Submit Search
Upload
Mlct 20150430v2
•
Download as PPTX, PDF
•
10 likes
•
4,316 views
Masakazu Sano
Follow
Machine Learning Casual Talks #3
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 24
Download now
Recommended
Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526
Masakazu Sano
Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano
人工知能Xファッション最前線
人工知能Xファッション最前線
Kazuki Baba
人工知能がファッションの分野でどのように活用されているかをお話しします
Sano hmm 20150512
Sano hmm 20150512
Masakazu Sano
hivemall meetup
Sano web広告最適化20131018v3
Sano web広告最適化20131018v3
Masakazu Sano
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
Koichi Hamada
「データマイニング+WEB 勉強会@東京」、オープニングトークの資料です hamadakoichi 濱田晃一
hivemallを使って4日間で性別推定した話
hivemallを使って4日間で性別推定した話
eventdotsjp
・Scaleout社(DSP)のデータについて ・hivemallの利用事例(性別年代推定)
パーソナル広告配信徹底入門
パーソナル広告配信徹底入門
yskn67
1/16 第50回TokyoWebMining
Recommended
Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526
Masakazu Sano
Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano Tokyowebmining 37 20140621
Masakazu Sano
人工知能Xファッション最前線
人工知能Xファッション最前線
Kazuki Baba
人工知能がファッションの分野でどのように活用されているかをお話しします
Sano hmm 20150512
Sano hmm 20150512
Masakazu Sano
hivemall meetup
Sano web広告最適化20131018v3
Sano web広告最適化20131018v3
Masakazu Sano
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
オープニングトーク - 創設の思い・目的・進行方針 -データマイニング+WEB勉強会@東京
Koichi Hamada
「データマイニング+WEB 勉強会@東京」、オープニングトークの資料です hamadakoichi 濱田晃一
hivemallを使って4日間で性別推定した話
hivemallを使って4日間で性別推定した話
eventdotsjp
・Scaleout社(DSP)のデータについて ・hivemallの利用事例(性別年代推定)
パーソナル広告配信徹底入門
パーソナル広告配信徹底入門
yskn67
1/16 第50回TokyoWebMining
ユーザー分析における特徴量の作り方
ユーザー分析における特徴量の作り方
Kazuya Obanayama
第37回東京WEBマイニングのアンカンファレンス用資料です。
Sapporo20140709
Sapporo20140709
Kimikazu Kato
2014/7/9 Python札幌・ミニ勉強会 の資料です。 Remark.jsを使ってます。ソースコードはこちら: https://github.com/hamukazu/sapporo20140709
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
Koichi Hamada
データマイニング+WEB勉強会 第3回(2010/04/17)でのオープニングトークです。「OpeningTalk - 創設の思い・目的・方針」 hamadakoichi 濱田晃一。 途中、質問・議論をはさむ双方向形式で進行し、15分の講義を行いました
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
ymmt3-lab
研究室内で行なった、データ分析の勉強会にて使用したスライドです。
アドテクにおける機械学習技術 @Tokyo Data Night #tokyodn
アドテクにおける機械学習技術 @Tokyo Data Night #tokyodn
Kei Tateno
ソネット・メディア・ネットワークスではデータをいじり倒したい機械学習エンジニア・データサイエンティスト募集中です! https://www.wantedly.com/projects/26975 --- アドテク領域、とくにReal Time Bidding(RTB)の世界でどのように機械学習が使われているのか(使えるのか)を概観します。
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
Kimikazu Kato
2017/7/1 db analytics showcase Sapporoで講演したときの資料です。 フルスクラッチから機械学習アルゴリズムの実装をしたい人向けです。
Deep learning Libs @twm
Deep learning Libs @twm
Yuta Kashino
Deep learning Libs @twm
セレンディピティと機械学習
セレンディピティと機械学習
Kei Tateno
2016.8.10 TechFeed Live! にて、機械学習の楽しみとしての世界の記述とセレンディピティについて話しました。
レコメンデーション(協調フィルタリング)の基礎
レコメンデーション(協調フィルタリング)の基礎
Katsuhiro Takata
TokyoWebMining, 2010/05/16
Optimizing AIC in Questionnaire Analysis
Optimizing AIC in Questionnaire Analysis
T T
Scikit-learnを使って 画像分類を行う
Scikit-learnを使って 画像分類を行う
Arata Honda
Excite Open Beer Bashで発表を行った資料です。
[R勉強会][データマイニング] R言語による時系列分析
[R勉強会][データマイニング] R言語による時系列分析
Koichi Hamada
第4回R勉強会@東京(10/4/24)の講師資料です。hamadakoichi R言語による時系列分析。
Pythonで画像処理をやってみよう!第6回 - Scale-space 第3回 -
Pythonで画像処理をやってみよう!第6回 - Scale-space 第3回 -
Project Samurai
Python で画像処理をやってみよう!第4回 - Scale-space - 第35回 MPS ミーティング資料 Let's learn image processing with Python part 4. "Scale space" The 35nd Morning Project Samurai (MPS) meeting document.
