SlideShare a Scribd company logo
1 of 41
Download to read offline
㈱リーディングエッジ社
鈴木 庸氏 (Youji Suzuki)
PyConJP2019 Talk Session
1
1. Introduction
2. Self-Introduction
3. Demonstration
4. Google Optimization Tools
5. シフトスケジューラ概要
6. シフトスケジューラ実装
7. まとめ
8. 今後は・・・
2
今日のトークセッションで伝えたいこと
① PythonとOSS数理最適化ソルバーを
ビジネスに役立てよう
② Google Optimization Toolsを使ってみよう
③ シフト・スケジューリングについて知ろう
3
鈴木 庸氏(すずき ようじ)
} Python歴 5年
} 所属 リーディングエッジ社
} 年齢 47歳
} 出身 千葉県君津市
} 業務 Python
物流の組合せ最適化、シミュレーション
} 好きなこと 釣り、ドライブ
4
Development Supporter
田端 哲朗(たばた てつろう)
} Python歴 2年
} 所属 リーディングエッジ社
} 年齢 41歳
} 出身 石川県
} 業務 Java開発(業務システム開発等)
} 好きなこと キャンプ
5
Let’s make a shift schedule!
6
シフトスケジューラとは?
・ 商業店舗や病院の
・ 与えられた条件に沿ったシフト勤務表を
・ 自動作成してくれるアプリケーションです
7
Here We Go!
デモを見てみましょう
8
3.1 シフトスケジューラ起動
勤務表作成ボタン
9
3.2 立案開始日、立案期間、人数を入力
立案開始日
立案期間
人数
10
3.3 従業員名、勤務可能なシフトを入力
勤務可能シフト
従業員名
11
3.4 シフト必要人数の入力
各シフトの必要人数
12
3.5 従業員どうしの相性の入力
相性得点
マトリクス
13
3.6 同一シフト連続条件の入力
同一シフト連続条件
14
3.7 シフト勤務表作成結果
従業員の
勤務シフト表
15
OR-Tools is fast and portable software for
combinatorial optimization
https://developers.google.com/optimization
16
4.1 数理最適化ソルバーとは?
・ 与えられたルール(制約)の中で
・ もっとも良い答えを見つけてくれるソフトウェア
・ 例えば、
主人 宝物はこの畑のどこにある?
イヌ ここ掘れワンワン! → 最適解:座標(x、y)
(目的関数:宝物の価値 説明変数 x、y座標)
17
} Pythonから利用できる数理最適化のためのオープンソフトウェ
アスィート
} 整数計画、線形計画、制約プログラミングにおける問題を解くこ
とができる
} CBC、GLOP、CP、CP-SATなどの数理最適化ソルバーを利用
できる
https://developers.google.com/optimization より
4.2 Google Optimization Toolsとは?
18
} CBC
coin-or.orgが開発している混合整数計画ソルバー
} GLOP
Googleが開発している線形計画ソルバー
} CP
Googleが開発している制約計画ソルバー、2次式が使えて便利
} CP-SAT
Googleが開発している制約計画ソルバー、CPの後継
4.2 利用できるソルバー(抜粋)
19
シフト勤務のお仕事
看護師の勤務シフト
店舗の勤務シフト
工場の勤務シフト
コールセンターの勤務シフト
20
① シフトスケジュール作成には熟練者が必要
熟練者は減少傾向にあり、技能伝承および担保が求められている
② 人によるシフトスケジュール作成には多大な時間がかかる
休暇日などの勤務時間外にシフトを作るケースが多い
(シフトスケジュール作成者の悩みの種)
③ 市販の汎用スケジューラでは、暗黙知的ルールを考慮できない
数理最適化を使った専用シフトスケジューラでは、暗黙知的ルール
を制約条件、評価条件として組み込むことが可能
5.1 シフト作成における課題
21
・シフト開始日
・シフト立案期間
・従業員の人数
・従業員の勤務可能条件
・各シフトの必要人数
・従業員どうしの相性 (暗黙知的ルール)
・連続勤務可能条件
・夜勤明けの勤務可能条件
5.1 シフト作成での考慮すべき条件
22
① 導入コストにおけるメリット
・ PythonとGoogleのソルバーでコストを抑え、
商用ソルバーよりもはるかに導入しやすい
(商用ソルバー価格は500万円以上)
② 従業員にもたらすメリット
・ スケジュール作成負荷の低減
施設全体での生産効率向上
従業員の働きやすさ改善
5.2 シフトスケジューラ導入によるメリット
23
・ シフトスケジューリングは割り当て問題であるので、
次のような決定変数を考える
従業員nを、日dの、シフトsに割り当てるか否か?
決定変数 x[n, d, s] (割り当てないとき:0、割り当てるとき:1)
6.1 モデリング-決定変数
24
従業員nを、日dの、シフトsに、割り当てるか否か?
6.1 モデリング-決定変数
日 \シフト 日勤 準夜勤 夜勤
1日目 1 0 0
2日目 1 0 0
3日目 0 0 0
決定変数x[n, d, s]
従業員n
シフトs
日d
割り当てる:1
割り当てない:0
25
・ 制約条件は決定変数を使った不等式で表現できる
次のように、シフト人数制約を定義する
シフト人数制約式
① 「日d、シフトs」に割り当てる人数合計 ≦ シフト人数Max
② 「日d、シフトs」に割り当てる人数合計 ≧ シフト人数Min
