SlideShare a Scribd company logo
1 of 123
10th Anniversary TokyoWebmining
             2011/02/27




           10回開催記念

    データマイニング+WEB
~データマイニング・機械学習活用による継続進化~




           hamadakoichi
              濱田 晃一
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
データマイニング+WEB勉強会@東京




第1回-データマイニング入門ー
第2回-クラスタリング入門-
第3回-クラスタリング活用-
第4回-WEB祭り-
第5回-WEB解析・最適化祭り-
第6回-ソーシャル・広告・最適化祭り-
第7回-機械学習・解析・セマンティックウェブ祭り-
第8回-大規模解析・ウェブ・クオンツ 祭り
第9回-1st Week- 大規模解析・機械学習・クオンツ 祭り-
第9回-2nd Week-方法論・ソーシャル 祭り-
第10回 -1st Week-広告ネットワーク・グラフ解析・並列機械学習祭り-
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
データマイニング+WEB勉強会@東京


              思い




                     17
データマイニング+WEB勉強会@東京


              思い

       蓄積データを活用し




                     18
データマイニング+WEB勉強会@東京


              思い

       蓄積データを活用し
    継続的に活動進化できる
         世界を作りたい

                     19
データマイニング+WEB勉強会@東京




蓄積データを有効活用したい人が




                     20
データマイニング+WEB勉強会@東京




蓄積データを有効活用したい人が

  それを実現できるようにしたい


                     21
データマイニング+WEB勉強会@東京




データマイニング+WEB勉強会@東京
         (#TokyoWebmining)

           始めました


                             22
目的:データマイニング+WEB勉強会@東京




                        23
目的:データマイニング+WEB勉強会@東京
       データマイニングの方法論を用い
   蓄積されたデータを有効活用していく方法を学ぶ




                            24
目的:データマイニング+WEB勉強会@東京
       データマイニングの方法論を用い
   蓄積されたデータを有効活用していく方法を学ぶ
                             統計解析
        Web API
                           データマイニング




                  最適解探索
                  アルゴリズム
                                      25
目的:データマイニング+WEB勉強会@東京
       データマイニングの方法論を用い
   蓄積されたデータを有効活用していく方法を学ぶ
                             統計解析
        Web API
                           データマイニング
                      対応分析        時系列分析
                           回帰分析   クラスター分析
                                  判別分析
                      主成分分析 因子分析
                         カーネル法
                              樹木モデル
                            ニューラルネットワーク
                           サポートベクターマシン
                                  …




                  最適解探索
                  アルゴリズム
                                            26
目的:データマイニング+WEB勉強会@東京
       データマイニングの方法論を用い
   蓄積されたデータを有効活用していく方法を学ぶ
                                            統計解析
                Web API
                                          データマイニング
              Amazon Web Service
                楽天 Web Service          対応分析     時系列分析
     Twitter API Recruit Web Service      回帰分析
                   Yahoo! Web Service            クラスター分析
     はてな Web Service                                判別分析
                                        主成分分析 因子分析
     (Bookmark/Graph/Keyword,…)
                                           カーネル法
        Google Data API                         樹木モデル
        (Calendar/Maps/BookSearch/
         FinancePortfolioData,…)           ニューラルネットワーク
                                          サポートベクターマシン
                  …                              …




                                 最適解探索
                                 アルゴリズム
                                                           27
目的:データマイニング+WEB勉強会@東京
       データマイニングの方法論を用い
   蓄積されたデータを有効活用していく方法を学ぶ
                                            統計解析
                Web API
                                          データマイニング
              Amazon Web Service
                楽天 Web Service          対応分析     時系列分析
     Twitter API Recruit Web Service      回帰分析
                   Yahoo! Web Service             クラスター分析
     はてな Web Service                                判別分析
                                        主成分分析 因子分析
     (Bookmark/Graph/Keyword,…)
                                           カーネル法
        Google Data API                         樹木モデル
        (Calendar/Maps/BookSearch/
         FinancePortfolioData,…)             ニューラルネットワーク
                                           サポートベクターマシン
                  …        免疫型最適化 Particle Swam    …
                          Memetic      Ant Colony
                           遺伝的     熱力学的
                                  シミュレーテドアニーリング
                                   力学モデルによる最適化
                          タブーサーチ       グラフ
                                           …
                                 最適解探索
                                 アルゴリズム
                                                            28
目的:データマイニング+WEB勉強会@東京
       データマイニングの方法論を用い
   蓄積されたデータを有効活用していく方法を学ぶ
                                            統計解析
                Web API
                                          データマイニング
              Amazon Web Service
                楽天 Web Service          対応分析     時系列分析
     Twitter API Recruit Web Service      回帰分析
                   Yahoo! Web Service             クラスター分析
     はてな Web Service                                判別分析
                                        主成分分析 因子分析
     (Bookmark/Graph/Keyword,…)
                                           カーネル法
        Google Data API                         樹木モデル
        (Calendar/Maps/BookSearch/
         FinancePortfolioData,…)             ニューラルネットワーク
                                           サポートベクターマシン
                  …        免疫型最適化 Particle Swam    …
                          Memetic      Ant Colony
                           遺伝的     熱力学的
                                  シミュレーテドアニーリング
                                   力学モデルによる最適化
                          タブーサーチ       グラフ
                                           …
                                 最適解探索
                                 アルゴリズム
                                                            29
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
データマイニング+WEB勉強会@東京を




                      31
データマイニング+WEB勉強会@東京を

  発表者・参加者にとって
  より有意義な場にしたい




                      32
データマイニング+WEB勉強会@東京を

  発表者・参加者にとって
  より有意義な場にしたい


   3つの進行方針
                      33
3つの進行方針
           充分な時間を充て
          理解・議論を優先する