Shinyを自由に使ってみる
Shinyを自由に使ってみる
Masanori Takano
第38回 Tokyo.R LT資料
Big data解析ビジネス
Big data解析ビジネス
Mie Mori
Tokyo
Tokyowebmining ctr-predict
Tokyowebmining ctr-predict
正志 坪坂
広告のCTR予測について@TokyoWebMining
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 #Toky...
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 #Toky...
Koichi Hamada
第10回 データマイニング+WEB勉強会@東京。 10回開催記念 トーク: 「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~」 #TokyoWebmining #10
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
tanutarou
多項式あてはめを例に、最小二乗法からガウスノイズモデル、ベイズ推定へと拡張していきながらベイズ推定の説明をする。実験はEdwardで行った。
20190723 mlp lt_bayes_pub
20190723 mlp lt_bayes_pub
Yoichi Tokita
こちらの会で喋った資料です。 https://reading-circle-beginners.connpass.com/event/135881/ 「ベイズ推論による機械学習 入門」の紹介です。
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Kuniyuki Takahashi
2017年12月7日(木) ROS Japan UG #19 機械学習・AI勉強会の発表スライド タイトル:実社会・実環境におけるロボットの機械学習 内容:実社会・実環境ロボットにおける機械学習という内容で,下記の3点について説明する.(1) これまでのロボット制御 (2) 機械学習による認識を用いたロボット制御 (3) 機械学習を用いたロボットの運動生成.最後にこれからの展望として,マルチモーダル学習について言及した.
Sano tokyowebmining 201625_v04
Sano tokyowebmining 201625_v04
Masakazu Sano
広告機械学習最前線 DSPの中身を知る 2016-06-25 @TokyoWebmining. Introduction to online advertising and machine learning
法人顧客データあれこれ
法人顧客データあれこれ
Izumi Akiyama
More Related Content
What's hot
ユーザー分析における特徴量の作り方
ユーザー分析における特徴量の作り方
Kazuya Obanayama
第37回東京WEBマイニングのアンカンファレンス用資料です。
Sapporo20140709
Sapporo20140709
Kimikazu Kato
2014/7/9 Python札幌・ミニ勉強会 の資料です。 Remark.jsを使ってます。ソースコードはこちら: https://github.com/hamukazu/sapporo20140709
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
Koichi Hamada
データマイニング+WEB勉強会 第3回(2010/04/17)でのオープニングトークです。「OpeningTalk - 創設の思い・目的・方針」 hamadakoichi 濱田晃一。 途中、質問・議論をはさむ双方向形式で進行し、15分の講義を行いました
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
ymmt3-lab
研究室内で行なった、データ分析の勉強会にて使用したスライドです。
アドテクにおける機械学習技術 @Tokyo Data Night #tokyodn
アドテクにおける機械学習技術 @Tokyo Data Night #tokyodn
Kei Tateno
ソネット・メディア・ネットワークスではデータをいじり倒したい機械学習エンジニア・データサイエンティスト募集中です! https://www.wantedly.com/projects/26975 --- アドテク領域、とくにReal Time Bidding(RTB)の世界でどのように機械学習が使われているのか(使えるのか)を概観します。
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
Kimikazu Kato
2017/7/1 db analytics showcase Sapporoで講演したときの資料です。 フルスクラッチから機械学習アルゴリズムの実装をしたい人向けです。
Deep learning Libs @twm
Deep learning Libs @twm
Yuta Kashino
Deep learning Libs @twm
セレンディピティと機械学習
セレンディピティと機械学習
Kei Tateno
2016.8.10 TechFeed Live! にて、機械学習の楽しみとしての世界の記述とセレンディピティについて話しました。
レコメンデーション(協調フィルタリング)の基礎
レコメンデーション(協調フィルタリング)の基礎
Katsuhiro Takata
TokyoWebMining, 2010/05/16
Optimizing AIC in Questionnaire Analysis
