O'CREILLY 同人誌を10倍楽しむ見た目の話を最後だから書いとく #OCREILLY - 3846masa's memo
こんにちは。 O'CREILLY 主宰の @3846masa です。 O'CREILLY は今年末で満2年を迎えて、先日の C93 を持って最後となりました。 今までで7冊の合同誌と1冊の総集編本を発行してきました。 この記事は、今までの O'CREILLY を振り返りも兼ねて、O'CREILLY 同人誌の見た目の話をお届けします。 O'CREILLY の見た目 お蔵入りシリーズの最大の特徴は、某 X'REILLY 風の見た目です。 お蔵入りとオラ○リーを掛けたシャレで、表紙の動物（？）も一貫して蔵になっています。 ロゴ 初刊を除いて、O'CREILLY のロゴは変わらず今に至ります。 本家に寄せたきっかけは、技術書典1で本家ブースの隣に配置されたからです。 ロゴの作成は、割りと試行錯誤を繰り返していました。 背表紙 お蔵入りシリーズには、「どんなに薄い本でも頑張って背表紙を入れる」という
pandas 入門 - pandasによるデータ処理の基礎 | yunabe.jp
pandasはpdとしてimportするのが慣習なのでpdとしてimportしましょう。ついでに他の数値ライブラリと一緒にimportしておきましょう。 import math import numpy as np import pandas as pd import matplotlib.pyplot as plt # Jupyter notebookでグラフを出す場合 %matplotlib inline pandasの基礎: DataFrame と Series pandas の基本的なデータ構造に DataFrame と Serries があります。この2つが何を表すのかを始めに理解しましょう。 DataFrame DataFrame が pandasのメインとなるデータ構造で二次元のテーブルを表します。図のような二次元のテーブルがDataFrameです。 DataFrameは単な
人口が増え満足度も高い「中都市」の暮らしは、本当に幸せなのか（貞包 英之） @gendai_biz
伊坂幸太郎が描く「中都市のみる夢」 伊坂幸太郎の小説で、登場人物たちはしばしば都市に閉じ込められている。 たとえば『ゴールデンスランバー』（2007）で、首相殺害の容疑をかけられた主人公は警察の強引な走査網に引っかかり、都市をなかなか出ることができない。 物理的にだけではない。直木賞候補作『重力ピエロ』（2003）では、弟と父親と三人で住む街に因縁のある男が再び戻ってくる。その男とかかわることを避けるため、主人公は男を排除することを決意する。 それらを例として、伊坂幸太郎の小説で登場人物たちは物理的、または人間関係的にしばしば街に閉じ込められ、関係や記憶を折り重ねながら暮らしている。ただしそれは否定的な意味を持つだけではない。 『砂漠』（2005）では街に集まった大学生たちのじゃれるような青春が描かれ、また『ゴールデンスランバー』では似たような学生生活を送った友人や恋人とのすれ違いが主人公
Pythonの可視化パッケージの使い分け - Qiita
Pythonで可視化といえばMatplotlibだけど、APIがごちゃちゃしていて覚えにくいのが難点かな。BokehがAPIもうまく整理されていて一番使い勝手がいい気がするけど、まだまだ日本語の情報が少ないのが惜しいところ。 これからはWebにも対応できるBokehが伸びてくるんじゃないかと勝手に期待している。 おすすめの使い分け方 簡単なデータを手早くプロットするなら Matplotlib MATLABからPythonに乗り換えたなら Matplotlib かっこよく人に見せたいなら Bokeh 対話操作を入れたいなら Bokeh グラフ上のデータ点の数値を確認したいなら Bokeh Plotly 3D形状をプロットするなら Plotly Mayavi 統計分析するなら seaborn Matplotlib 良い点 簡単なデータをプロットするのは楽。 プロットの機能が充実している（気がす
Rで異常検知(1): これまで自分がやってきたことのおさらい - 渋谷駅前で働くデータサイエンティストのブログ
ぶっちゃけ今更感がなくもないんですが、実はこれまで自分ではほとんど異常検知・変化検知をゴリゴリやったことがなかったなぁと思ったのでした。きっかけは、時々色々な手法のテストに使っているこのUCI機械学習リポジトリのデータセット。 UCI Machine Learning Repository: Water Treatment Plant Data Set これは説明にもあるように、とある都市部の下水処理場の様々なセンサからのインプットを合わせて日次でまとめたデータセットです。この手のプラントデータセットにありがちな課題がまさにその異常検知で、要は何か不具合があった日付を事後で良いので検出したいというお話です。 異常検知自体は、以前このブログでさらっとだけ取り上げたことがあります。それは{AnomalyDetection}パッケージの紹介記事。 この時は{AnomalyDetection}が依
異常検知の世界へようこそ - Preferred Networks Research & Development
