パンダが好きです！パンダぱんだ． Pythonには時系列データを扱うのが得意なpandasというライブラリがあるらしいので，ぐへへ，これでアンナことやコンナことが簡単にできるんだろうナ！とか勝手に想像してテンション上げてました． 特に気になったのが，resample関数．これを使えば，30[Hz]のデータ群を簡単に20[Hz]にダウンサンプリングしたり，50[Hz]にアップサンプリングしたりできるんだろうナ！と，もうワクワクです！！ from math import * from pylab import show import numpy as np import scipy as sp import pandas as pd このあたりは，いつも通り． pandasで時系列データを作ります．これは72個のサンプリング周期300[ms]のサイン関数です． rng = pd.date_ra
回帰モデルから予測値を付与する方法についてまとめる。実務では数理的に真面目なモデルを構築するケースも多いが、現象把握のための統計モデルを作成し、そのモデルをそのまま使って簡易なシミュレーションをするということも多い。 なので、どのように統計モデルを構築するか、どのようなスコア用データを準備するかを把握さへしておけば、簡易なシミュレーションにはすぐに対応できる思う。ちなみに、念のため確認したが、スコア用データは学習用データと同一形式（カラム構成）である必要があるようだ。 ■ライブラリ >>> import Orange #Orange Data Mining - Fruitful & Fun ■データ >>> housing = Orange.data.Table('./data/housing_r.txt') #データはここから確認できる #Orangeの基本のデータヘッダー部は3行だがカ
1.2.5 曲線フィッティング再訪 1.2.6 ベイズ曲線フィッティング のところを実装してみます。前回は、最小二乗法で曲線フィッティングをしたけど、ベイズ的な方法で解こうって話のようです。この2つの節では、 最尤推定 最大事後確率（MAP）推定 ベイズ推定 という3つのパラメータ推定方法が曲線フィッティングという具体例で説明されてます。他の教科書では抽象的に定式化されていて違いがよくわからなかったけど、この章では曲線フィッティングという具体例に基づいて説明されているのでわかりやすいと感じました。 最尤推定 まず、最尤推定のプログラムです。実は、最尤推定で対数尤度（1.62）を最大化することは、最小二乗法の二乗和誤差関数E(w)の最小化と等価なのでwの求め方は最小二乗法（2010/3/27）とまったく同じです。 最尤推定では、目標値tの予測分布を求めるためもう1個予測分布の精度パラメータ（
私はRからプログラミングに入って分析もRでやってるわけですが、ちょっと大きめのデータになるとRでは扱うのが難しくなります。そこで前々からPythonに手を出そうとしていたのですが、なかなかインストールがうまく行きませんでした。しかし、ようやくPython環境を整えることが出来たので、メモしておきます（@teikawさんにいろいろ教えてもらいました）。 Pythonのインストールは良く使われるパッケージが入っている、enthoughtやpythonxyで行うのが良いです。自分は前者のアカデミック版をインストールしました。インストールした後、環境変数の設定が必要かもしれません（以前にPython単体でインストールしたときに環境変数は設定していました）。 機械学習を実行するにあたって、今一番アツそうなのがscikits.learnというライブラリです。これはGoogle summer codeが
マンガを描くとき、シナリオを先に書く人もいるかと思います（私は、そうしています）。 また、原作付きマンガを描いている人で、シナリオをテキストファイルやワープロソフトのファイルで受け取る人もいるでしょう。 いまマンガを描く人は、ほとんどがClipStudioを使っているはずです。そのようなマンガ家なら、シナリオからネーム部分（セリフとナレーション）だけ抜き出せたら便利だと思いませんか？ そこで自作シナリオのネーム部分だけを抜き出し、句読点や「！・!!・？・!?・空白」が来ると、そこで改行するプログラムを作ってみました。 元のシナリオを「input.txt」という名前で保存し、同じフォルダにこのプログラムを置いてください。Pythonのインストールがすんでいれば、あとはこのプログラムのアイコンをダブルクリックするだけで、改行されたネームだけになったファイルが「output.txt」という名前で
The Naive Bayes classifier is one of the most versatile machine learning algorithms that I have seen around during my meager experience as a graduate student, and I wanted to do a toy implementation for fun. At its core, the implementation is reduced to a form of counting, and the entire Python module, including a test harness took only 50 lines of code. I haven’t really evaluated the performance,
1
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