Optimizing AIC in Questionnaire Analysis
T T
Scikit-learnを使って 画像分類を行う
Scikit-learnを使って 画像分類を行う
Arata Honda
Excite Open Beer Bashで発表を行った資料です。
[R勉強会][データマイニング] R言語による時系列分析
[R勉強会][データマイニング] R言語による時系列分析
Koichi Hamada
第4回R勉強会@東京(10/4/24)の講師資料です。hamadakoichi R言語による時系列分析。
Pythonで画像処理をやってみよう!第6回 - Scale-space 第3回 -
Pythonで画像処理をやってみよう!第6回 - Scale-space 第3回 -
Project Samurai
Python で画像処理をやってみよう!第4回 - Scale-space - 第35回 MPS ミーティング資料 Let's learn image processing with Python part 4. "Scale space" The 35nd Morning Project Samurai (MPS) meeting document.
Shinyを自由に使ってみる
Shinyを自由に使ってみる
Masanori Takano
第38回 Tokyo.R LT資料
Big data解析ビジネス
Big data解析ビジネス
Mie Mori
Tokyo
Tokyowebmining ctr-predict
Tokyowebmining ctr-predict
正志 坪坂
広告のCTR予測について@TokyoWebMining
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 #Toky...
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 #Toky...
Koichi Hamada
第10回 データマイニング+WEB勉強会@東京。 10回開催記念 トーク: 「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~」 #TokyoWebmining #10
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
tanutarou
多項式あてはめを例に、最小二乗法からガウスノイズモデル、ベイズ推定へと拡張していきながらベイズ推定の説明をする。実験はEdwardで行った。
20190723 mlp lt_bayes_pub
20190723 mlp lt_bayes_pub
Yoichi Tokita
こちらの会で喋った資料です。 https://reading-circle-beginners.connpass.com/event/135881/ 「ベイズ推論による機械学習 入門」の紹介です。
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Kuniyuki Takahashi
2017年12月7日(木) ROS Japan UG #19 機械学習・AI勉強会の発表スライド タイトル:実社会・実環境におけるロボットの機械学習 内容:実社会・実環境ロボットにおける機械学習という内容で,下記の3点について説明する.(1) これまでのロボット制御 (2) 機械学習による認識を用いたロボット制御 (3) 機械学習を用いたロボットの運動生成.最後にこれからの展望として,マルチモーダル学習について言及した.
What's hot
(20)
ユーザー分析における特徴量の作り方
ユーザー分析における特徴量の作り方
Sapporo20140709
Sapporo20140709
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
[データマイニング+WEB勉強会][R勉強会] 創設の思い・目的・進行方針
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
アドテクにおける機械学習技術 @Tokyo Data Night #tokyodn
アドテクにおける機械学習技術 @Tokyo Data Night #tokyodn
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
Deep learning Libs @twm
Deep learning Libs @twm
セレンディピティと機械学習
セレンディピティと機械学習
レコメンデーション(協調フィルタリング)の基礎
レコメンデーション(協調フィルタリング)の基礎
Optimizing AIC in Questionnaire Analysis
Optimizing AIC in Questionnaire Analysis
Scikit-learnを使って 画像分類を行う
Scikit-learnを使って 画像分類を行う
[R勉強会][データマイニング] R言語による時系列分析
[R勉強会][データマイニング] R言語による時系列分析
Pythonで画像処理をやってみよう!第6回 - Scale-space 第3回 -
Pythonで画像処理をやってみよう!第6回 - Scale-space 第3回 -
Shinyを自由に使ってみる
Shinyを自由に使ってみる
Big data解析ビジネス
Big data解析ビジネス
Tokyowebmining ctr-predict
Tokyowebmining ctr-predict
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 #Toky...