比戸です。 先週Jubatusの最新0.4.0がリリースされましたが、外れ値検知機能の追加が目玉の一つとなっています（jubaanomaly）。昨年PFIへ入社して初めて手がけた仕事が公開されたということで感慨ひとしおですが、便乗してあまり語られることのない異常検知の世界について書きたいと思います。以下の資料は昨年のFIT2012で使ったものです。 異常検知とは簡単にいえば、「他に比べて変なデータを見つけ出す」タスクです。お正月にテレビで繰り返し流れた、おすぎとピーコのCM(*1)がわかりやすいイメージですね。機械学習の枠組みで言えば”教師無し学習”に属します。分類や回帰、クラスタリングなど応用も多く人気も研究熱も高いタスクに比べると、マイナーです。SVMとか、Random Forestとか、Boostingとか、最近だとDeep Neural Networkとか、有名な必殺技アルゴリズム
異常検知のための One Class SVM - Qiita
One Class SVM とは SVM : クラス分類、教師あり学習 One Class SVM ：外れ値検出、教師なし学習 異常検知：異常検知とは簡単にいえば、「他に比べて変なデータを見つけ出す」タスク (ソース： https://research.preferred.jp/2013/01/outlier/) 統数研の丸山副所長がよくおっしゃる「ビッグデータ周辺の問題の多くはサンプリングとExcelで解ける」という話が、異常検知タスクではあまり成り立たない (ソース： https://research.preferred.jp/2013/01/outlier/) クラス分類問題に用いられるサポートベクターマシンは教師あり学習ですが、１クラスサポートベクターマシンは教師なし学習です。したがって、外れ値検出のための教師データは不要です。 (ソース： http://sudillap.hate
重力プログラミング入門「第3回：太陽フレアをディープラーニングで予測する」 - Qiita
この記事は、「TensorFlow Advent Calendar 2017」の24日目です Merry Xmas! piacere と申します 今年9月、11年ぶりの大規模な「太陽フレア」の地球到来が、けっこう話題になり、広範囲にオーロラが出たことでも記憶に新しいかと思いますが、この「太陽フレア」をディープラーニングで予測できないか、試してみたいと思います なお、タイトルが「第3回」となっているのは、以下2つの続編（？）のためです 「第1回：地球の重力下で人工衛星を公転軌道に乗せる」 「万有引力の法則」の数式を偏微分し、JavaScriptでビジュアルプログラミング 2017/9の福岡数学イベントで「動画付きスライド」＋「実際に動くプログラムとコード」にて登壇 「第2回：重力波を解析する」 重力波の観測データを、Jupyter Notebook上で信号処理により波形解析し、予測波形通りに
異常検知と変化検知のまとめ 数式なし - Qiita
この記事は、「Machine Learning Advent Calendar 2015」の17日目の記事になります。 「異常検知と変化検知」の本は良書だったので買うのに迷っている人のためにまとめてみました。 間違いがあれば、ご指摘頂けると幸いです。 数式を見て厳密に理解したい方は書籍購入をおススメします。 またコードに直すときはアルゴリズムが必要です。 本書籍ではアルゴリズムも記述してくれいてるのでおススメできます。 本記事ではアルゴリズムには言及しません。 この記事で得られるもの １：異常検知における手法の種類 ２：異常検知における手法をどのシーンで使用するか ３：異常検知における機械学習をどのように応用するか 以上です。 本記事の見方 利用シーンと簡単な手法を記述したので、利用シーン 異常検知の基本的な所だけ抑えたい 異常検知と変化検知の基本的な考え方 ホテリング法による異常検知 単
【Python】 特異スペクトル解析法の実装 - 旅行好きなソフトエンジニアの備忘録
特異スペクトル解析法をPythonで実装したのでメモします。書籍「信号解析 馬杉著」からの引用ですが、 特異スペクトル解析法（singular spectrum analysis）は、観測信号からの主要な変動成分の分離・抽出、観測信号の変化点や不規則点の検出、観測信号からの雑音除去などを目的として、非線形信号解析分野において発展した解析手法の一つである。フーリエ級数展開やウェーブレット級数展開のように、特定の基底関数を適用したり、あるいは、ARモデルのような特定のモデルを仮定せずに、信号の構造変化そのものを解析するため、非定常信号の分離に向いている。 これをSingularSpectrumAnalysisクラスとしてpythonで実装します。 import numpy as np class SingularSpectrumAnalysis(object): """特異スペクトル解析法を行
特異スペクトル変換法による時系列データの異常検知（Python） - Fire Engine
はじめに 今回は、特異スペクトル変換法というアルゴリズムをPythonで実装します。このアルゴリズムは時系列データの異常検知に対して非常に強い力を発揮します。また、ハイパーパラメータ（人が調整する必要のあるパラメータ）が少なく、比較的チューニングが容易であることも特徴の一つです。数学の理論については深追いはせず、アルゴリズムの概要と実装まで書いていきたいと思います。 【目次】 はじめに 時系列データについて 時系列データの異常と変化点検知 特異スペクトル変換法の概要 履歴行列とテスト行列 特異値分解 変化度の定義 Pythonによる実装 特異スペクトル変換法の課題 おわりに 時系列データについて 時系列データとは、時間の推移ととともに観測されるデータのことです。昨今、様々な企業がデータ活用を推進していますが、世の中の実務の現場に貯まっていく多くのデータは時系列のデータです。 データ分析にお
Fitbitから取得した心拍データで時系列の異常検知を試してみる - About connecting the dots.