6.2 モデリング-シフト人数制約
26
・ 制約式① 「日d、シフトs」に割り当てる人数合計 ≦ シフト人数Max
solver.Sum( [x[n, d, s] for n in 全従業員]) <= シフト人数Max
6.2 モデリング-シフト人数制約
従業員 日勤 準夜勤 夜勤
従業員1 1 0 0
従業員2 1 0 0
従業員3 0 1 0
従業員4 0 1 0
従業員5 0 0 1
従業員6 0 0 1
ある日d、あるシフトsの決定変数x[n, d, s] シフトs
従
業
員
n
シフトに組まれた
人数を数える
27
・ 目的関数は決定変数を使った数式で表現できる
次のように、目的関数を定義する
目的関数
目的関数式① 各従業員の勤務回数を平準化する
目的関数式② 従業員どうしの相性の合計を最大化する
6.3 モデリング-目的関数
28
・目的関数① 従業員の勤務回数を平準化する
6.3.1 モデリング-目的関数①
出勤回数Maxと
出勤回数Minを取得
して、差を最小化
出勤回数Maxと、出勤回数Minの差を、最小化する
29
・出勤回数Max、出勤回数Minは不等式で表現できる
・出勤回数Max、出勤回数Minの差を最小化する
for n in N:
勤務回数Max ≧ solver.Sum( [x[n, d, s] for d in D for s in S])
勤務回数Min ≦ solver.Sum( [x[n, d, s] for d in D for s in S])
solver.Minmize(勤務回数Max -勤務回数Min)
N:全従業員の集合 D:全日の集合 S:全シフトの集合
6.3.1 モデリング-目的関数①
30
・目的関数② 従業員どうしの相性の合計を最大化する
従業員n1と従業員n2の相性を合計することで表現できる
6.3.2 モデリング-目的関数②
全てのシフトで、同じシフトに
割り当てられた従業員n1と従
業員n2の相性を合計する
31
・目的関数② 従業員どうしの相性の合計を最大化する
従業員n1と従業員n2の相性を合計することで表現できる
しかし、 x[n1, d1, s1] * x[n2, d2, s2] は2次式なので混合整数計画
ソルバーには、式を入力できない。
solver.Maximize(
solver.Sum(
[ x[n1, d1, s1] * x[n2, d2, s2] * 相性[n1, n2]
for n1 in range(N) for d1 in range(D) for s1 in range(S)
for n2 in range(n1,N) for d2 in range(D) for s2 in range(S)]
)
)
# N:全従業員数 D:全日数 S:全シフト数
6.3.2 モデリング-目的関数② その1
32
・ 従業員n1をシフトd1, s1に、従業員n2をシフトd2, s2に割り当てるか否かの
決定変数yを考える
y[n1, d1, s1, n2, d2, s2]
・ 決定変数xと決定変数のyの関係を以下の3つの不等式制約によって表現できる
y[n1, d1, s1, n2, d2, s2] >= x[n1, d1, s1] + x[n2, d2, s2] – 1
y [n1, d1, s1, n2, d2, s2] <= x [n1, d1, s1]
y [n1, d1, s1, n2, d2, s2] <= x [n2, d2, s2]
・従業員どうしの相性の合計を1次式で表現する
6.3.2 モデリング-目的関数② その2
33
6.3.2 モデリング-目的関数② その2
34
・ 従業員n1とn2を同じシフトに割り当てたときに1、そうでないときに0となる
行列Aを考える
A[n1, d1, s1, n2, d2, s2]
・ 相性の合計を決定変数yと行列Aによって表現できる
一次式になるので、混合整数計画ソルバーに式を入力できる
solver.Sum(
[y[n1, d1, s1, n2, d2, s2] * A[n1, d1, s1, n2, d2, s2] * 相性[n1][n2]
for n1 in range(N) for d1 in range(D) for s1 in range(S)
for n2 in range(n1,N) for d2 in range(D) for s2 in range(S)]
)
# N:全従業員数 D:全日数 S:全シフト数
CBCの相性合計が一番良いが、計算時間を考えるとCPが良い結果となった。
しかし、制約条件を広げるとCPでは解が出せなかったため、開発にはCBCを採
用した。
*上記は、厳密な比較検証ではなく、あくまで一例です。
6.4 ソルバー比較検証
・ 下記ソルバーで制約条件を絞った1週間分の立案を実施
35
OS Windows10、Ubuntu
言語 Python 3.7.3
パッケージ
or-tools (Google Optimization Tools)
Django
Pandas
ブラウザ Google Crome
6.5 開発環境
36
・ フリーのソルバーでも高速な立案が可能
8名×1か月のシフト計算時間は
相性考慮無しcase → 30秒
相性考慮有りcase → 30分
・ 並列処理により、立案対象人数の拡張が可能
6.6 計算速度
37
・ PythonとGoogle Optimization Toolsでシフト
スケジューラを作成できた。ソルバーにはCBCを
使用した。
・ ソルバーに数式を入力するだけでは、問題規模が
大きくて、実用時間で解くことができなかった。
問題を時間軸に分割し、実用時間で解くことができた。
38
① ベータ版Webサービスの公開
② ユーザ・データでの検証
ユーザ様、絶賛募集中!
39
40
41