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 #Toky...
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
20190723 mlp lt_bayes_pub
20190723 mlp lt_bayes_pub
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Viewers also liked
Sano tokyowebmining 201625_v04
Sano tokyowebmining 201625_v04
Masakazu Sano
広告機械学習最前線 DSPの中身を知る 2016-06-25 @TokyoWebmining. Introduction to online advertising and machine learning
法人顧客データあれこれ
法人顧客データあれこれ
Izumi Akiyama
第1回文献紹介勉強会20140826
第1回文献紹介勉強会20140826
Masakazu Sano
path integral and stochastic processes
LT資料
LT資料
Kazuma Kadomae
LT資料
機械学習に取り組んでいる企業の紹介
機械学習に取り組んでいる企業の紹介
Kazuma Kadomae
【全脳アーキテクチャ若手の会 関東】 機械学習に取り組んでいる企業の紹介 第12回勉強会 カジュアルトーク 機械学習に取り組んでいる企業の紹介WEB+アプリ+データ分析系のベンチャーでロボット系、メーカー系は取上げておりません。
クライアントサイドMVVMアーキテクチャとVue.jsをまとめたよ
クライアントサイドMVVMアーキテクチャとVue.jsをまとめたよ
Seki Yousuke
会社内の勉強会で発表した内容です
Viewers also liked
(6)
Sano tokyowebmining 201625_v04
Sano tokyowebmining 201625_v04
法人顧客データあれこれ
法人顧客データあれこれ
第1回文献紹介勉強会20140826
第1回文献紹介勉強会20140826
LT資料
LT資料
機械学習に取り組んでいる企業の紹介
機械学習に取り組んでいる企業の紹介
クライアントサイドMVVMアーキテクチャとVue.jsをまとめたよ
クライアントサイドMVVMアーキテクチャとVue.jsをまとめたよ
Similar to Mlct 20150430v2
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
Hiroshi Senga
大人気セミナーとなった日経コンピュータ主催【ゼロから分かる「機械学習」実践講座 《演習付き》】のセミナー資料。
20180925_【サポーターズCoLab勉強会】【営業から運用まで】データサイエンティストという職業
20180925_【サポーターズCoLab勉強会】【営業から運用まで】データサイエンティストという職業
Shunsuke Nakamura
以下イベントで利用したスライド https://supporterzcolab.com/event/513/
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
Shunsuke Nakamura
以下イベントで利用したスライド https://atnd.org/events/99733?k=82298eee851859e1a238ac77206285ae
.net micro framework for toppers
.net micro framework for toppers
Kiyoshi Ogawa
About .net micro framework for toppers by Kiyoshi Ogawa, original Idea from Atom Hidaka.
Pythonによる機械学習
Pythonによる機械学習
Kimikazu Kato
計算機統計学会第30回大会でのプレゼン資料です。
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
2016/12/18 「今年もやるよ!ビッグデータオールスターズ -日本を代表するビッグデータエンジニア・マーケターが大集結!-」での、西郷の講演資料になります
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか?〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演ではこれら近年の代表的な説明法について紹介する。
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
データマイニングCROSS 2012 パネルディスカッション第2部-機械学習・大規模分散処理 実ビジネス・サービス活用のノウハウと展望
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
HironoriTAKEUCHI1
JST未来社会 未来社会創造事業 機械学習を用いたシステムの高品質化・実用化を加速する”Engineerable AI”(eAI)プロセスパターンチーム による機械学習応用システムのアーキテクチャ・デザインパターンの整理
ChatGPT(LLMによる生成系AI)の追加学習を No Code で行う ~ 概念モデリング教本を元に ~
ChatGPT(LLMによる生成系AI)の追加学習を No Code で行う ~ 概念モデリング教本を元に ~
Knowledge & Experience
2024/2/27 に JASA OpenEL working group で講演した資料 https://note.com/kae_made から公開している概念モデリングに関する技術コンテンツをAzure OpenAI Studio で追加学習し、概念モデリング支援チャットを作成を試す方法を解説 デモ動画は、https://youtu.be/UGCuMwM8cEE?si=wT9YH8Hx8Zmjuolf で視聴可
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