                       34
3つの進行方針
           充分な時間を充て
          理解・議論を優先する
  1.充分な時間:
   各テーマごとにしっかり時間を充てる
   (浅く多くではなく、少ないテーマでも深く)




                           35
3つの進行方針
           充分な時間を充て
          理解・議論を優先する
  1.充分な時間:
   各テーマごとにしっかり時間を充てる
   (浅く多くではなく、少ないテーマでも深く)

  2.理解:
   進行を急がない。分からないところはすぐ質問。
   講師・各メンバーからの返答で、みなで理解を深めることを優先する。




                                      36
3つの進行方針
           充分な時間を充て
          理解・議論を優先する
  1.充分な時間:
   各テーマごとにしっかり時間を充てる
   (浅く多くではなく、少ないテーマでも深く)

  2.理解:
   進行を急がない。分からないところはすぐ質問。
   講師・各メンバーからの返答で、みなで理解を深めることを優先する。

  3.議論:
   議論時間をしっかりとる。
   各分野の意見の共有、皆での発想・創造を優先する。
   全員でのフラットな議論。講師にとっても有意義な場となるようにする。

                                       37
3つの進行方針
           充分な時間を充て
          理解・議論を優先する
  1.充分な時間:
   各テーマごとにしっかり時間を充てる
   (浅く多くではなく、少ないテーマでも深く)

  2.理解:
   進行を急がない。分からないところはすぐ質問。
   講師・各メンバーからの返答で、みなで理解を深めることを優先する。

  3.議論:
   議論時間をしっかりとる。
   各分野の意見の共有、皆での発想・創造を優先する。
   全員でのフラットな議論。講師にとっても有意義な場となるようにする。

                                       38
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
hamadakoichi
         濱田晃一
http://iddy.jp/profile/hamadakoichi



                                      40
活動領域

  ソーシャルメディアのデータマイニング活用
          2300万人以上の人々へ
 各人のつながり・楽しみ・好み 個性にあった適切なサービス提供


         Social Media
             Social Graph
         Fun Like Personality
          Objective Process

          Data Mining
        Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供

                                  41
データマイニング+WEB勉強会@東京
  データマイニング+WEB勉強会@東京の主催者です
          TokyoWebmining




  Google Group: http://groups.google.com/group/webmining-tokyo
                                                                 42
講師資料

   データマイニング・機械学習、 Mahout、R、等
         各種講師資料を公開しています
   http://www.slideshare.net/hamadakoichi




                                            43
hamadakoichi 濱田晃一




                    44
hamadakoichi 濱田晃一
                      理論物理 博士(2004.3取得)
                        量子統計場の理論
Statistical Field Theory                        Spontaneously
                                        Time-Reversal Symmetry Breaking




                                       Anisotropic Massless Dirac Fermions




 博士論文: http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf
                                                                        45
hamadakoichi 濱田晃一

             文部大臣に褒められた
   元 文部大臣・法務大臣      六法全書著者・元法学政治学研究科長
      森山眞弓さん             菅野和夫さん




                                    46
hamadakoichi 濱田晃一

         Los Angelesでプロダンサーに褒められた




  ・HIP HOP/House ダンス歴13年
  ・ダンス開始後 1年半でL.A.でプロダンサーに褒められる

  Youtube Channel: http://www.youtube.com/hamadakoichi   47
hamadakoichi 濱田晃一

          毎週末3時間ダンスコーチをしています




           ■過去、東京と京都でも
            ダンス部を創設。
            コーチをしていました
                          駒場物理ダンス部   京都大学基礎物理学研究所ダンス部
                          部長兼コーチ     部長兼コーチ

  現在: 毎週末 3時間ダンスコーチ
  Youtube Channel: http://www.youtube.com/hamadakoichi   48
数理解析手法の実ビジネスへの適用
            2004年 博士号取得後
       数理解析手法を実ビジネス適用の方法論構築
主な領域
◆活動の数理モデル化・解析手法
◆活動の分析手法・再構築手法
◆活動の実行制御・実績解析システム
…
 内容抜粋
 “Decoupling Executions in Navigating Manufacturing          "Unified graph representation of processes
 Processes for Shortening Lead Time and Its Implementation   for scheduling with flexible resource
 to an Unmanned Machine Shop”,                               assignment",




                                                                                                          49
数理解析手法の実ビジネスへの適用:活動例

                  活動の統一グラフモデルを構築・解析
                        Unified graphical model of processes and resources

                                                                                                 青字:割付モデル属性
                                                                                                 [ ] : Optional
Node             ・priority(優先度)                                                       Edge
                 ・duration(予定時間)
                 [・earliest(再早開始日時) ]                                                      Process Edge
Process          [・deadline(納期) ]
                 [・or(条件集約数) ]
                                                                                             前プロセスの終了後に後プロセスが
プロセスを表す                                                                                      開始できること表す
                 ・attributes(属性)
                                                                      preemptable(中断可否),
                                                                      successive(引継ぎ可否)
                                                                                           Uses Edge
                                                                      workload(作業負荷)         Processが使用する
                        uses     uses uses         uses   uses        uses                   Assign Region を表す

Assign Region                                                                              Assigns from Edge
同一Resourceを割付け続ける                                                                            Assign Regionに
                                  assigns from assigns from                                  指定Resourceの子Resource集合の
範囲を表す
               assigns                                           assigns                     中から割付けることを示す
                                 企業01                             [process]
                                 has         has                  [startDate(開始日時)]
                                                                  [endDate(終了日時)]          Assigns Edge
                  製品01                    組織A                                                StartDateからEndDateまでの間
Resource                                                                     has             Assign RegionにResourceを
割付対象要素を表す           has has      has      has   has       has                                割付けることを表す
                                                                    ・capacity(容量)
                                                                    ・calender(カレンダー)
                AAA01    AAB02    …     山田さん 田中さん 鈴木さん              ・attributes(属性)        Has Edge
                                                                           東さん               Resourceの所有関係を表す
                                                                                                                   50
数理解析手法の実ビジネスへの適用:活動例
                                              一品一様の業務プロセスの
                                            動的なプロセス制御数理体系を構築
  全体生産リードタイム中央値を                                                                                                                                                                                                 1/2.7に短縮
      設計開始~頭だし出荷リードタイム
                                               設 計 開 始 ~ 頭 だ し出 荷 CT対 週 集 計 開 始 日 時 の 箱 ひげ図                                                                                                                      体系適用
                          500

