Submit Search
Upload
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
•
34 likes
•
15,327 views
Yohei Sato
Follow
Report
Share
Report
Share
1 of 62
Download now
Download to read offline
Recommended
「第15回組合せ最適化セミナー」講演スライド
1次式とノルムで構成された最適化問題とその双対問題
1次式とノルムで構成された最適化問題とその双対問題
京都大学大学院情報学研究科数理工学専攻
GPU向けにNLPの深層学習を実行する場合の工夫について
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
Yuya Unno
MIRU2018 のチュートリアルで発表された資料です。 https://sites.google.com/view/miru2018sapporo/%E3%83%97%E3%83%AD%E3%82%B0%E3%83%A9%E3%83%A0/%E3%83%81%E3%83%A5%E3%83%BC%E3%83%88%E3%83%AA%E3%82%A2%E3%83%AB
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
カルマンフィルタの基礎的な内容を、実例を多めに解説しています。 本資料は、DeNAとMobility Technologiesが合同で実施している社内技術交流会での発表資料を一部修正したものです。
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
BERTを理解するためのTransformer雰囲気紹介スライドです.
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
AtsukiYamaguchi1
Gradient Boostingは近年Kaggleなどのコンペティションで注目を集めている分類や回帰問題に対するアルゴリズムの一つである。XGBoost, LightGBM, CatBoostなどが有名ではあるが、それらを土台にして近年はDeepGBMやNGBoostといった新規アルゴリズムの登場、汎化理論解析の進展、モデル解釈性の付与方法の多様化など、理論から応用まで多岐にわたる研究が行われている。本チュートリアルでは、Gradient Boostingに関する近年の研究動向やテクニックを、それらの社会実装までを見据えながら紹介していく。
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
2019/09/06 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Deep Learning JP
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
Recommended
「第15回組合せ最適化セミナー」講演スライド
1次式とノルムで構成された最適化問題とその双対問題
1次式とノルムで構成された最適化問題とその双対問題
京都大学大学院情報学研究科数理工学専攻
GPU向けにNLPの深層学習を実行する場合の工夫について
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
Yuya Unno
MIRU2018 のチュートリアルで発表された資料です。 https://sites.google.com/view/miru2018sapporo/%E3%83%97%E3%83%AD%E3%82%B0%E3%83%A9%E3%83%A0/%E3%83%81%E3%83%A5%E3%83%BC%E3%83%88%E3%83%AA%E3%82%A2%E3%83%AB
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
カルマンフィルタの基礎的な内容を、実例を多めに解説しています。 本資料は、DeNAとMobility Technologiesが合同で実施している社内技術交流会での発表資料を一部修正したものです。
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
BERTを理解するためのTransformer雰囲気紹介スライドです.
Transformerを雰囲気で理解する
Transformerを雰囲気で理解する
AtsukiYamaguchi1
Gradient Boostingは近年Kaggleなどのコンペティションで注目を集めている分類や回帰問題に対するアルゴリズムの一つである。XGBoost, LightGBM, CatBoostなどが有名ではあるが、それらを土台にして近年はDeepGBMやNGBoostといった新規アルゴリズムの登場、汎化理論解析の進展、モデル解釈性の付与方法の多様化など、理論から応用まで多岐にわたる研究が行われている。本チュートリアルでは、Gradient Boostingに関する近年の研究動向やテクニックを、それらの社会実装までを見据えながら紹介していく。
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
2019/09/06 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Deep Learning JP
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
5分では分からなかったorz
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
MACHINE LEARNING Meetup KANSAI #4 https://mlm-kansai.connpass.com/event/119084/ での、能見さんの発表資料です。
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
2014.06.08 「ベイズ推定による多変量解析入門」@広島大学 ベイズ推定とマルコフ連鎖モンテカルロ法について解説しています。 当日動かしたギブスサンプリングのアニメーションは, 以下のサイトで紹介されたコードを参考にしています。 http://qiita.com/yagays/items/5bde6addf228b1fe24e6
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
関数データ解析とはどういうものか、どのような場面で用いられるかについてまとめてみました。
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
db analytics showcase Sapporo 2017 発表資料 http://www.db-tech-showcase.com/dbts/analytics
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
代表的な教師なし学習アルゴリズムであるクラスタリングについて説明する。これは、データの持つ性質の近いもの同士をまとめ上げるアルゴリズムである。また、そのために必要な距離と類似度についても説明する。
クラシックな機械学習の入門 8. クラスタリング
クラシックな機械学習の入門 8. クラスタリング
Hiroshi Nakagawa
