Leica M7, 90mm Tele-Elmarit F2.8, PN400N @Santa Monica, CA アメリカで研究するようになって最も驚いたことの一つは、日本では考えられないほど生産性の高い研究者が存在することだ。 たとえば僕がローテーションして、最後までそこでdissertation work（博士論文のための研究、活動）をすることにするか迷っていたあるラボ。そこはポスドク、テクニシャンを含めて（註：undergraduate=学部生は殆どアメリカの研究室には居ない）たった5人でやっているにもかかわらず、毎年5-6本ぐらいはペーパーを出し、ほぼ全て一流紙。多いときは年に2本ネイチャーに出し，一本は表紙になったりしていた(#)。 しかも良く日本では見かける深夜も土日も働いて、朝はどちらかというと崩れ気味、みたいな重労働系の生活ではなく、普通に朝来て、「うーん今日は狂ったよ
プレゼン資料をキレイにわかりやすく作りたい！と思い立った人に、まずお勧めしたいのがこのサイト「伝わるデザイン｜研究発表のユニバーサルデザイン」です。基本的には研究発表を行う学生さんをターゲットとしているサイトですが、ビジネスマンにも読み応えは十分。提案書・企画書のプレゼン資料作成にそのまま利用できる内容となっています。 魅力は、わかりやすいサンプルと豊富な解説。デザイン初心者にうってつけのサイトです。ページはすっきりとしていて非常に見やすく・読みやすくレイアウトされています。 サイト全体の情報量も多からず少なからず、ほどよく網羅されていて、ひととおり目を通し終わった頃には、一歩レベルアップしている自分に気づくこと間違いありません。百聞は一見に如かず。まずはご覧になってみてはいかがでしょうか?
「yoyaQ.com」サービス終了のお知らせ お客様各位 平素は、yoyaQ.comをご利用いただき誠にありがとうございます。 yoyaQ.comは、2018年8月28日(火)の予約受付終了に伴い、 2019年2月28日(木)をもちまして当サービスを終了させていただきました。 長年にわたりyoyaQ.comをご愛顧いただき、心より感謝申し上げます。 お問い合わせ サービス利用規約 個人情報保護方針 旅行業約款 運営企業
本記事の編集方針 ※この記事に興味をもたれた方は、 A/Bテスト カテゴリーの記事一覧 - 廿TT も、必要に応じてご覧いただければと思います。 本記事はもともとは、「A/Bテストの数理」への批判：「有意」とはなにか の続き的なエントリでした。 しかし、予想外に反響があったため Request for Comments（ご意見求む）の精神で、随時更新している部分もあります。 ただし、ベースとなる主張、Web系施策のA/Bテストに、仮説検定は向かないという部分は変化していません。 もしぼくの考えが変わり、「やっぱ仮説検定、いいかも」となった場合、本記事の存在価値はほぼ消滅します。 そのようなことがあれば、ページ最上部に「考えが変わりました」と明記します。 また、他の修正箇所も区別して明記し、差分がわかるようにします。 ただし細かい言い回しや、誤字脱字等はだまって修正します。 目次： そもそも
複数台のサーバーやクラウド環境を組み合わせてのサービス運用においては、ログの収集方法に工夫が必要となる。こういった場合に有用なのが、さまざまなログの収集手段を提供するfluentdだ。今回はfluentdのアーキテクチャやそのインストール/設定方法、基礎的な設定例などを紹介する。 さまざまな方法でログを収集できるfluentd 今回紹介するfluentdは、Treasure Dataが開発するログ収集管理ツールだ（図1）。オープンソースで公開されており、Linuxや各種UNIXで動作する。 図1 fluentdのWebサイト ログ収集のためのソフトウェアとしてはsyslogdやsyslog-ngなどが有名だが、fluentdがこれらと異なる点としては、以下が挙げられる。 さまざまなソースからのイベントをさまざまな媒体に出力できる fluentdの大きな特徴としては、ログの収集方法やログの記
サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。
階級といえば“資本家 vs. 労働者”や、“経営者 vs. 雇われ人”という構造が定番ですが、最近は働く人の中に、新たな４つのグループが生まれてきていると感じます。 下図には淡い水色から濃い水色まで 4種類の人がいます。 一番上の (1) は、「システムを作る人」です。 ビジネスシステムを作る人の他、国のシステムを作る人もいます。 システムとは IT のことではなく、「物事の仕組み」という意味です。 「こういうビジネスをやろう！」とか「こういう制度を作ろう」と構想する人ってことですね。その人数はごく限られています。 次に少し濃い水色の (2) の人たち。 (1) の人はビジネスの構想が固まった後、(2)の人に、構想の実現に必要な各機能分野について「具体的な仕組みを作ってくれるよう」依頼（発注）します。 仕組みとして代表的なのは IT システムですが、それ以外にも、物流システム、マーケティン
この記事はThe top 20 data visualisation toolsの原著者許諾済みの日本語訳です。 By Brian Suda on September 17, 2012 Translated by Tatsuo Sugimoto 2014年4月28日更新：オリジナル記事が以前のサイトから移転したため発生していた画像の非表示に対応しました。 わたしがもっともよくきかれる質問のひとつが、データビジュアライゼーションを始める方法についてです。このブログの先へ進むには、練習し、さらに実践し、利用できるツールを理解する必要があります。この記事では、シンプルなチャートから複雑なグラフ、地図、インフォグラフィックスまで、ビジュアライゼーションを作成するための20種類のツールを紹介しようとおもいます。ほとんどのツールは無料で利用でき、そのうちいくつかはすでにインストール済みかもしれません。