                                                                                                                                                                                                                                                                  適用後
   設計開始~頭だし出荷CT




                          400


                                                                                                                                        360.4h(15.0日)
                                                                                                                                                                                                                                                                                            1/2.7
                          300



                          200



                          100

                                               0   0           0   0            0   0               0   0               0   0           0   0            0   0               0   0               0   0           0   0            0   0               0
                                                                                                                                                                                                                                                          141.6h(5.9日)
                                                                                                                                                                                                                                                          0 00 00
                                            9:              9:               9:                  9:                  9:              9:               9:                  9:                  9:              9:               9:                  9:                  9:              9:
                                   /   20          /   27           /   04              /   11              /   18          /   25           /   01              /   08              /   15          /   22           /   29              /   06              /   13          /   20
                          /   09          /   09           /   10           /   10             /   10              /   10           /   11           /   11             /   11              /   11           /   11           /   12             /   12              /   12
                       04              04               04               04                 04                  04               04               04                 04                  04               04               04                 04                  04
                  20           20                  20               20              20                  20                  20               20              20                  20                  20               20              20                  20
                                                                                                                                             週集計開始日時




                                                                                                                                                                                                                                                                                                51
数理解析手法の実ビジネスへの適用:活動例
                                    ビジネスとともに
                                    学術分野でも貢献
変動性から生じる動的な課題
     ・リソースの競合 ・滞留 ・納期遅延                             …

一品一様な業務プロセスを含む
統計解析・制御数理モデル
     ・統計的な有効変数算出
     ・統計数理モデル化
        -優先順位制御
        -実行タイミング制御
        -統計フィードバック
        -適正リソース量算出
     ・予測数理体系
論文(体系の一部)
M.Nakao, N. Kobayashi, K.Hamada, T.Totsuka, S.Yamada,
“Decoupling Executions in Navigating Manufacturing Processes for Shortening Lead Time and Its Implementation
to an Unmanned Machine Shop”,
CIRP Annals - Manufacturing Technology Volume 56, Issue 1, Pages 171-174 (2007)                          52
思い
     より広く蓄積されたデータを有効活用し
     世界の未来をよりよいものにしていきたい
               データマイニング+WEB勉強会@東京




     Google Group: http://groups.google.com/group/webmining-tokyo   53
現在の活動領域

   ソーシャルメディアのデータマイニング活用
          2300万人以上の人々へ
 各人のつながり・楽しみ・好み 個性にあった適切なサービス配信
           日々20億以上の活動の活用


           Social Media
              Social Graph
          Fun Like Personality
           Objective Process

            Data Mining
          Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供
                                  54
よりよい世界の実現
      ソーシャル・活動情報の活用により
 より適切な情報・サービス配信される世界を実現したい




            Social Media
                Social Graph
            Fun Like Personality
             Objective Process

          Data Mining
        Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供
                                   55
よりよい世界の実現
      ソーシャル・活動情報の活用により
 より適切な情報・サービス配信される世界を実現したい
            世界中の人々が
 個々人のつながり・楽しみ・好みにあった適切な情報・サービスを
      自ら探さなくても得ることができる世界

            Social Media
                Social Graph
            Fun Like Personality
             Objective Process

          Data Mining
        Machine Learning
       各人のつながり、楽しみ、好み、個性にあった
           より適切なサービス提供
                                   56
大規模データのデータマイニング




                  57
大規模データのデータマイニング
      Hadoop Conference Japan 2011




                                     58
大規模データのデータマイニング
     Hadoop Conference Japan 2011
 大規模データのデータマイニングに関し講演してきました




                                    59
Hadoop Conference Japan 2011
              たくさんの人々の
          データマイニング・機械学習 活用へ
  3日で1万1000View以上




                               60
Hadoop Conference Japan 2011
              たくさんの人々の
          データマイニング・機械学習 活用へ
  3日で1万1000View以上              はてなブックマーク300以上




                                                61
Hadoop Conference Japan 2011

       Hadoop Conferenceでは講演のみでした




                                    62
Hadoop Conference Japan 2011
            今回はいくつかの要素に関し




                               63
Hadoop Conference Japan 2011
            今回はいくつかの要素に関し
           双方向の議論進行を進めましょう




                               64
大規模データマイニング基盤




                65
大規模データマイニング基盤

     データマイニング・機械学習の活用により
      迅速なサービス洗練を実現しています




                           66
大規模データマイニング基盤

                      データマイニング・機械学習の活用により
                       迅速なサービス洗練を実現しています

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                           KPI Inspection
                                     DeNA Data Mining Libraries
                                                                           KPI Views
                      Data Mining/Machine Learning
                                                                     R
                               Mahout
        …                                            MapReduce      Perl
                         Morphological Analysis
                         DeNA Social MA                             Java    Business
                        Pre-processing/Indexing       Data Schema
                                                                            Planning
                               Lucene                  Zebra        Pig
 Service    Log API

 Service    Log API                               Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                            67
大規模データマイニング基盤