DLLab 異常検知ナイト(エンジニア向け) @ マイクロソフトの発表資料。 前半が外れ値検出アルゴリズムの説明とsklearnを用いたデモ 、後半がディープラーニングを用いた時系列データの異常検知デモ(小松智希による発表)という構成です。 リンク: - イベントについて:https://dllab.connpass.com/event/77248/ - その他の発表資料など:https://dllab.connpass.com/event/77248/presentation/ - YouTube video:https://www.youtube.com/watch?v=mAvRNKi9UEE&feature=player_embedded - DLLab: Deep Learning Lab について:http://dllab.ai/
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214
Kosuke Nakago
[Kaggle Tokyo Meetup #6](https://connpass.com/event/132935/) での LT 資料です。短いのでタイトル詐欺感ありますがお許しください。 内容的には学習率って大事だよねと言うお気持ちが全て。 【追記】 p.16 の 「Adam 固定でうまく行く人々もいる」について、流石に scheduling はしてるのではないかと(現地で)コメントを頂きました。"固定"はあくまで optimizer の話であって、scheduling なしの Adam はそこまで有能ではないとのこと。 これは僕の経験とも一致しています。
【LT資料】 Neural Network 素人なんだけど何とかご機嫌取りをしたい
【LT資料】 Neural Network 素人なんだけど何とかご機嫌取りをしたい
Takuji Tahara
ベイズ最適化の説明資料
ベイズ最適化
ベイズ最適化
MatsuiRyo
学習データから分類器を学習するアルゴリズムの理論的基礎である最適化のアルゴリズムについて説明する。
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
Hiroshi Nakagawa
強化学習若手の会チュートリアル、部分観測マルコフ決定過程 (POMDP) 下での強化学習の基礎と応用の資料です。
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
Yasunori Ozaki
2019年1月17日(木) 秋田県立大学システム科学技術学部情報工学科 「画像信号処理」特別講義
スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元
Shogo Muramatsu
WBA若手の会が第11回勉強会で発表するスライドです
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
今回は Deep Unrolling(あるいは Deep Unfolding、Algorithm Unrolling)と呼ばれる解釈可能性の高いディープラーニング手法を紹介します。
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
python PyTorchLightning Hydrea MLFlow Optuna MLOps
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
Neural Network with Attention Mechanism for Natural Language Processing: survey
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
AutoEncoderの話
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
相関のある多変量データで距離を測る場合、我々が通常「距離」と呼ぶユークリッド距離よりも、マハラノビス距離の方が都合がよい。多変量データを変数ごとに標準化してユークリッド距離をとる場合は標準化により変数間の関係性が変わる上に相関関係は考慮されないが、マハラノビス距離を使えば変数間の相関関係も考慮した多変量標準化尺度として使用できる。Rでのデモつき。 このメモでは、説明のために、比較的きれいなデータを用いて、距離の大きさで便宜上外れ値を判定してはいるが、ロバスト性のない平均値ベクトルや共分散行列から計算されるマハラノビス距離はやはり全くロバスト性をもたないため、外れ値検出の目的で使用してはいけない。逆に言えば、マハラノビス距離を用いて外れ値検出を行うためには、平均値ベクトルと共分散行列の代わりに、ロバスト推計した位置と尺度指標を用いれば良い。
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
wada, kazumi
2019年9月27日のPyData.Tokyo Meetup #21での発表資料です。 Optuna (https://github.com/pfnet/optuna) の使い方やソフトウェアデザイン、LightGBM向けの新機能について紹介しています。
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Preferred Networks
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
Nobuaki Oshiro
TokyoR #45 LT
Shinyで確率分布を学ぶアプリ作った。あるいは、ShinyでD3.jsを使う方法
Shinyで確率分布を学ぶアプリ作った。あるいは、ShinyでD3.jsを使う方法
ksmzn
More Related Content
What's hot
5分では分からなかったorz
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
MACHINE LEARNING Meetup KANSAI #4 https://mlm-kansai.connpass.com/event/119084/ での、能見さんの発表資料です。
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
2014.06.08 「ベイズ推定による多変量解析入門」@広島大学 ベイズ推定とマルコフ連鎖モンテカルロ法について解説しています。 当日動かしたギブスサンプリングのアニメーションは, 以下のサイトで紹介されたコードを参考にしています。 http://qiita.com/yagays/items/5bde6addf228b1fe24e6
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
関数データ解析とはどういうものか、どのような場面で用いられるかについてまとめてみました。
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
db analytics showcase Sapporo 2017 発表資料 http://www.db-tech-showcase.com/dbts/analytics
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
代表的な教師なし学習アルゴリズムであるクラスタリングについて説明する。これは、データの持つ性質の近いもの同士をまとめ上げるアルゴリズムである。また、そのために必要な距離と類似度についても説明する。
クラシックな機械学習の入門 8. クラスタリング
クラシックな機械学習の入門 8. クラスタリング
Hiroshi Nakagawa
