の Practical Deep Learning for Coders, Part1 を受けた fast.ai が提供する MOOC, “Practical Deep Learning for Coders Part1” を受けた。 Practical Deep Learning For Coders — 18 hours of lessons for free 特徴# プログラマのための実践ディープラーニング入門# この講座は、プログラマのためにある。素晴らしい理念の序文を引用したい。 The purpose of this course is to make deep learning accessible to those individuals who may or may not possess a strong background in machine le
Kaggle - Leaf Classification - Qiita
Kaggleの過去問Leaf Classificationに挑戦して得られた知見です． 問題概要 画像と特徴量(192次元)から99クラスのラベルに葉っぱを分類する． Datasets 192次元の特徴量 + 画像 ラベルごとのサンプル数: 10 分類クラス数: 99 訓練データ数: 990(99x10) 検証データ数: 594 Solutions 画像と特徴量を入力，出力を99クラスのソフトマックスとするネットワークを作る． 画像数が少ないので小さめのシンプルなネットワークにする． Architecture ____________________________________________________________________________________________________ Layer (type) Output Shape Param # Connect
Kaggleまとめ:Outbrain #1 - Qiita
はじめに 過去に参加したKaggleの情報をアップしていきます． ここでは，Outbrain Click Predictionのデータ紹介とフォーラムでの目立った議論をピックアップします． コンペ優勝者のコードに関しては，Kaggleまとめ:Outbrain(後編)にまとめており，こちらは概要，各データ解析のまとめになります． (現在作成中) 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています． jupyter notebook上で動作確認済みです．(%matplotlib inlineは適当に修正してください) サンプルスクリプトを実行した際にエラー等あった場合は，コメントいただけると助かります． 目次 概要 評価指標 データの
データ分析コンペのKaggleに登録してみた - Qiita
備忘録変わりに書いていきます。 Kaggle のアカウント登録 Kaggle のサイトから、アカウント登録。 Facebook や Google のアカウントでも良いし、メールアドレスから登録しても良い。 参加するコンペの選択 Competition から選ぶ。 今回は初めてなので、Tutorial の Titanic にした。 乗船者のデータから、乗船者が救助されたかどうかを予測する問題。 データのダウンロード 必要なデータをダウンロードする。 Kaggle ダッシュボード画面左にある Data から。 以下のファイルをダウンロードできる。今回使うのはtrain.csvとtest.csvの２つ。 分析 ～ Submit までの流れ Titanic のページ末尾の Interactive Tutorials にしたがって、DataQuest に倣った。 DataQuest では、Titan
Kaggle体験記（TopCoder機械学習マラソンとの違いなど） - じじいのプログラミング
tanzakuさん、今年もありがとうございます！ Competitive Programming （その2） Advent Calendar 2016 - Adventarの25日目！ はじめに Kaggle（https://www.kaggle.com/）も、TopCoder機械学習マラソン（TopCoder）も、広義の競技プログラミング！ ということで、今回Kaggleに軽めに参加してみました。これらの違いについて取りあげようと思います。機械学習そのものについては取り上げてません。あしからず。 Kaggleの特徴（TopCoderと異なる点） 予測データのみを提出すれば良い。 TopCoderは、マッチにより、予測する実行コードを提出する形式か、予測したデータを提出する形式か違ってきますが、Kaggleは、ほぼ予測データのみ提出です（例外はある）。そういうわけで、ライブラリや計算資源を
Kaggleまとめ:BOSCH(winner) - Qiita
はじめに 過去に参加したKaggleの情報をアップしていきます． ここでは，BOSCHの上位者が公開した情報についてまとめます． コンペ概要やkernelに関しては，Kaggleまとめ:BOSCH(intro+forum discussion)，Kaggleまとめ:BOSCH(kernels)にまとめており，こちらでは解析結果やテクニックについての議論にフォーカスしています． 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています． jupyter notebook上で動作確認済みです．(%matplotlib inlineは適当に修正してください) 1st place solution Belugaがアプローチについて説明しています
Kaggleまとめ:BOSCH(kernels) - Qiita
はじめに 過去に参加したKaggleの情報をアップしていきます． ここでは，BOSCHのカーネルで公開されていた便利なコードをピックアップします． コンペ概要や優勝者のコードに関しては，Kaggleまとめ:BOSCH(intro+forum discussion)，Kaggleまとめ:BOSCH(winner)にまとめており，こちらはサンプルコードを交えたデータの解析結果をまとめたものになります． 本記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています． jupyter notebook上で動作確認済みです．(%matplotlib inlineは適当に修正してください) サンプルスクリプトを実行した際にエラー等あった場合は，コメント
カテゴリー変数に embedding layer を用いたNeural Net - puyokwの日記
kaggle のRossmann の3 位のNeokami Inc(entron)さんの用いた手法が面白かったので、その概要の紹介などをしていきたいと思います。 まず手法の名前は、"Entity Embeddings of Categorical Variables" で、 [1604.06737] Entity Embeddings of Categorical Variables 論文にもなっています。コードはGithub にありますので、興味のある方はご覧ください。 github.com (これはPython3 を用いて書かれています。) embedding layer を用いた他のコンペでの有力なsolution。 kaggle のtaxi コンペ: Taxi Trajectory Winners’ Interview: 1st place, Team ? | No Free Hu
Kaggle ScriptsのChainer対応について - Qiita
Kaggle ScriptsでChainerを使えるようにしてもらったのでその報告です。 Kaggleとは Kaggleは世界で最も大きなデータサイエンティストのコミュニティであり、企業や研究者がデータを提供し、Kaggleコミュニティに所属する世界194ケ国、30万人以上のデータサイエンティストや研究者が最適モデルを競い合うコンペティションの運営を行っています。 http://www.recruit.jp/news_data/release/2015/0716_15946.html 賞金があるので、賞金目当てで参加するコンペティションというイメージがあるかもしれませんが、何度も参加している印象としては、機械学習に自信のある人たちが自分たちのヤバさを示すために参加する天下一武道会的なサイトです。また機械学習ライブラリ開発者の方もたくさん参加されていて、たとえば、Kerasのfchollet
Kaggleのコンペティションで公開されている手法・ソースコードのリンクをまとめてみた Part2 - のんびりしているエンジニアの日記
皆さんこんにちは お元気ですか。私は元気です。 今日は前回の以下のページからだいぶ更新が立ち、Kaggleのコンペ的にも多くの開催がありました。 そこで、新しいページでリンクを纏めてみました。 中にはインタビューやフォーラム、githubなど様々なものが混合しているのはお許し下さい。 nonbiri-tereka.hatenablog.com Prudential Life Insurance Assessment 1st - 1st place solution - Prudential Life Insurance Assessment | Kaggle 2nd - Solution -- 2nd place - Prudential Life Insurance Assessment | Kaggle Homesite Quote Conversion 3rd- Homesite Q
マルウェア分類に用いられる特徴量 Kaggle - Malware Classification Challenge勉強会
マルウェア分類に用いられる特徴量 Kaggle - Malware Classification Challenge勉強会
[機械学習] データ分析を自動化させるDataRobotが熱い | XTREME DESIGN Inc.