         Data Mining Infrastructure




                                      68
大規模データマイニング基盤

           KPI定常算出・共有
        ビジネス・サービス変化を検知

         Data Mining Infrastructure
                                      KPI Inspection

                                      KPI Views




                                                       69
大規模データマイニング基盤

      経営判断・サービス洗練を行うための
         データマイニング実行

         Data Mining Infrastructure
                                      KPI Inspection

                                      KPI Views




                                       Business
                                       Planning




                                                       70
大規模データマイニング基盤

           データマイニング・機械学習 結果のサービス活用
               より楽しんでもらえるサービスへ

  Data-mining
  Machine-Leaning     Data Mining Infrastructure
  Results
                                                   KPI Inspection

                                                   KPI Views


        …


                                                    Business
                                                    Planning
 Service    Log API

 Service    Log API

            Log API
 Service
    …          …


                                                                    71
大規模データマイニング基盤

                               Hadoop
                         全行動ログ/サービスデータ 投入

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                               KPI Inspection

                                                               KPI Views


        …


                                                                Business
                                                                Planning
 Service    Log API

 Service    Log API                            Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                72
大規模データマイニング基盤

                          Pig
                 少ない記述量での一次集計/簡易KPI算出

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                       KPI Inspection

                                                                       KPI Views


        …                                         MapReduce

                                                                        Business
                                                   Data Schema
                                                                        Planning
                                                    Zebra        Pig
 Service    Log API

 Service    Log API                            Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                        73
大規模データマイニング基盤

                                  Zebra
                            1次集計データのスキーマ管理

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                         KPI Inspection

                                                                         KPI Views
                      Data Mining/Machine Learning

        …                                            MapReduce

                                                                          Business
                                                     Data Schema
                                                                          Planning
                               Lucene                  Zebra       Pig
 Service    Log API

 Service    Log API                            Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                          74
大規模データマイニング基盤

                      MapReduce/Perl/Java
                  時系列処理・ゲーム分散シミュレーション等

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                        KPI Inspection
                                    DeNA Data Mining Libraries
                                                                        KPI Views


        …                                         MapReduce      Perl
                                                                 Java    Business
                                                   Data Schema
                                                                         Planning
                                                    Zebra        Pig
 Service    Log API

 Service    Log API                            Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                         75
大規模データマイニング基盤

                               R
                      統計解析・データマイニング・機械学習

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                        KPI Inspection

                                                                        KPI Views
                                                                  R
        …                                         MapReduce      Perl
                                                                 Java    Business
                                                   Data Schema
                                                                         Planning
                                                    Zebra        Pig
 Service    Log API

 Service    Log API                            Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                         76
大規模データマイニング基盤

                              Mahout
                        大規模データマイニング・機械学習

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                          KPI Inspection

                                                                          KPI Views
                      Data Mining/Machine Learning
                                                                    R
                               Mahout
        …                                            MapReduce     Perl
                                                                   Java    Business
                                                     Data Schema
                                                                           Planning
                                                       Zebra       Pig
 Service    Log API

 Service    Log API                            Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                           77
大規模データマイニング基盤

                       データマイニング・機械学習による
                      迅速なサービス洗練を実現しています

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                           KPI Inspection
                                     DeNA Data Mining Libraries
                                                                           KPI Views
                      Data Mining/Machine Learning
                                                                     R
                               Mahout
        …                                            MapReduce      Perl
                         Morphological Analysis
                         DeNA Social MA                             Hive    Business
                        Pre-processing/Indexing       Data Schema
                                                                            Planning
                               Lucene                  Zebra        Pig
 Service    Log API

 Service    Log API                               Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                            78
楽しさのマイニング

               楽しさのマイニング
               ユーザー体験へ還元
               Data Mining
             Machine Learning
                  of Fun
              PatternMining Clustering
    Classification Regression Recommendation
       TimeSeriesAnalysis StatisticalAnalysis
          NaturalLanguageProcessing ..etc

                Social Media
                 Experience
                   Social Graph
                 Detailed Actions
                Changes of Status
              Social Communications
                 Personality ..etc
                                                79
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン




■やめてしまう状況パターン




                         80
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン
 ・夢中になるきっかけ
   ⇒夢中になる体験をしてもらう




■やめてしまう状況パターン




                         81
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン
 ・夢中になるきっかけ
   ⇒夢中になる体験をしてもらう
 ・楽しんでサービス継続している行動特徴
   ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
   ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

■やめてしまう状況パターン




                                  82
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン
 ・夢中になるきっかけ
   ⇒夢中になる体験をしてもらう
 ・楽しんでサービス継続している行動特徴
   ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
   ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

■やめてしまう状況パターン




                                  83
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン
 ・夢中になるきっかけ
   ⇒夢中になる体験をしてもらう
 ・楽しんでサービス継続している行動特徴
   ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
   ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

■やめてしまう状況パターン
 ・飽きはじめるきっかけ・不快な状況
    ⇒やめるきっかけを発生させないようにする。




                                  84
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン
 ・夢中になるきっかけ
   ⇒夢中になる体験をしてもらう
 ・楽しんでサービス継続している行動特徴
   ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
   ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

■やめてしまう状況パターン
 ・飽きはじめるきっかけ・不快な状況
    ⇒やめるきっかけを発生させないようにする。
 ・飽きはじめたユーザーの予測・判別
    ⇒新鮮・斬新な体験を提供する
    ⇒他の楽しみ方の提供(他サービスへの推薦 等)


                                  85
データマイニング・機械学習 活用例 (抜粋)



■楽しさの行動パターン
 ・夢中になるきっかけ
   ⇒夢中になる体験をしてもらう
 ・楽しんでサービス継続している行動特徴
   ⇒楽しさのパターンを高頻度発生。より楽しいサービス体験。
   ⇒楽しさのパターンをサービス初期で体験。楽しさを理解。