DLLab 異常検知ナイト(エンジニア向け) @ マイクロソフトの発表資料。 前半が外れ値検出アルゴリズムの説明とsklearnを用いたデモ 、後半がディープラーニングを用いた時系列データの異常検知デモ(小松智希による発表)という構成です。 リンク: - イベントについて:https://dllab.connpass.com/event/77248/ - その他の発表資料など:https://dllab.connpass.com/event/77248/presentation/ - YouTube video:https://www.youtube.com/watch?v=mAvRNKi9UEE&feature=player_embedded - DLLab: Deep Learning Lab について:http://dllab.ai/
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214
Kosuke Nakago
[Kaggle Tokyo Meetup #6](https://connpass.com/event/132935/) での LT 資料です。短いのでタイトル詐欺感ありますがお許しください。 内容的には学習率って大事だよねと言うお気持ちが全て。 【追記】 p.16 の 「Adam 固定でうまく行く人々もいる」について、流石に scheduling はしてるのではないかと(現地で)コメントを頂きました。"固定"はあくまで optimizer の話であって、scheduling なしの Adam はそこまで有能ではないとのこと。 これは僕の経験とも一致しています。
【LT資料】 Neural Network 素人なんだけど何とかご機嫌取りをしたい
【LT資料】 Neural Network 素人なんだけど何とかご機嫌取りをしたい
Takuji Tahara
ベイズ最適化の説明資料
ベイズ最適化
ベイズ最適化
MatsuiRyo
学習データから分類器を学習するアルゴリズムの理論的基礎である最適化のアルゴリズムについて説明する。
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
Hiroshi Nakagawa
強化学習若手の会チュートリアル、部分観測マルコフ決定過程 (POMDP) 下での強化学習の基礎と応用の資料です。
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
Yasunori Ozaki
2019年1月17日(木) 秋田県立大学システム科学技術学部情報工学科 「画像信号処理」特別講義
スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元
Shogo Muramatsu
WBA若手の会が第11回勉強会で発表するスライドです
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
今回は Deep Unrolling(あるいは Deep Unfolding、Algorithm Unrolling)と呼ばれる解釈可能性の高いディープラーニング手法を紹介します。
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
python PyTorchLightning Hydrea MLFlow Optuna MLOps
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
Neural Network with Attention Mechanism for Natural Language Processing: survey
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
AutoEncoderの話
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
相関のある多変量データで距離を測る場合、我々が通常「距離」と呼ぶユークリッド距離よりも、マハラノビス距離の方が都合がよい。多変量データを変数ごとに標準化してユークリッド距離をとる場合は標準化により変数間の関係性が変わる上に相関関係は考慮されないが、マハラノビス距離を使えば変数間の相関関係も考慮した多変量標準化尺度として使用できる。Rでのデモつき。 このメモでは、説明のために、比較的きれいなデータを用いて、距離の大きさで便宜上外れ値を判定してはいるが、ロバスト性のない平均値ベクトルや共分散行列から計算されるマハラノビス距離はやはり全くロバスト性をもたないため、外れ値検出の目的で使用してはいけない。逆に言えば、マハラノビス距離を用いて外れ値検出を行うためには、平均値ベクトルと共分散行列の代わりに、ロバスト推計した位置と尺度指標を用いれば良い。
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
wada, kazumi
2019年9月27日のPyData.Tokyo Meetup #21での発表資料です。 Optuna (https://github.com/pfnet/optuna) の使い方やソフトウェアデザイン、LightGBM向けの新機能について紹介しています。
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Preferred Networks
What's hot
(20)
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
関数データ解析の概要とその方法
関数データ解析の概要とその方法
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
クラシックな機械学習の入門 8. クラスタリング
クラシックな機械学習の入門 8. クラスタリング
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214
【LT資料】 Neural Network 素人なんだけど何とかご機嫌取りをしたい
【LT資料】 Neural Network 素人なんだけど何とかご機嫌取りをしたい
ベイズ最適化
ベイズ最適化
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
マハラノビス距離とユークリッド距離の違い
マハラノビス距離とユークリッド距離の違い
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Viewers also liked
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
Nobuaki Oshiro
TokyoR #45 LT
Shinyで確率分布を学ぶアプリ作った。あるいは、ShinyでD3.jsを使う方法
Shinyで確率分布を学ぶアプリ作った。あるいは、ShinyでD3.jsを使う方法
ksmzn
Japan.R 2015での発表資料です。ShinyとrApacheとDeployRとのお話
DeployR使ってみた話
DeployR使ってみた話
Kazuya Wada
LT @ Japan.R '15 https://atnd.org/events/71243
Julia最新情報 2015
Julia最新情報 2015
Kenta Sato
SeekR: https://seekr.jp/
SeekR Annual Search Trends Report 2015
SeekR Annual Search Trends Report 2015
Takekatsu Hiramura
第45回 Tokyo.R 前半セッション 続はじめてのR
Tokyo r45 beginner_2
Tokyo r45 beginner_2
Takashi Minoda
This is the slides where I used for Japan.R I tried to estimate the effect of advertisement by Hal Varian's approach that he described in his paper.