「MLOpsとはなにか?」という質問に対し、「データサイエンティストが、システム開発において、やらないことすべて」と定義した上で、MLOpsの説明、海外事例、「JapanTaxi」アプリでの事例を説明します
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
Shunsuke Nakamura
以下イベントで利用したスライド https://supporterz.jp/spevents/detail/20180809_kyoto
Microsoft Autonomousへの取り組み
Microsoft Autonomousへの取り組み
Hirono Jumpei
Microsoft Autonomous への取り組み 20190719 Deep Learning Lab講演資料
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
2016/7/23 第9回科学技術におけるロボット教育シンポジウムでの発表スライドです。
ML Sagemaker Dev.IO
ML Sagemaker Dev.IO
__john_smith__
Devlopers.IO 2018にて発表した「誰でも簡単にAIを実現!SageMaker実践ユースケース紹介」の資料
リアルタイムトレンド抽出飛び込み用
リアルタイムトレンド抽出飛び込み用
DMM.com
2015/08/23 Talk Live in Summer 2015 at DMM.com Laboで発表した内容です。
20181117 azure ml_seminar_1
20181117 azure ml_seminar_1
sady_nitro
20181117 Azure Machine Lerning 勉強会 in Okayama (1)
Soft neuro
Soft neuro
ssuser3a4b8c
Morpho
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
BrainPad Inc.
「ブレインパッドとエウレカが語る、データ分析と機械学習の活用」資料
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Shun Nukui
PyData.Tokyo Meetup #18での講演資料です。 https://pydatatokyo.connpass.com/event/
Similar to Mlct 20150430v2
(20)
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
日経コンピュータ主催:さわってわかる機械学習 Azure Machine Learning 実践セミナー
20180925_【サポーターズCoLab勉強会】【営業から運用まで】データサイエンティストという職業
20180925_【サポーターズCoLab勉強会】【営業から運用まで】データサイエンティストという職業
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
20180920_【ヒカ☆ラボ】【データサイエンティストが教える 】 機械学習、人工知能を使った「ビジネスになる」アプリケーションの作り方
.net micro framework for toppers
.net micro framework for toppers
Pythonによる機械学習
Pythonによる機械学習
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
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
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
機械学習応用システムのアーキテクチャ・デザイパターン(2020-07 ドラフトバージョン))
ChatGPT(LLMによる生成系AI)の追加学習を No Code で行う ~ 概念モデリング教本を元に ~
ChatGPT(LLMによる生成系AI)の追加学習を No Code で行う ~ 概念モデリング教本を元に ~
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
20180809_機械学習を使った「ビジネスになる」アプリケーションの作り方
Microsoft Autonomousへの取り組み
Microsoft Autonomousへの取り組み
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
ML Sagemaker Dev.IO
ML Sagemaker Dev.IO
リアルタイムトレンド抽出飛び込み用
リアルタイムトレンド抽出飛び込み用
20181117 azure ml_seminar_1
20181117 azure ml_seminar_1
Soft neuro
Soft neuro
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Mlct 20150430v2
1.
ネット広告実務で機械学習を活用するうえでの苦労話
2.
アジェンダ • 自己紹介 • FreakOutの概観 •
機械学習苦労話
3.
自己紹介
4.
佐野正和(さのまさかず, @Masa_S3) • データマイニングエンジニア
(Techlead) • バックグラウンドは素粒子物理学 • 5年くらいネット広告分野で分析業務を担当 分析チーム • 5名+3名アルバイト(現時点) • FreakOutとM.T.Burn(スマホ向けアドネットワーク)のプロダクト改善 メンバーを募集しております! • 分析から学習モデルの実装までやってみたい方。 • 自分の実装モデルをリアルなデータで試したい方。 • アナリティクスの力でビジネスをドライブさせてみたい方。
5.
• FreakOutの概観
6.
ネット広告売買の世界:Real Time Bidding(RTB) •
SSP(Supply-Side Platform)がimpressionのオークションを仕切って、 それに複数のDSP(Demand-Side Platform )がセリに参加するイメー ジ。 DSP1 DSP2 DSP3 SSP いくらで 配信す るの? ¥10 ¥30 ¥20 DSP2を配信 ユーザID, 広告サイズ等 を開示 6
7.