More Related Content

What's hot

Neural networks for Graph Data NeurIPS2018読み会@PFN
Neural networks for Graph Data NeurIPS2018読み会@PFNNeural networks for Graph Data NeurIPS2018読み会@PFN
Neural networks for Graph Data NeurIPS2018読み会@PFNemakryo
 
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential EquationsDeep Learning JP
 
ドメイン適応の原理と応用
ドメイン適応の原理と応用ドメイン適応の原理と応用
ドメイン適応の原理と応用Yoshitaka Ushiku
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -tmtm otm
 
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介miyanegi
 
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...joisino
 
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~SSII
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門ryosuke-kojima
 
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)RyuichiKanoh
 
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルトBrainPad Inc.
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化Yusuke Uchida
 
【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...
【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...
【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...Deep Learning JP
 
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
 [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient DescentDeep Learning JP
 
Tensor コアを使った PyTorch の高速化
Tensor コアを使った PyTorch の高速化Tensor コアを使った PyTorch の高速化
Tensor コアを使った PyTorch の高速化Yusuke Fujimoto
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類Shintaro Fukushima
 
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)NTT DATA Technology & Innovation
 
【DL輪読会】Patches Are All You Need? (ConvMixer)
【DL輪読会】Patches Are All You Need? (ConvMixer)【DL輪読会】Patches Are All You Need? (ConvMixer)
【DL輪読会】Patches Are All You Need? (ConvMixer)Deep Learning JP
 
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)Kota Matsui
 

What's hot (20)

CuPy解説
CuPy解説CuPy解説
CuPy解説
 
Neural networks for Graph Data NeurIPS2018読み会@PFN
Neural networks for Graph Data NeurIPS2018読み会@PFNNeural networks for Graph Data NeurIPS2018読み会@PFN
Neural networks for Graph Data NeurIPS2018読み会@PFN
 
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
 
ドメイン適応の原理と応用
ドメイン適応の原理と応用ドメイン適応の原理と応用
ドメイン適応の原理と応用
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
 
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
 
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
 
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
 
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
 
機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト機械学習システムのアーキテクチャアラカルト
機械学習システムのアーキテクチャアラカルト
 
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化
 
【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...
【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...
【DL輪読会】EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Pointsfor...
 