Estimating the effect of advertising with Machine learning
Estimating the effect of advertising with Machine learning
Shota Yasui
RからSparkとParquetを使う話です。
20151205 Japan.R SparkRとParquet
20151205 Japan.R SparkRとParquet
Ryuji Tamagawa
SERIES: Data manipulation in Tokyo.R#45@Shibuya, Tokyo (20150117)
前処理のための前処理(Tokyo.R#45)
前処理のための前処理(Tokyo.R#45)
Shinya Uryu
「R for Cloud Computing」の紹介
「R for Cloud Computing」の紹介
Takekatsu Hiramura
分析者のみんなにも布教したい。
Jenkins によるレポートスクリプト管理
Jenkins によるレポートスクリプト管理
Tatsuya Tojima
No SINCHOKU, No Life
R45LT
R45LT
TokorosawaYoshio
Viewers also liked
(12)
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
10分で分かるr言語入門 短縮バージョン 15-0117_upload用
Shinyで確率分布を学ぶアプリ作った。あるいは、ShinyでD3.jsを使う方法
Shinyで確率分布を学ぶアプリ作った。あるいは、ShinyでD3.jsを使う方法
DeployR使ってみた話
DeployR使ってみた話
Julia最新情報 2015
Julia最新情報 2015
SeekR Annual Search Trends Report 2015
SeekR Annual Search Trends Report 2015
Tokyo r45 beginner_2
Tokyo r45 beginner_2
Estimating the effect of advertising with Machine learning
Estimating the effect of advertising with Machine learning
20151205 Japan.R SparkRとParquet
20151205 Japan.R SparkRとParquet
前処理のための前処理(Tokyo.R#45)
前処理のための前処理(Tokyo.R#45)
「R for Cloud Computing」の紹介
「R for Cloud Computing」の紹介
Jenkins によるレポートスクリプト管理
Jenkins によるレポートスクリプト管理
R45LT
R45LT
Similar to Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
Tsuyoshi Horigome
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
Tsuyoshi Horigome
Slides of JDK Update (Especially Project Jigsaw) . https://jjug.doorkeeper.jp/events/33374
JavaOne 2015 JDK Update (Jigsaw) #j1jp
JavaOne 2015 JDK Update (Jigsaw) #j1jp
Yuji Kubota
下記イベントでの発表資料です フロントエンドLT会 - vol.6 #frontendlt https://rakus.connpass.com/event/234673/
Amplify Studioを使ってみた
Amplify Studioを使ってみた
虎の穴 開発室
第45回Elasticsearch勉強会の発表スライド。 「Cluster Reroute APIを利用してインデクシング負荷を均一化する」
Uniform indexing load with cluster reroute api
Uniform indexing load with cluster reroute api
Hiroshi Yoshioka
主要功能為網路封包側錄,不僅透過「網路流量數據」可檢測出範圍龐大且複雜的攻擊,即使訊息(如個人資料和重要數據)已經洩漏, momentum亦可進行調查破壞規模的影響範圍,足以將損害降到最低。 日商Terilogy是全球領先IT網路系統與資安服務供應商,其產品不僅協助企業改善網路性能,並可從複雜的IT基礎設備中獲得更好的回報。客戶涵蓋電信運營商、網路接入服務提供商,及對IT系統有嚴格要求的企業。此次主要代理的Terilogy「momentum資安舉證解決方案」,可協助客戶獲得確鑿證據以佐證調查,克服一般網路舉證的難處:當企業遇到需要進行網路舉證時,常遇到網路數據難以保存的問題,momentum可透過聯合資安產品的告警功能,只在特定事件發生時自動保存封包,大幅節省用戶的儲存容量。另一個常見的難題是,在高速網路環境下,封包擷取和持續數據保存功能往往無法兩全,而momentum即使在10Gbps高速流量下亦可實現「零丟包」的承諾,當重大資安事件發生時,往往遇到無法及時在任意時間中鎖定並提取任意Flow動作的狀況,momentum在「保證零丟包」前提下,亦可同時實現一面擷取封包,一面生成Flow Base index。