DSP (Demand-Side Platform)とは 7 これまで
現在 広告枠 広告主 広告枠 メディア ユーザ 広告枠 ? 広告主のロジックでの買い付けが可能に ネット広告のパラダイムシフト 取引対象が、「広告枠」から「人」へ変化 手売りでの 広告販売 RTBによる 自動買い付け 広告枠
8.
50ms or die. フリークアウトのTechチームが掲げるミッション。 月間2200億のリクエスト、 その1つ1つに対して50msでレスポンスを返さないと、 事業そのものが成り立たない
9.
50msでやっていること 広告主側のロジックで、 必要な枠、必要な人、必要な瞬間だけ をリアルタイムに判定して入札 ↓ 競合十数社でのオークションに勝てば バナーを表示
10.
・入札配信サーバ/Hadoopクラスタは、それぞれ 数百台の規模 ・基本はオンプレミス、一部AWS使用 ・入札サーバは安いコアを並べる FreakOut DSP の構成概要
11.
ロジックのABテスト環境 月間2200億のトラフィックに対して、 複数の入札ロジックを、任意の割合(%)で 並行して走らせることが可能 結果も即座に集計可能 常時複数のアルゴリズムが実環境で検証されている 高速PDCA
12.
• 機械学習苦労話
13.
広告主側のロジックで、 必要な枠、必要な人、必要な瞬間だけ をリアルタイムに判定して入札 • 高精度なユーザ判別(click/CV)の実現 • 制約 •
高速レスポンス • オンプレ 機械学習への制約
14.
機械学習への制約 学習器 Impression log click log 学習 (ロジスティ回帰) Clickする確率 イメージ 過去の履歴 入札価格の決定
15.
ロジックの一例:クリック予測モデル Hivemallのロジスティック回帰を活用 • amplify()関数を活用したアンサンブル学習でイテレーション効 果を得る。 • Hiveで学習から検証まで実行可能で非常に便利。 学習用のログは直近数日分のimpression
& click log • 学習時間;1時間程度
16.
ロジックの一例:クリック予測モデル 課題 • amplifyを使うと処理の途中過程で学習データが10倍程度に なる(設定による)。 • オンプレ環境ではデータ容量を大きくできない •
使用容量が多いと特徴量の種類を増やすことも容易ではな い • 精度を落とさず容量を減らしたい
17.
ロジックの一例:クリック予測モデル Subsamplingの導入 Simple and scalable
response prediction for display advertising[CHAPELLE, MANAVOGLU, ROSALES] Negative Samples (impresion log)Positive Samples (click log)
18.
ロジックの一例:クリック予測モデル Subsamplingの導入 Simple and scalable
response prediction for display advertising[CHAPELLE, MANAVOGLU, ROSALES] Negative samples Positive samples Subsampling rate r(<1)でnegative sampleからサンプリング。 subsampling
19.
ロジックの一例:クリック予測モデル Subsamplingの導入 Simple and scalable
response prediction for display advertising[CHAPELLE, MANAVOGLU, ROSALES] 非常に簡潔
20.
ロジックの一例:クリック予測モデル Subsamplingの導入 Simple and scalable
response prediction for display advertising[CHAPELLE, MANAVOGLU, ROSALES] 精度をほぼ変えずに消費リソースの削減を実現 • r=0.2 • 60-80%の消費リソース減少 • 学習時間も半分以下に
21.
おまけ苦労話:モデルの比較 実配信環境にモデルを投下するためには機械学習モ デルの比較検証が大事 モデルを同じ基準で比較するのが意外と難しい
22.
view cv • Viewからクリックまでは期間が短い • コンバージョンまでにはラグが存在する場合があ る
23.
view cv view cv オンライン検証開始 すでに動いているモデルと新しい モデルを比較検証する場合、 Model Bのような検証開始日より 過去から発生しているコンバー ジョンを除外しないと公平な比較 にならない。 クリック予測モデルと違う点で気 をつけるべき点。 案外落とし穴 。遅れて発生する コンバージョンは割と多い。 New
model A Old model B
24.
まとめ 地味なところ大事。特にデータ周り。 同じくらい業務知識も大事。落とし穴に気づける。
Download now