井出先生の「異常検知と変化検知」を読んで，自分でも試してみたいと思ったんですが，あいにくちょうどいい時系列データが手元にないなーと思ってました．そんな折，データサイエンスLT祭りの発表の中に，Fitbitデータを可視化するものがあって*1，これはちょうどいいということで試してみましたよというていのエントリになります． 異常検知と変化検知 (機械学習プロフェッショナルシリーズ) 作者: 井手剛,杉山将出版社/メーカー: 講談社発売日: 2015/08/08メディア: 単行本（ソフトカバー）この商品を含むブログ (2件) を見る Fitbitってなによ Fitbitが何かしらない人のために一応説明しておくと，最近はやりの活動量計です．私が持っているのは，心拍が取得できるタイプのやつです．風呂に入るとき以外は一日中つけっぱなしで，睡眠とか運動とかを自動で判定してくれるので，手間がかからず便利です
Pythonによる時系列データの異常検知 - Technology Topics by Brains
インターン生の松井(B4)です．時系列データの異常検知手法をまとめました． 入門 機械学習による異常検知という本の7章が時系列データの異常検知を扱っています．(本書の内容をまとめたWeb記事もあります．) www.coronasha.co.jp この本のサンプルコードはすべてRで書かれているため，Python (+numpy, scikit-learn) で書き直してみました． 後半では，深層学習を用いた時系列データの異常検知手法について，知られている所をまとめました． k近傍法による異常部位検出 特異スペクトル変換法による変化点検知 深層学習を用いた異常検知手法 LSTM (Long short-term memory) を用いた手法 Autoencoder (自己符号化器) を用いた手法 結び k近傍法による異常部位検出 時系列データの異常検知手法の中でも比較的シンプルなやり方です．
DeepLearningで上司を認識して画面を隠す - Qiita
背景 仕事をしているとき、業務に関係ない情報を閲覧していることって誰でもありますよね？ そんなときに背後にボスが忍び寄っていると気まずい思いをします。もちろん急いで画面を切り替えれば良いのですが、そういう動作は逆に怪しまれることになりますし、集中しているときは気がつかないこともあります。そこで怪しまれずに画面を切り替えるために、ボスが近づいてきたことを自動的に認識して画面を隠すシステムを作ってみました。 具体的にはKerasを用いてボスの顔を機械学習し、カメラを用いて近づいてきたことを認識して画面を切り替えています。 ミッション ミッションはボスが近づいてきたら自動的に画面を切り替えることです。 状況は以下のような感じです。 ボスの席から私の席まではだいたい6,7mくらいです。ボスが席をたってから、4,5秒で私の席に到達します。したがって、この間に画面を隠す必要があるわけです。時間的余裕は
RasPiとディープラーニングで我が家のトイレ問題を解決する - Qiita
おしっこセンサーできました ウチの小学生の息子が家のトイレでたびたびおしっこをこぼしてしまう。俺がくどくど注意してもあんまり効果ない。そこで、代わりにAIに怒ってもらうことにした。こんな感じである。 おしっこセンサーのデモ（[動画](https://www.youtube.com/watch?v=ktSukhHdogM)）。水を数滴床にたらすとブザーが鳴り、床を拭くと止まる。 ディープラーニングの画像認識を使い、床の上に落ちた水滴をカメラで検出してブザーが鳴る仕組みだ。夏休みの自由工作に過ぎないので精度は期待していなかったけど、意外にきちんと動いてくれて、カメラに映る範囲に水滴を数滴たらすとピッピと鳴り、床を拭くとブザーも止まる。「お父さんだってAIくらい作れるぞ」と息子に自慢したいがための工作なのだ。 でも、これ作るのはそんなに難しくなくて、休み中の3日くらいで完成した。かかったお金は、
センサーと機械学習の論文をまとめてみる | DevelopersIO
本記事は Machine Learning Advent Calendar 2014 の 24日目のトピックです。 増え続けるセンサーデータ M2M(Machine to machine), IoT(Internat of things) というキーワードが叫ばれて久しい今日、インターネットに接続できるデバイス数の上昇が見込まれるなか、デバイスに搭載された各種センサーデータの分析、活用も今後目が離せない分野です。 データはAWSなどのクラウドサービスのデータセンターに置かれた後、分析、フィルタリングされ、エンドユーザの役にたつ情報を提供していくものと思われます。 各種センサーが農業などの分野で使われ、そこから取得されたデータが分析され、活用されているという話題も多数上がってきています。 センサデータ解析におけるJubatus活用事例 - Slideshare Blue River Tech
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
スペースワールドの年越しカウントダウン、日テレNEWS24で生配信 福岡放送では閉園まで配信 - TRAICY（トライシー）
Anomaly Detection for a Water Treatment System Using Unsupervised Machine Learning