昨日23時からのNHK教育テレビ「原発事故＂最悪のシナリオ”～その時誰が命を懸けるのか」をご覧になりましたか。私自身を含め、多くの関係者からの取材を積み重ねた番組でした。一つ残念だったのは当時の東電の責任者が顔を出して取材に応じていないことです。
電通デジタルで機械学習エンジニアをしている今井です。 本記事では、BigQueryを用いて二重頑健（doubly robust）推定量による効果検証を行うための方法について紹介します。 この記事は過去記事[1]の続編となります。 IPW推定量による効果検証 因果効果とは、仮に介入があった場合のコンバージョン値（例えば購入金額など）と、介入がなかった場合のコンバージョン値の差です。 当然ながら、同一ユーザーにおいてこれらを同時に観測することはできません。 そこで提案されたのが、実際に介入があったTreatment群のコンバージョン値の平均と介入がなかったControl群のコンバージョン値の平均の差分が因果効果である、という平均処置効果（average treatment effect, ATE）です。 しかしながら、現実には交絡因子と呼ばれる介入とコンバージョン値のいずれにも影響を与える要因
connpass.com RecSysは推薦システム系のトップカンファレンスです。 今回のイベントは日本からRecSysに参加された方+実際に論文を発表された方がスピーカーで論文を紹介していくイベントでした。 イベント主催のWantedlyさん、Gunosyさんありがとうございます。 休日に五時間という長丁場にも関わらず会場は満員でした。（熱量がすごい） 論文の紹介数が10本と多かったので、本記事では僕自身の印象に残ったもの（+理解が追いついたもの）のみメモと感想を書いていこうと思います Uplift-based evaluation and optimization of recommenders by @masatoh73 Uplift-based evaluation and optimization of recommenders 従来は精度を重視した推薦システムを重視していたが、
去年末に日本に帰国した際、ありがたいことに多くの方から因果推論に関するレクチャーの依頼をいただきました。 本当はこの春にも帰国してトーク予定だったのですが、コロナ渦でタイミングを逸したので思い切って講義資料を公開することにしました。 ツイッター上でのこんな話題もきっかけで・・・ これを意識するだけで（少なくとも医学・公衆衛生領域における）回帰分析ユーザーの大部分の結果の解釈やモデルに対する向き合い方が変わると思っています。日本で修士までとったけど、自分は留学するまで知らんかった。 去年末、一時帰国中にやった因果推論ワークショップ中でも触れました。 https://t.co/jEsu5WDPLx pic.twitter.com/LmidBTMQlw — KRSK (@koro485) May 27, 2020 内容はこんな感じです なんとなく回帰分析を使って「調整」をしてました、くらいの統計
バンディットアルゴリズムを用いて意思決定の自動化を行う事は近年様々なビジネスで適応されるようになってきました。 しかし、バンディットアルゴリズムから生まれたログデータがどのような性質を持ち、どのような分析を行う事が出来るのかはあまり知られていません。この発表ではバンディットアルゴリズムのログデータを利用したPolicyの学習や因果推論への応用などについて解説します。
因果推論と因果探索を学びたい初心者の方を対象に、因果分析のPythonプログラムを実際にGoogle Colaboratoryで実装しながら学ぶ書籍を執筆しました。 単著としては、「つくりながら学ぶ! PyTorchによる発展ディープラーニング」、以来、約1年ぶりの新刊となります。 本記事では、因果分析の書籍を執筆したモチベーション、Pythonによる因果推論、因果探索の概要について解説します。 「つくりながら学ぶ! Pythonによる因果分析 ~因果推論・因果探索の実践入門」 ●2020年6月30日発売 ●著者：小川雄太郎（自己紹介、Twitter）@電通国際情報サービス（ISID） ●出版社: マイナビ出版 本記事の内容 ● 0. 本書を執筆したモチベーション ● 1. 因果推論が必要な事例 ● 2. 因果推論をしたいデータ ● 3. 因果推論の方法 ● 4. 因果探索の手法 ● 5.
2024年3月11日0時00分から23時59分までに、ヤフーやLINE（ニュースタブ上部の検索窓）で「3.11」というキーワードで行われた検索、またはバナー画像で行われた検索が対象です。 この時間帯以外に行われた検索については寄付額算出に含まれておりません。 LINEのホームタブやトークタブ上部の検索窓からの検索は含まれません。 「3月11日」「3,11」など、表記が異なるキーワードについては、原則として寄付額算出の対象となりません。 検索ユーザー数は、ヤフーやLINEで「3.11」と検索されたユニークブラウザー数を表しています。 Yahoo!きっずで検索されたユニークブラウザー数も含まれます。 今回の寄付金は、支援先として選定した東日本大震災および能登半島地震の支援を行う下記7団体へ、2024年4月にLINEヤフーよりそれぞれ寄付（不課税）させていただく予定です。 寄付金の上限額は5,0
EmacsにはYasnippetsのようなテンプレート機能は別にありますが、org-modeにもEasy Templatesというテンプレート機能が搭載されています。 Org-modeでしか使えないというデメリットはありますが、Org使いならすぐに使えます。”<”に続けて文字とタブを入力するだけなので簡単です。 さらにオリジナルのテンプレートを登録するのも簡単なので重宝します。 使いかた例えば、次のように入力して と置き換わります。単純ですね。 標準のテンプレートあらかじめ用意されているテンプートは次の通りです。 <s → #+BEGIN_SRC ... #+END_SRC<e → #+BEGIN_EXAMPLE ... #+END_EXAMPLE<q → #+BEGIN_QUOTE ... #+END_QUOTE<v → #+BEGIN_VERSE ... #+END_VERSE<c →
はじめに 広告や医療などの領域において、ある介入をした後の顧客や患者の行動や予後が本当に介入の効果だと言えるのか（純効果がどれほどなのか）を知るのは難しい問題です。しかし、もしそれをうまく予測できれば、事前に介入の純効果がありそうな人となさそうな人を分けた上で効率の良い介入戦略を立てることができます。 この記事では、そのための手法として最近注目され始めているuplift modelingについて紹介します。 目次 Uplift Modelingとは Uplift Modelingの流れ（Two-Model Approach） Class Variable Transformationを用いた方法 今後について 参考 Uplift Modelingとは Uplift modelingとは、A/Bテストにより得られたデータを元に介入の純効果を予測することで（広告や医療の分野における）より効果的
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