■やめてしまう状況パターン
 ・飽きはじめるきっかけ・不快な状況
    ⇒やめるきっかけを発生させないようにする。
 ・飽きはじめたユーザーの予測・判別
    ⇒新鮮・斬新な体験を提供する
    ⇒他の楽しみ方の提供(他サービスへの推薦 等)


                                  86
データマイニング・機械学習 活用例 (抜粋)



■興味のあるゲーム/ユーザーと出会えるプラットフォームへ




■健全なプラットフォームへ



■ユーザーの声によるサービス洗練




                               87
データマイニング・機械学習 活用例 (抜粋)



■興味のあるゲーム/ユーザーと出会えるプラットフォームへ
  ・ゲームレコメンデーション
  ・ユーザーレコメンデーション
  ソーシャルグラフ解析、機械学習、最適化を組み合わせた推薦

■健全なプラットフォームへ



■ユーザーの声によるサービス洗練




                                 88
データマイニング・機械学習 活用例 (抜粋)



■興味のあるゲーム/ユーザーと出会えるプラットフォームへ
  ・ゲームレコメンデーション
  ・ユーザーレコメンデーション
  ソーシャルグラフ解析、機械学習、最適化を組み合わせた推薦

■健全なプラットフォームへ
  ・不正書き込み判別
  ・年齢詐称の判別

■ユーザーの声によるサービス洗練




                                 89
データマイニング・機械学習 活用例 (抜粋)



■興味のあるゲーム/ユーザーと出会えるプラットフォームへ
  ・ゲームレコメンデーション
  ・ユーザーレコメンデーション
  ソーシャルグラフ解析、機械学習、最適化を組み合わせた推薦

■健全なプラットフォームへ
  ・不正書き込み判別
  ・年齢詐称の判別

■ユーザーの声によるサービス洗練
  ・ソーシャルコミュニケーションのテキストマイニング




                                 90
データマイニング・機械学習 活用例 (抜粋)



■興味のあるゲーム/ユーザーと出会えるプラットフォームへ
  ・ゲームレコメンデーション
  ・ユーザーレコメンデーション
  ソーシャルグラフ解析、機械学習、最適化を組み合わせた推薦

■健全なプラットフォームへ
  ・不正書き込み判別
  ・年齢詐称の判別

■ユーザーの声によるサービス洗練
  ・ソーシャルコミュニケーションのテキストマイニング




                                 91
迅速なサービス洗練




      解析結果を反映した
 数時間~数日スパンで迅速なサービス洗練




                       92
迅速なサービス洗練




      解析結果を反映した
 数時間~数日スパンで迅速なサービス洗練



   より楽しんでもらえるユーザー体験へ


                       93
大規模データマイニング基盤

                                          統一行動記述

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                           KPI Inspection
                                     DeNA Data Mining Libraries
                                                                           KPI Views
                      Data Mining/Machine Learning
                                                                     R
                               Mahout
        …                                            MapReduce      Perl
                         Morphological Analysis
                         DeNA Social MA                             Hive    Business
                        Pre-processing/Indexing       Data Schema
                                                                            Planning
                               Lucene                  Zebra        Pig
 Service    Log API

 Service    Log API                               Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                            94
統一行動記述




     ユーザー行動 時系列の
        統一記述



                   95
統一行動記述

           大規模サービスでよく生じる課題
      大規模サービスでよく生じる課題


形式




置き場




                             96
統一行動記述

            大規模サービスでよく生じる課題
      大規模サービスでよく生じる課題

      サービスごとにログフォーマットが異なる
形式    ・何を解析すればいいか分からない
      ・パラメータの値の意味が分からない
      ・類似の解析実装がサービスごとに
       複数存在する



置き場




                              97
統一行動記述

            大規模サービスでよく生じる課題
      大規模サービスでよく生じる課題

      サービスごとにログフォーマットが異なる
形式    ・何を解析すればいいか分からない
      ・パラメータの値の意味が分からない
      ・類似の解析実装がサービスごとに
       複数存在する

      ログの場所がばらばら・分散されている
置き場   ・どこにあるか分からず、解析時間より
       ログを探し・集める時間のほうが長い




                              98
統一行動記述

            大規模サービスでよく生じる課題
      大規模サービスでよく生じる課題

      サービスごとにログフォーマットが異なる
形式    ・何を解析すればいいか分からない
      ・パラメータの値の意味が分からない
      ・類似の解析実装がサービスごとに
       複数存在する

      ログの場所がばらばら・分散されている
置き場   ・どこにあるか分からず、解析時間より
       ログを探し・集める時間のほうが長い


     ・データマイニング/機械学習よりも
      ログ収集・基礎集計作業がメイン
     ・データマイニング・機械学習 活用まで出来ない
                               99
統一行動記述

               統一行動ログによる解決
      大規模サービスでよく生じる課題          統一行動記述での解決

      サービスごとにログフォーマットが異なる
形式    ・何を解析すればいいか分からない
      ・パラメータの値の意味が分からない
      ・類似の解析実装がサービスごとに
       複数存在する

      ログの場所がばらばら・分散されている
置き場   ・どこにあるか分からず、解析時間より
       ログを探し・集める時間のほうが長い


     ・データマイニング/機械学習よりも
      ログ収集・基礎集計作業がメイン
     ・データマイニング・機械学習 活用まで出来ない
                                            100
統一行動記述

               統一行動ログによる解決
      大規模サービスでよく生じる課題           統一行動記述での解決

      サービスごとにログフォーマットが異なる      統一スキーマ
形式    ・何を解析すればいいか分からない         ・データマイニング・機械学習実装の
      ・パラメータの値の意味が分からない         再利用/サービス横断解析が行える
      ・類似の解析実装がサービスごとに         ・学習コストの低減
       複数存在する                   データ形式・値の意味を調べる必要がない