momentum紹介資料【中文】
momentum紹介資料【中文】
Jim Zhang
YAPCで話したQuizNowを支える技術の話です。
Quiznowを支える技術 #yapcasia
Quiznowを支える技術 #yapcasia
Yosuke Furukawa
JJUG CCC 2018 Fall で発表したスライドです。 秒間20万リクエストをさばくWeb広告入札システム "Logicad" 開発におけるパフォーマンスチューニング術を紹介します。 私たちが日々観ているWebサイトの広告枠。それは、ページビューごとに広告を表示する権利がオークションにかけられ、自動入札によって枠の買い付けが行われ、入札額の最も高かった入札者の広告だけが表示される、という世界です。国内外の各社が最適な広告をベストな金額で入札・表示するため、日々アルゴリズムの改良やデータセットの変更などを繰り広げており、まさに技術者たちの闘いの世界と言えましょう。私たちも日々様々なコードの追加をしています。一方、そのオークションの開催期間はわずか100ミリ秒なので、その時間内に入札をしなければならないという制約があります。ゆえに、計算量とレスポンスタイムとを両立させることは、私たちにとっての絶対防衛ラインです。 Java 向けのプロファイラは世に数多ありますが、Logicad では Java 向けのツールではなく Linux 上で perf tools を用いてデータを集め、 FlameGraph を用いてアプリケーションのボトルネックを可視化・チューニングし、平均3ミリ秒のレイテンシを維持しています。 FlameGraph は、Netflix の Brendan Gregg 氏が開発したビジュアライズツールであり、perf tools の出力をグラフィカルに出力できます。ハードウェア内部の動作・OSの動作・アルゴリズムの問題などを特定し、このセッションでは Logicad 開発時に perf tools と FlameGraph を活用どのようにチューニングを行なっているか、および実際の Logicad での実例をデモでお見せします。
200,000 Req/sec をさばく広告入札システムを支えるパフォーマンスチューニング術 #jjug_ccc #ccc_g6
200,000 Req/sec をさばく広告入札システムを支えるパフォーマンスチューニング術 #jjug_ccc #ccc_g6
Hironobu Isoda
livedoorを支えるインフラ
NHNグループ合同勉強会 ライブドア片野
NHNグループ合同勉強会 ライブドア片野
livedoor
Spice park 2005 autumn (PPT Version)
Spice park 2005 autumn (PPT Version)
Spice park 2005 autumn (PPT Version)
Tsuyoshi Horigome
2005年の講演した時の「PSpiceの活用方法」の資料です。一部、内容的に古いものもありますが、ご了承下さい。
PSpiceの活用方法 (2005年)
PSpiceの活用方法 (2005年)
Tsuyoshi Horigome
生成モデルとかをあまり知らない人にもなるべく分かりやすい説明を心がけたVariational AutoEncoderのスライド 実装と簡単な補足は以下を参照 http://sh-tatsuno.com/blog/index.php/2016/07/30/variationalautoencoder/
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
藤原 大、楽天株式会社 『shinagawa.redmine』 講演資料
数千人が利用する楽天Redmineの過去と未来
数千人が利用する楽天Redmineの過去と未来
Rakuten Group, Inc.
第2回品川Redmine発表資料です。 http://shinagawa.redmine.r-labs.org/projects/shinared/wiki/%E7%AC%AC%E4%BA%8C%E5%9B%9E%E5%8B%89%E5%BC%B7%E4%BC%9A
数千人が利用する楽天Redmineの過去と未来 - The past and future of Rakuten Redmine that is the...
数千人が利用する楽天Redmineの過去と未来 - The past and future of Rakuten Redmine that is the...