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
 [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
 
Tensor コアを使った PyTorch の高速化
Tensor コアを使った PyTorch の高速化Tensor コアを使った PyTorch の高速化
Tensor コアを使った PyTorch の高速化
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類
 
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
 
【DL輪読会】Patches Are All You Need? (ConvMixer)
【DL輪読会】Patches Are All You Need? (ConvMixer)【DL輪読会】Patches Are All You Need? (ConvMixer)
【DL輪読会】Patches Are All You Need? (ConvMixer)
 
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
 

Similar to 人と人の相性を考慮したシフトスケジューラ

[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...
[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...
[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...Deep Learning JP
 
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)Kenta Oono
 
Code iq×japanr 公開用
Code iq×japanr 公開用Code iq×japanr 公開用
Code iq×japanr 公開用Nobuaki Oshiro
 
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga JiroJiro Iwanaga
 
Splunk 7.0の概要及び新機能
Splunk 7.0の概要及び新機能Splunk 7.0の概要及び新機能
Splunk 7.0の概要及び新機能Kunihiko Ikeyama
 
AgileJapan-Saga-Prefecture
AgileJapan-Saga-PrefectureAgileJapan-Saga-Prefecture
AgileJapan-Saga-Prefectureguesta72ed241
 
AgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーション
AgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーションAgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーション
AgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーションKenji Hiranabe
 
企業報告会スライド
企業報告会スライド企業報告会スライド
企業報告会スライドRei Li
 
「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
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7Shunsuke Nakamura
 
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案yushin_hirano
 
GraphX によるグラフ分析処理の実例と入門
GraphX によるグラフ分析処理の実例と入門GraphX によるグラフ分析処理の実例と入門
GraphX によるグラフ分析処理の実例と入門鉄平 土佐
 
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章Tomonobu_Hirano
 
「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
 
国際的な相互運用とオープン技術 - 日時と文字 -
国際的な相互運用とオープン技術 - 日時と文字 -国際的な相互運用とオープン技術 - 日時と文字 -
国際的な相互運用とオープン技術 - 日時と文字 -yamahige
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14thKoichi Hamada
 
僕らのおれおれメトリクス / We Metrics Our Own Way!
僕らのおれおれメトリクス / We Metrics Our Own Way!僕らのおれおれメトリクス / We Metrics Our Own Way!
僕らのおれおれメトリクス / We Metrics Our Own Way!Yasui Tsutomu
 

Similar to 人と人の相性を考慮したシフトスケジューラ (20)

[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...
[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...
[DL輪読会]Imagination-Augmented Agents for Deep Reinforcement Learning / Learnin...
 
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
 
Scrum"再"入門
Scrum"再"入門Scrum"再"入門
Scrum"再"入門
 
Code iq×japanr 公開用
Code iq×japanr 公開用Code iq×japanr 公開用
Code iq×japanr 公開用
 
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
数理モデリングからはじめるPython数理最適化 PyData.Tokyo 2017/6/28 Retty Inc. Iwanaga Jiro
 
Splunk 7.0の概要及び新機能
Splunk 7.0の概要及び新機能Splunk 7.0の概要及び新機能
Splunk 7.0の概要及び新機能
 
AgileJapan-Saga-Prefecture
AgileJapan-Saga-PrefectureAgileJapan-Saga-Prefecture
AgileJapan-Saga-Prefecture
 
AgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーション
AgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーションAgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーション
AgileJapan2010 佐賀県庁でもできる!プロジェクトファシリテーション
 
企業報告会スライド
企業報告会スライド企業報告会スライド
企業報告会スライド
 
「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
 
Tokyo r27
Tokyo r27Tokyo r27
Tokyo r27
 
Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V7
 
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
 
GraphX によるグラフ分析処理の実例と入門
GraphX によるグラフ分析処理の実例と入門GraphX によるグラフ分析処理の実例と入門
GraphX によるグラフ分析処理の実例と入門
 
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
 
「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
 
国際的な相互運用とオープン技術 - 日時と文字 -
国際的な相互運用とオープン技術 - 日時と文字 -国際的な相互運用とオープン技術 - 日時と文字 -
国際的な相互運用とオープン技術 - 日時と文字 -
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14th
 
僕らのおれおれメトリクス / We Metrics Our Own Way!
僕らのおれおれメトリクス / We Metrics Our Own Way!僕らのおれおれメトリクス / We Metrics Our Own Way!
僕らのおれおれメトリクス / We Metrics Our Own Way!
 

人と人の相性を考慮したシフトスケジューラ