「学問に王道なし」と言われますが、これは学問に限らず仕事でもスポーツでも同じことが言えるでしょう。ただ、目標を達成するのに「近道」はない一方で、練習方法を間違えれば大変な「遠回り」になるのは確かです。プログラミング、ライティング、楽器の練習など、私たちはさまざまな練習に多くの時間を使いますが、正しい練習方法を知っていれば、より効率良く、効果的にスキルを習得できるでしょう。 私は2歳のときからバイオリンを弾き始めましたが、常に思い浮かぶ疑問が1つだけありました。それは「1日何時間練習したら十分なのか」ということでした。 音楽家の答え その疑問に対する答えを探すため、私は偉大な音楽家たちの文献を読みあさりました。20世紀を代表するピアニスト、ルービンシュタインはインタビューの中で「誰でも1日4時間以上練習する必要はないはずだ」と述べています。彼は、もしそれだけの練習時間が必要なら、それは練習方
この話題もだいぶ長引いてきましたが、そろそろこの辺で「決定版」ということにしたいと思います。 実はTwitterでも色々議論した話なんですが、やはり「データサイエンティスト」(Data Scientist)という語は曖昧過ぎて、色々混乱は生むし、あまつさえバズワード化が一気に進んじゃったし、もうどうしようもないんですよね。 ということで、LinkedInに溢れているグローバル系外資企業あたりのデータ分析系求人情報を参考にして、以下の3カテゴリに分けてみました。僕はこれが「決定版」だと思ってます。ただし、内容としては以前の記事（「データサイエンティスト」イコール「機械学習・データマイニング・統計学の専門家」とは必ずしも限らない）で書いたものとほぼ同じです、念のため。 Quantitative Analyst Quantitative Engineer Quantitative Researc
deep learning とは、従来よりも多くの層を持ったニューラルネットを用いる 機械学習技術です。 deep learning は、画像認識、音声認識などの分野で、 いろいろなベンチマークで従来技術を超える性能を出しており、 注目を集めています。 私自身も勉強不足ですが 僭越ながら、 deep learning 関連用語について自分の理解で簡単にまとめました。 （挙げてある原論文もちゃんと読んでません！ 間違いがあればぜひご指摘ください。） Deep Learning auto-encoder または RBM などを積み重ねた深い構造を持つ機械学習器。 従来は研究者が手作りしていた特徴抽出器を、 代わりに大量のデータから学習させ自己組織化させるアプローチとも言える。 deep learning を特徴抽出器として使い、 識別器としては最上位層でＳＶＭなどを使うこともある。 deep
身内でdeep learningの勉強会をやったらできそうだったので実装した． 読んだのは大体ここらへん． NEURAL NETS FOR VISION(CVPR2012 tutorial) CS294A Lecture notes Sparse autoencoder ImageNet Classification with Deep Convolutional Neural Networks autoencoder autoencoderはunsupervised feature learningの一種．Convolutional Neural Netとは違って，最後の判別器の予測誤差をback propagationさせる，という事はせずある種特徴抽出で完結させている． autoencoderを一言でまとめると，「次元削減を繰り返すNeural Netを多段に繋げて特徴抽出を行う手法
この文章の執筆に取りかかる前、私はパソコンでチェスをやっていました。お分かりの通り、すぐ執筆にとりかかりたくないための、単なる先延ばしです。 やらなくてはならないことを先延ばしにしようとするのは、「自分がやっていることを、一歩引いた目線で考え直してみては？」という、身体からのサインです。 先延ばしだけではありません。凡人には凡人の戦い方というものがあります。私が思う7つの戦術をお伝えします。 1．先延ばしにするくらいなら人に任せた方が良いこともある あなたが起業家で、つい先延ばししてしまう時には、クライアントに売り込んでいる内容について、もうちょっと時間をかけて考えたほうがいいのかもしれません。あるいは、その時に取り組んでいることは自分の得意分野ではなく、ほかの人に任せたほうが良い、と薄々気付いているための行動だったりします。 多少費用をかけて人に任せたほうが、結果的に時間もお金も節約でき
There is certainly no shortage of blogging platforms available to users for free. WordPress and Tumblr alone are a great way to keep a blog, but there are a few creative alternatives out there, like using Dropbox to power a blog. A new blogging service Postach.io can now be added to the mix. The easy-to-use blogging platform allows users to create a blog in minutes, powered by the versatile note-
今回はcaretパッケージの調査です。 機械学習、予測全般のモデル作成とかモデルの評価が入っているパッケージのようです。 多くの関数があるので、調査したものから並べていきます。 varImp 予測モデルを作ったときの、変数の重要度を計算する。 次のプログラムでは、花びらの長さなどの4変数を用いて、あやめの種類をk-近傍法で予測した場合に、どの変数が重要なのかを種類別に計算したもの。 #------irisデータで変数の重要度を計算 data(iris) TrainData <- iris[,1:4] TrainClasses <- iris[,5] knnFit <- train(TrainData, TrainClasses, "knn") knnImp <- varImp(knnFit) dotPlot(knnImp) 最後のdotplotで図を描いてくれるのですが、見づらいので自作プ
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