Dai FUJIHARA
CEDEC2015で発表した"物理ベース時代のライトマップベイク奮闘記"の講演資料です。 元のスライドデータは、シリコンスタジオのWebサイトからダウンロードできます。 http://www.siliconstudio.co.jp/rd/presentations/
物理ベース時代のライトマップベイク奮闘記
物理ベース時代のライトマップベイク奮闘記
Silicon Studio Corporation
Xit おすすめ番組の改善
20181228 ncf to_azure_batch
20181228 ncf to_azure_batch
PIXELAcorporation
※本セッションには多くの動画が含まれていたり、ノートに備考が記載されている可能性があります。実際の講演で行われたスライドが下記からダウンロード可能ですので、是非そちらをご覧頂けますと幸いです。 講演パワーポイントリンク: https://epicgames.box.com/s/e2qgrrtoel12aq6ug79kpmscu6ls4tmt 登壇者 HUI T.Y. Fredさま 内容 揺れものアニメーションの並列化、PGO による最適化の応用編を紹介します。おまけとして、静的コード解析を簡単かつ低コストで導入するやり方も話させていただきます。 本スライドは2019年3月15日に行われた「UE4を用いた大規模開発事例紹介 ~スクウェア・エニックス様をお招きして~」にてスクウェア・エニックス様に講演していただいたものです。
実行速度の最適化のあれこれ プラス おまけ
実行速度の最適化のあれこれ プラス おまけ
エピック・ゲームズ・ジャパン Epic Games Japan
社内LTで発表した、テストにまつわるお話の資料です
こんな辛いテストはいやだ
こんな辛いテストはいやだ
Takuya Mikami
16新卒エンジニア勉強会でしゃべった資料です(公開用)
ドリコムを支える課金ライブラリを支えるJenkins
ドリコムを支える課金ライブラリを支えるJenkins
Go Sueyoshi (a.k.a sue445)
Bee Style: Vol.030
Bee Style: Vol.030
Bee Style: Vol.030
Tsuyoshi Horigome
Similar to Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
(20)
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
受動部品のスパイスモデルとシミュレーション
JavaOne 2015 JDK Update (Jigsaw) #j1jp
JavaOne 2015 JDK Update (Jigsaw) #j1jp
Amplify Studioを使ってみた
Amplify Studioを使ってみた
Uniform indexing load with cluster reroute api
Uniform indexing load with cluster reroute api
momentum紹介資料【中文】
momentum紹介資料【中文】
Quiznowを支える技術 #yapcasia
Quiznowを支える技術 #yapcasia
200,000 Req/sec をさばく広告入札システムを支えるパフォーマンスチューニング術 #jjug_ccc #ccc_g6
200,000 Req/sec をさばく広告入札システムを支えるパフォーマンスチューニング術 #jjug_ccc #ccc_g6
NHNグループ合同勉強会 ライブドア片野
NHNグループ合同勉強会 ライブドア片野
Spice park 2005 autumn (PPT Version)
Spice park 2005 autumn (PPT Version)
PSpiceの活用方法 (2005年)
PSpiceの活用方法 (2005年)
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
数千人が利用する楽天Redmineの過去と未来
数千人が利用する楽天Redmineの過去と未来
数千人が利用する楽天Redmineの過去と未来 - The past and future of Rakuten Redmine that is the...
数千人が利用する楽天Redmineの過去と未来 - The past and future of Rakuten Redmine that is the...
物理ベース時代のライトマップベイク奮闘記
物理ベース時代のライトマップベイク奮闘記
20181228 ncf to_azure_batch
20181228 ncf to_azure_batch
実行速度の最適化のあれこれ プラス おまけ
実行速度の最適化のあれこれ プラス おまけ
こんな辛いテストはいやだ
こんな辛いテストはいやだ
ドリコムを支える課金ライブラリを支えるJenkins
ドリコムを支える課金ライブラリを支えるJenkins
Bee Style: Vol.030
Bee Style: Vol.030
More from Yohei Sato
Tokyo.R#60 初心者セッション
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Yohei Sato
Tokyor60 Opening
Tokyor60 opening
Tokyor60 opening
Yohei Sato
Point of view when analyzing
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
Tokyor42 ggplot2
Tokyor42 ggplot2
Yohei Sato
Tokyor39 yokkuns
Tokyor39 yokkuns
Yohei Sato
EasyHtmlReportの紹介
EasyHtmlReportの紹介
Yohei Sato
20131206 japan r
20131206 japan r
Yohei Sato
Tokyor35 人工データの発生
Tokyor35 人工データの発生
Yohei Sato
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
Yohei Sato
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Yohei Sato
Rでレポートメール
Rでレポートメール
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Yohei Sato
Tokyor26 data fusion
Tokyor26 data fusion
Yohei Sato
Tokyor24 yokkuns
Tokyor24 yokkuns
Yohei Sato
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
Yohei Sato
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Yohei Sato
Complex network ws_percolation
Complex network ws_percolation
Yohei Sato
異常行動検出入門(改)
異常行動検出入門(改)
Yohei Sato
More from Yohei Sato
(20)
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Tokyor60 opening
Tokyor60 opening
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Tokyor42 ggplot2
Tokyor42 ggplot2
Tokyor39 yokkuns
Tokyor39 yokkuns
EasyHtmlReportの紹介
EasyHtmlReportの紹介
20131206 japan r
20131206 japan r
Tokyor35 人工データの発生
Tokyor35 人工データの発生
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Rでレポートメール
Rでレポートメール
Rで階層ベイズモデル
Rで階層ベイズモデル
Rでピボットテーブル
Rでピボットテーブル
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Tokyor26 data fusion
Tokyor26 data fusion
Tokyor24 yokkuns
Tokyor24 yokkuns
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Complex network ws_percolation
Complex network ws_percolation
異常行動検出入門(改)
異常行動検出入門(改)
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
1.