皆さん、こんにちは。 エクストリームデザインの遠藤と申します。 最近注目していた DataRobot のハンズオンが 開催 されたので、参加してきました。 なかなか熱かったので、レポートしてみたいと思います。 DataRobotとは？ 世界中のデータサイエンティストが腕を競う Kaggle の上位ランカーを何人も雇い、その知見を集結して予測モデル作成を自動化させたプロダクトです。 極論すると、データを与えると自動で機械学習のアルゴリズムをパラメータを変えながら何十種類も検証し、アンサンブルすることも合わせて結果を出力。予測モデルはAPIでそのまま利用可能。ここまで早ければ数時間。精度は過去のKaggleでトップクラスになる場合も、、といった感じとのことです。 なんだか夢の様な話ですが、以下でもう少し詳しくみていきたいと思います。 会場でのユーザーの声 DataRobot社は リクルートと事
![[機械学習] データ分析を自動化させるDataRobotが熱い | XTREME DESIGN Inc.](https://cdn-ak-scissors.b.st-hatena.com/image/square/3d66532a55dd7a6c304cd29da71359f7febda124/height=288;version=1;width=512/http%3A%2F%2Fxd-lab.net%2Fwp%2Fwp-content%2Fuploads%2F2016%2F02%2F2016-02-10-13.29.12-300x225.jpg)
kaggleで予測モデルを構築してみた (2) - Rで機械学習パッケージをまとめて試してみる - About connecting the dots.
ということで，引き続き入手したデータをRStudioに読み込んで予測モデルを試すところに進みたいと思います． データ読み込み RStudioでのデータ読み込みは簡単で，下の図のように画面右上部分のボタンを押してファイルを読み出せば，csvファイルを普通に読み込んでくれると思います． データファイル自体は文字コードがShift-JISでWindows用なので，Macの人は文字コードをUTF8，改行コードをLFにしておくとよいと思います．文字コードと改行コードの変更は，CotEditorでもダウンロードしてcsvファイルを開いけば，上のメニューに文字コード改行コードがあるので，それを変更して保存すればOKです． もちろんコマンドでファイルを開くこともできます．こんな感じですね．今回はテストなので，訓練データをそのままテストデータに使います． # データの読み込み train <- read.t
Kaggleでのデータ解析コンペの参加の仕方(備忘録) | Diary
社会人になって早4ヶ月… 文系なのに、なぜか人工知能だとかビッグデータ関連のエンジニアになっております笑 会社の研修で使った下記の本 の巻末にKaggleというデータ分析のコンペサイト(賞金も出ます)に参加するとより力がつくよという文章が載っていたので、早速見てみました。 そしたら日本の企業がコンペ開催しているのにサイトが完全に英語だったので、備忘録的な感じでコンペへの参加方法をまとめておきます。登録はGメールかYahooのメールを持っていれば一瞬なので特に解説はしません。 Kaggle内でやることとしては下記の通り データダウンロード 分析モデルの作成・改善 結果の提出 みたいな流れを繰り返していく感じです。 以下では、1番と3番に焦点をあてて解説していきます。2番に関してはまた別の記事で解説するかもしれません。 Topページ ログイン後のTopページからリクルートが開催しているコンペを
kaggle初挑戦: タイタニック乗客のプロフィールから生存率をランダムフォレストで予測してみた - 機略戦記
この記事はなに? kaggleというデータサイエンスのコンテストサイトにある、「タイタニック乗客の生存予測」というチュートリアル課題をやってみた記録です。 Rのインストールから初めて、3160チーム中1639位くらいまで行きました。（満足いかねぇ!） Kaggleってなに データサイエンスについての新しいWebサービスです。 Kaggleは企業や研究者がデータを投稿し、世界中の統計家やデータ分析家がその最適モデルを競い合う、予測モデリング及び分析手法関連プラットフォーム及びその運営会社である。 Kaggle - Wikipedia データ分析を依頼したり、その依頼でいかに高い成果を出せるかチーム/個人で競ったりします。 成績上位者には賞金が出たりリクルートが来たりするようです。 また、上位者の分析手法が公開されていたり、フォーラムで課題についての議論がかわされていたりして学習もはかどります
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
RでStacking ー第一回：概念編ー - Qiita
https://dnc1994.com/2016/05/rank-10-percent-in-first-kaggle-competition-en/
Titanic - Machine Learning from Disaster | Kaggle