      ログの場所がばらばら・分散されている
置き場   ・どこにあるか分からず、解析時間より
       ログを探し・集める時間のほうが長い


     ・データマイニング/機械学習よりも
      ログ収集・基礎集計作業がメイン
     ・データマイニング・機械学習 活用まで出来ない
                                                   101
統一行動記述

               統一行動ログによる解決
      大規模サービスでよく生じる課題           統一行動記述での解決

      サービスごとにログフォーマットが異なる      統一スキーマ
形式    ・何を解析すればいいか分からない         ・データマイニング・機械学習実装の
      ・パラメータの値の意味が分からない         再利用/サービス横断解析が行える
      ・類似の解析実装がサービスごとに         ・学習コストの低減
       複数存在する                   データ形式・値の意味を調べる必要がない

      ログの場所がばらばら・分散されている       Hadoopに全てのログがある
置き場   ・どこにあるか分からず、解析時間より       ・データ探索・収集時間ゼロ
       ログを探し・集める時間のほうが長い        解析したいデータが全てある



     ・データマイニング/機械学習よりも
      ログ収集・基礎集計作業がメイン
     ・データマイニング・機械学習 活用まで出来ない
                                                   102
統一行動記述

               統一行動ログによる解決
      大規模サービスでよく生じる課題           統一行動記述での解決

      サービスごとにログフォーマットが異なる      統一スキーマ
形式    ・何を解析すればいいか分からない         ・データマイニング・機械学習実装の
      ・パラメータの値の意味が分からない         再利用/サービス横断解析が行える
      ・類似の解析実装がサービスごとに         ・学習コストの低減
       複数存在する                   データ形式・値の意味を調べる必要がない

      ログの場所がばらばら・分散されている       Hadoopに全てのログがある
置き場   ・どこにあるか分からず、解析時間より       ・データ探索・収集時間ゼロ
       ログを探し・集める時間のほうが長い        解析したいデータが全てある



     ・データマイニング/機械学習よりも           ・大規模データ処理技術
      ログ収集・基礎集計作業がメイン            ・データマイニング/機械学習
     ・データマイニング・機械学習 活用まで出来ない     それぞれの技術が活用できる
                                                   103
世界展開



       世界中の人々の
       楽しさのマイニング




                   104
世界展開



        世界中の人々の
        楽しさのマイニング




       国民性・民族性にあった
         サービス提供

                     105
世界中の人々へ

        蓄積されたデータを有効活用し
    世界中の人々への適切なサービス提供を実現したい

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                           KPI Inspection
                                     DeNA Data Mining Libraries
                                                                           KPI Views
                      Data Mining/Machine Learning
                                                                     R
                               Mahout
        …                                            MapReduce      Perl
                         Morphological Analysis
                         DeNA Social MA                             Java    Business
                        Pre-processing/Indexing       Data Schema
                                                                            Planning
                               Lucene                  Zebra        Pig
 Service    Log API

 Service    Log API                               Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                            106
世界中の人々へ

     蓄積されたデータを有効活用し
 世界中の人々への適切なサービス提供を実現したい
              Data Mining
            Machine Learning
                 of Fun
             PatternMining Clustering
   Classification Regression Recommendation
      TimeSeriesAnalysis StatisticalAnalysis
         NaturalLanguageProcessing ..etc

               Social Media
                Experience
                  Social Graph
                Detailed Actions
               Changes of Status
             Social Communications
                Personality ..etc
                                               107
世界中の人々へ
 世界中の人々への適切なサービス提供を実現したい




                           108
世界中の人々へ
 世界中の人々への適切なサービス提供を実現したい
    一緒に実現する仲間を募集しています
  大規模ソーシャルメディアのデータマイニング (2100万会員 1日20億アクション以上)




     (※2100万会員モバゲータウンはデータマイニングの宝の山/Tech総研 より抜粋)
    ・統計解析/データマイニング/機械学習/自然言語処理
    ・大規模分散処理




                                                  109
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
参加者の声のフィードバック・継続改善
           参加者の声から
         開催内容を改善しています

参加者の感想・期待




                      次回開催の
                     改善アクション




                               111
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
次回は今回より
より有意義な場にしたい


みんなの声・改善提案が必要


                113
会の最後に




        114
会の最後に

「感想」「今後の期待・改善提案」
      を伺いますね



                   115
会の最後に

「感想」「今後の期待・改善提案」
      を伺いますね

 ※次回発表者も募集します

                   116
データマイニング+WEB勉強会
               発表者を募集しています




連絡
 Google Group: http://groups.google.com/group/webmining-tokyo
 Twitter     : http://twitter.com/hamadakoichi
                                                                117
世界中の人々へ

     蓄積されたデータを有効活用し
 世界中の人々への適切なサービス提供を実現したい
              Data Mining
            Machine Learning
                 of Fun
             PatternMining Clustering
   Classification Regression Recommendation
      TimeSeriesAnalysis StatisticalAnalysis
         NaturalLanguageProcessing ..etc

               Social Media
                Experience
                  Social Graph
                Detailed Actions
               Changes of Status
             Social Communications
                Personality ..etc
                                               118 118
今後とも

データマイニング+WEB勉強会@東京

   をよろしくお願い致します



                  119
ご清聴ありがとうございました




                 120
AGENDA
 ◆オープンコミュニティ
   ◆開催
   ◆創設の思い・目的
   ◆3つの進行方針
 ◆活動事例紹介
 ◆声と改善
 ◆より有意義な場へ
大規模データマイニング基盤

                       データマイニング・機械学習による
                      迅速なサービス洗練を実現しています

  Data-mining
  Machine-Leaning                 Data Mining Infrastructure
  Results
                                                                           KPI Inspection
                                     DeNA Data Mining Libraries
                                                                           KPI Views
                      Data Mining/Machine Learning
                                                                     R
                               Mahout
        …                                            MapReduce      Perl
                         Morphological Analysis
                         DeNA Social MA                             Hive    Business
                        Pre-processing/Indexing       Data Schema
                                                                            Planning
                               Lucene                  Zebra        Pig
 Service    Log API