カーネル多変量解析 第2章 カーネル多変量解析の仕組み 里 洋平(@yokkuns) yokkuns0511@gmail.com 第45回TokyoR
Copyright DATUM STUDIO Co., Ltd All Rights Reserved
2.
カーネルで画像検索 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
3.
過去のカーネルに関係する発表 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
4.
過去のカーネルに関係する発表 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
5.
【参考】カーネル多変量解析 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
6.
AGENDA Copyright DATUM STUDIO
Co., Ltd All Rights Reserved Ø 自己紹介 Ø カーネル多変量解析 Ø カーネルによる非線形回帰 Ø 特徴抽出による非線形回帰 Ø 汎化能力の評価とモデル選択
7.
AGENDA Copyright DATUM STUDIO
Co., Ltd All Rights Reserved Ø 自己紹介 Ø カーネル多変量解析 Ø カーネルによる非線形回帰 Ø 特徴抽出による非線形回帰 Ø 汎化能力の評価とモデル選択
8.
里 洋平(@yokkuns) Copyright DATUM
STUDIO Co., Ltd All Rights Reserved Ø やってたこと Ø Webアプリ開発 Ø 統計解析/データマイニング Ø マーケティング
9.
TokyoR R言語の東京コミュニティ Tokyo.R を主催 Copyright
DATUM STUDIO Co., Ltd All Rights Reserved
10.
著書 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
11.
AGENDA Copyright DATUM STUDIO
Co., Ltd All Rights Reserved Ø 自己紹介 Ø カーネル多変量解析 Ø カーネルによる非線形回帰 Ø 特徴抽出による非線形回帰 Ø 汎化能力の評価とモデル選択
12.
線形回帰モデル Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
13.
線形回帰モデル Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
14.
直線の関係になっていない場合 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
15.
線形回帰では無理 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
16.
線形回帰では無理 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved ×
17.
大きく二つのアプローチ Copyright DATUM STUDIO
Co., Ltd All Rights Reserved ① データ同士の「近さ」に着目した方法 ② データを何らかの関数で非線形変換する方法
18.
大きく二つのアプローチ Copyright DATUM STUDIO
Co., Ltd All Rights Reserved ① データ同士の「近さ」に着目した方法 ② データを何らかの関数で非線形変換する方法
19.
データ同士の”近さ”に注目した考え方 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved x ③ ⑦ ①
20.
データ同士の”近さ”に注目した考え方 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved x ③ ⑦ ① !?
21.
データ同士の”近さ”に注目した考え方 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved x ③ ⑦ ①
22.
”近さ”の定義の例 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
23.
”近さ”の定義の例 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved x ③ ⑦ ① ③ ① ⑦
24.
これがカーネル関数 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
25.
カーネルを使った回帰モデル Copyright DATUM STUDIO
Co., Ltd All Rights Reserved x(j)とxの近さ
26.
カーネルを使った線形回帰 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved 入力データ データ同士の 近さ 線形回帰
27.
パラメータの推定方法:最小二乗誤差 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved が最小になるようなパラメータを求める 実測値 モデルで算出した予測値
28.
Rで実行 h<p://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2012/kernel/kernel-‐sasaki-‐0413.pdf
29.
そのまま実行すると・・・ Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
30.
そのまま実行すると・・・ Copyright DATUM STUDIO
Co., Ltd All Rights Reserved ×
31.
正則化 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved が最小になるようなパラメータを求める 実測値 モデルで算出した予測値 ペナルティ
32.
Rで正則化(λ = 0.01) h<p://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2012/kernel/kernel-‐sasaki-‐0413.pdf
33.
正則化した実行結果(λ = 0.01) Copyright
DATUM STUDIO Co., Ltd All Rights Reserved
34.
Rで正則化(λ = 0,
0.0001, 0.01, 1) h<p://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2012/kernel/kernel-‐sasaki-‐0413.pdf
35.
λを変えた時の様子 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved λ = 0 λ = 0.0001 λ = 0.01 λ = 1
36.
大きく二つのアプローチ Copyright DATUM STUDIO
Co., Ltd All Rights Reserved ① データ同士の「近さ」に着目した方法 ② データを何らかの関数で非線形変換する方法
37.
Copyright DATUM STUDIO
Co., Ltd All Rights Reserved 非線形変換という考え方:例)多項式フィッティング
38.
非線形変換という考え方:例)多項式フィッティング Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
39.
非線形変換という考え方:例)多項式フィッティング Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
40.
パラメータの推定方法:最小二乗誤差 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved が最小になるようなパラメータを求める 実測値 モデルで算出した予測値
41.
多項式フィッティングとは結局のところ何か? Copyright DATUM STUDIO
Co., Ltd All Rights Reserved 入力データ 特徴ベクトル 線形回帰
42.
ところで Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
43.
カーネル関数 = データ同士の近さ Copyright
DATUM STUDIO Co., Ltd All Rights Reserved x ③ ⑦ ① ③ ① ⑦
44.
データ(特徴ベクトル)同士の近さ = 内積 Copyright
DATUM STUDIO Co., Ltd All Rights Reserved
45.
つまり Copyright DATUM STUDIO
Co., Ltd All Rights Reserved 入力データ データ同士の 近さ 線形回帰
46.
つまり Copyright DATUM STUDIO
Co., Ltd All Rights Reserved 入力データ 特徴ベクトル データ同士の 近さ=内積 線形回帰 入力データ データ同士の 近さ 線形回帰
47.
カーネル法がやってることは Copyright DATUM STUDIO
Co., Ltd All Rights Reserved とある高次元空間 x ③ ⑦ ① カーネル関数 特徴抽出 特徴ベクトル同士の 近さ(=内積)の計算
48.
カーネル法がやってることは Copyright DATUM STUDIO
Co., Ltd All Rights Reserved とある高次元空間 x ③ ⑦ ① カーネル関数 特徴抽出 特徴ベクトル同士の 近さ(=内積)の計算
49.
これがカーネルトリック Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
50.
最初の例:ガウスカーネル h<p://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2012/kernel/kernel-‐sasaki-‐0413.pdf
51.
多項式カーネル h<p://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2012/kernel/kernel-‐sasaki-‐0413.pdf
52.
Rで多項式カーネル h<p://nlp.dse.ibaraki.ac.jp/~shinnou/zemi2012/kernel/kernel-‐sasaki-‐0413.pdf
53.
多項式カーネルの実行結果 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved
54.
まとめ Copyright DATUM STUDIO
Co., Ltd All Rights Reserved とある高次元空間 x ③ ⑦ ① カーネル関数 特徴抽出 特徴ベクトル同士の 近さ(=内積)の計算
55.
AGENDA Copyright DATUM STUDIO
Co., Ltd All Rights Reserved Ø 自己紹介 Ø カーネル多変量解析 Ø カーネルによる非線形回帰 Ø 特徴抽出による非線形回帰 Ø 汎化能力の評価とモデル選択
56.
参考:サンプル領域外での値 Copyright DATUM STUDIO
Co., Ltd All Rights Reserved 多項式カーネル ガウスカーネル カーネルを使った回帰は、サンプル領域外に弱い サンプル領域外では発散する サンプル領域外では0に近づく
57.
データをモデルを訓練データと検証データに分ける① h<p://www.slideshare.net/sfchaos/ss-‐33703018
58.
データをモデルを訓練データと検証データに分ける② h<p://www.slideshare.net/sfchaos/ss-‐33703018
59.
分けて何をするのか h<p://www.slideshare.net/sfchaos/ss-‐33703018
60.
検証データで成績が良いハイパーパラメータを使う h<p://www.slideshare.net/sfchaos/ss-‐33703018
61.
AGENDA Copyright DATUM STUDIO
Co., Ltd All Rights Reserved Ø 自己紹介 Ø カーネル多変量解析 Ø カーネルによる非線形回帰 Ø 特徴抽出による非線形回帰 Ø 汎化能力の評価とモデル選択
62.
Enjoy!
Download now