 Service    Log API                               Hadoop DFS
            Log API
 Service
                      Unified Description of
    …          …
                       Action/Status Log
                                                                                            122
楽しさのマイニング

               楽しさのマイニング
               ユーザー体験へ還元
               Data Mining
             Machine Learning
                  of Fun
              PatternMining Clustering
    Classification Regression Recommendation
       TimeSeriesAnalysis StatisticalAnalysis
          NaturalLanguageProcessing ..etc

                Social Media
                 Experience
                   Social Graph
                 Detailed Actions
                Changes of Status
              Social Communications
                 Personality ..etc
                                                123

More Related Content

What's hot

tokyo_webmining_no51
tokyo_webmining_no51tokyo_webmining_no51
tokyo_webmining_no51Shu (shoe116)
 
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜Yasuyuki Sugai
 
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)Shota Imai
 
Pythonで時系列のデータを分析してみよう
Pythonで時系列のデータを分析してみようPythonで時系列のデータを分析してみよう
Pythonで時系列のデータを分析してみようTatuya Kobayashi
 
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)Shota Imai
 
20140708 オンラインゲームソリューション
20140708 オンラインゲームソリューション20140708 オンラインゲームソリューション
20140708 オンラインゲームソリューションTakahiro Inoue
 
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-Yasuyuki Sugai
 
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処” WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処” Hajime Sasaki
 
DoshishaLib(20110617)
DoshishaLib(20110617)DoshishaLib(20110617)
DoshishaLib(20110617)真 岡本
 
Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano Tokyowebmining 37 20140621Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano Tokyowebmining 37 20140621Masakazu Sano
 
Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526Masakazu Sano
 
マイニング探検会#31 情報検索システムのユーザーのニーズを考える
マイニング探検会#31 情報検索システムのユーザーのニーズを考えるマイニング探検会#31 情報検索システムのユーザーのニーズを考える
マイニング探検会#31 情報検索システムのユーザーのニーズを考えるYoji Kiyota
 
第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜
第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜
第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜Yasuyuki Sugai
 
Konan-U(20110705)
Konan-U(20110705)Konan-U(20110705)
Konan-U(20110705)真 岡本
 
機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPythonKimikazu Kato
 
データ視点のIT資産価値評価の検討
データ視点のIT資産価値評価の検討データ視点のIT資産価値評価の検討
データ視点のIT資産価値評価の検討Tetsu Kawata
 

What's hot (20)

tokyo_webmining_no51
tokyo_webmining_no51tokyo_webmining_no51
tokyo_webmining_no51
 
MapReduceによる大規模データ処理 at Yahoo! JAPAN
MapReduceによる大規模データ処理 at Yahoo! JAPANMapReduceによる大規模データ処理 at Yahoo! JAPAN
MapReduceによる大規模データ処理 at Yahoo! JAPAN
 
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
 
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
 
Pythonで時系列のデータを分析してみよう
Pythonで時系列のデータを分析してみようPythonで時系列のデータを分析してみよう
Pythonで時系列のデータを分析してみよう
 
jubatus pressrelease
jubatus pressreleasejubatus pressrelease
jubatus pressrelease
 
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
最新の多様な深層強化学習モデルとその応用(第40回強化学習アーキテクチャ講演資料)
 
20140708 オンラインゲームソリューション
20140708 オンラインゲームソリューション20140708 オンラインゲームソリューション
20140708 オンラインゲームソリューション
 
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
 
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処” WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
WI2研究会(公開用) “データ分析でよく使う前処理の整理と対処”
 
DoshishaLib(20110617)
DoshishaLib(20110617)DoshishaLib(20110617)
DoshishaLib(20110617)
 
bigdata2012nlp okanohara
bigdata2012nlp okanoharabigdata2012nlp okanohara
bigdata2012nlp okanohara
 
Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano Tokyowebmining 37 20140621Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano Tokyowebmining 37 20140621
 
Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526
 
マイニング探検会#31 情報検索システムのユーザーのニーズを考える
マイニング探検会#31 情報検索システムのユーザーのニーズを考えるマイニング探検会#31 情報検索システムのユーザーのニーズを考える
マイニング探検会#31 情報検索システムのユーザーのニーズを考える
 
Mlct 20150430v2
Mlct 20150430v2Mlct 20150430v2
Mlct 20150430v2
 
第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜
第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜
第2回 R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜相関分析による需要予測編〜
 
Konan-U(20110705)
Konan-U(20110705)Konan-U(20110705)
Konan-U(20110705)
 
機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython機械学習ゴリゴリ派のための数学とPython
機械学習ゴリゴリ派のための数学とPython
 
データ視点のIT資産価値評価の検討
データ視点のIT資産価値評価の検討データ視点のIT資産価値評価の検討
データ視点のIT資産価値評価の検討
 

Viewers also liked

Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP Koichi Hamada
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 Koichi Hamada
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理Koichi Hamada
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014Koichi Hamada
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopKoichi Hamada
 
Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Koichi Hamada
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14thKoichi Hamada
 
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 Koichi Hamada
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- Koichi Hamada
 
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京Koichi Hamada
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Koichi Hamada
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦Koichi Hamada
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics Koichi Hamada
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発Koichi Hamada
 

Viewers also liked (14)

Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
 
Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8 Apache Mahout - Random Forests - #TokyoWebmining #8
Apache Mahout - Random Forests - #TokyoWebmining #8
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14th
 
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
 
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
 
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #...
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発
 

Similar to 10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #TokyoWebmining

DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)Sho Nakamura
 
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf幸太朗 岩澤
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Preferred Networks
 
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING健司 亀本
 
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-Koichi Hamada
 
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19Tatsuya Shirakawa
 
E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐
E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐
E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐Rakuten Group, Inc.
 
クラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターンクラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターンAmazon Web Services Japan
 
(Draft) lambda architecture by using TreasureData
(Draft) lambda architecture by using TreasureData(Draft) lambda architecture by using TreasureData
(Draft) lambda architecture by using TreasureDataToru Takahashi
 
クラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターンクラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターンAmazon Web Services Japan
 
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...DeepEyeVision, Inc.
 
データベース09 - データベース設計
データベース09 - データベース設計データベース09 - データベース設計
データベース09 - データベース設計Kenta Oku
 
データベースメディアにおける検索エンジン最適化
データベースメディアにおける検索エンジン最適化データベースメディアにおける検索エンジン最適化
データベースメディアにおける検索エンジン最適化Toru Enomoto
 
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップDaiyu Hatakeyama
 
研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習について研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習についてYasuhiro Matsuo
 
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用についてAmazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用についてAmazon Web Services Japan
 
ベイジアンネット技術とサービス工学におけるビッグデータ活用技術
ベイジアンネット技術とサービス工学におけるビッグデータ活用技術ベイジアンネット技術とサービス工学におけるビッグデータ活用技術
ベイジアンネット技術とサービス工学におけるビッグデータ活用技術Yoichi Motomura
 
201024 ai koeln (akemi yokota) auf japanisch
201024 ai koeln (akemi yokota)  auf japanisch201024 ai koeln (akemi yokota)  auf japanisch
201024 ai koeln (akemi yokota) auf japanischAkemi Yokota
 
Web-Gakkai Symposium 2010
Web-Gakkai Symposium 2010Web-Gakkai Symposium 2010
Web-Gakkai Symposium 2010Naoya Ito
 
Spark Summit 2014 の報告と最近の取り組みについて
Spark Summit 2014 の報告と最近の取り組みについてSpark Summit 2014 の報告と最近の取り組みについて
Spark Summit 2014 の報告と最近の取り組みについてRecruit Technologies
 

Similar to 10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #TokyoWebmining (20)

DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
DEIM2019 楽天技術研究所の研究とケーススタディ(推薦システム)
 
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
 
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING
 
ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-ソーシャルデザインパターン -評判と情報収集-
ソーシャルデザインパターン -評判と情報収集-
 
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19
 
E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐
E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐
E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐
 
クラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターンクラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターン
 
(Draft) lambda architecture by using TreasureData
(Draft) lambda architecture by using TreasureData(Draft) lambda architecture by using TreasureData
(Draft) lambda architecture by using TreasureData
 
クラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターンクラウド上のデータ活用デザインパターン
クラウド上のデータ活用デザインパターン
 
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
 
データベース09 - データベース設計
データベース09 - データベース設計データベース09 - データベース設計
データベース09 - データベース設計
 
データベースメディアにおける検索エンジン最適化
データベースメディアにおける検索エンジン最適化データベースメディアにおける検索エンジン最適化
データベースメディアにおける検索エンジン最適化
 
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
 
研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習について研究用途でのAWSの利用事例と機械学習について
研究用途でのAWSの利用事例と機械学習について
 
Amazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用についてAmazonでのレコメンド生成における深層学習とAWS利用について
Amazonでのレコメンド生成における深層学習とAWS利用について
 
ベイジアンネット技術とサービス工学におけるビッグデータ活用技術
ベイジアンネット技術とサービス工学におけるビッグデータ活用技術ベイジアンネット技術とサービス工学におけるビッグデータ活用技術
ベイジアンネット技術とサービス工学におけるビッグデータ活用技術
 
201024 ai koeln (akemi yokota) auf japanisch
201024 ai koeln (akemi yokota)  auf japanisch201024 ai koeln (akemi yokota)  auf japanisch
201024 ai koeln (akemi yokota) auf japanisch
 
Web-Gakkai Symposium 2010
Web-Gakkai Symposium 2010Web-Gakkai Symposium 2010
Web-Gakkai Symposium 2010
 
Spark Summit 2014 の報告と最近の取り組みについて
Spark Summit 2014 の報告と最近の取り組みについてSpark Summit 2014 の報告と最近の取り組みについて
Spark Summit 2014 の報告と最近の取り組みについて
 

More from Koichi Hamada

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AIKoichi Hamada
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Koichi Hamada
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦Koichi Hamada
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Koichi Hamada
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Koichi Hamada
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発Koichi Hamada
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映Koichi Hamada
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Koichi Hamada
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理Koichi Hamada
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11Koichi Hamada
 
Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Koichi Hamada
 
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナーKoichi Hamada
 
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京Koichi Hamada
 
Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6Koichi Hamada
 

More from Koichi Hamada (14)

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AI
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映
 
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
 
Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9
 
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー
 
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
 
Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6Introduction to Mahout Clustering - #TokyoWebmining #6
Introduction to Mahout Clustering - #TokyoWebmining #6
 

Recently uploaded

20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directoryosamut
 
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxIoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxAtomu Hidaka
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Danieldanielhu54
 
プレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツールプレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツールsugiuralab
 
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000Shota Ito
 
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価sugiuralab
 
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ       2024/04/12の勉強会で発表されたものです。新人研修のまとめ       2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。iPride Co., Ltd.
 
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。iPride Co., Ltd.
 

Recently uploaded (8)

20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
 
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptxIoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
 
プレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツールプレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツール
 
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
 
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価
 
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ       2024/04/12の勉強会で発表されたものです。新人研修のまとめ       2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
 
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
 

10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #TokyoWebmining