プロローグ ストーリー編 第1章 感銘 step1. KPIの設定 step2. データの観測構造をモデル化する step3. 解くべき問題を特定する step4. 観測データのみを用いて問題を解く方法を考える step5. 機械学習モデルを学習する step6. 施策を導入する 第2章 絶望 第3章 反省 第4章 再起 step1(再) KPIの設定 step2(再) データの観測構造をモデル化する step3(再) 解くべき問題を特定する step4(再) 観測データのみを用いて問題を解く方法を考える step5(再) 機械学習モデルを学習する step6(再) 施策を導入する 第5章 俺たちの戦いはこれからだ! 実装編 準備 擬似データの生成 意思決定モデルの学習 モデルのオフ方策評価 モデルの真の性能の評価 まとめ この記事を読んだ方はこんな記事も読んでいます(多分) @tkana
# !wget https://dl.fbaipublicfiles.com/fasttext/vectors-crawl/cc.ja.300.vec.gzで落とせます model = gensim.models.KeyedVectors.load_word2vec_format('cc.ja.300.vec.gz', binary=False) repat = re.compile(r'^[あ-ん\u30A1-\u30F4\u4E00-\u9FD0]+$') vocab_list = [w for w in list(model.vocab.keys())[10000:50000] if len(w) > 2 and repat.fullmatch(w) and w[-1] != 'っ' and w not in list(ww_df.word) and w not in list(sw
機械学習とif文が地続きであることを解説しました。 ver.2 質問への回答を追加し、顧客価値の小問に図を追加してわかりやすくかみ砕きました。Read less
INTRODUCTION 上の画像は,2014年のミスキャンパス立命館のものです.みんなとても美人ですね. その一方で,パッと見た感じ,どの方も同じような顔をしているように見えます.類は友を呼ぶのでしょうか.これを 立命館っぽい顔 と呼ぶことにします. また「青学っぽい」「学習院にいそう」みたいな言葉をよく耳にはさみますが,これもやはり 青学っぽい顔 や 学習院っぽい顔 というものがあるが故なように思います. そこで今回は,大学ごとの顔の傾向を Deep Learning させ,ある美女がどの大学にいそうかを判別できるモデルを作成してみました. APPROACH 1. 大学ごとの女性の画像収集 まず,各大学の女性の画像をひたすら取得します.ミスコンテストのポータルサイト に,各大学の過去のミスコンの写真が体系的にまとまっていたので,利用させていただきました. # -*- coding:ut
1000いいね到達直後にBANされてしまいました… 技術的に少しでも参考になればと思い同じ内容で以下に置きましたので、よければご覧ください。 https://www.nakajimadevnakajima.info/va/kyohin/html/kyohin.html https://www.nakajimadevnakajima.info/va/kyohin/form.html Register as a new user and use Qiita more conveniently You get articles that match your needsYou can efficiently read back useful informationYou can use dark themeWhat you can do with signing up
評価の指標を1つじゃない はじめに 正解率 再現率 精度 分割表 評価の方法 精度と再現率のトレードオフ F値 break-even 注意点 参考 評価の指標を1つじゃない はじめに 機械学習による分類を行った場合に、その手法が従来より優れているか否かを判断したいという場面に遭遇します。 その際、分類を適切にできた数の割合である「正解率」に着目したくなりますが、実は評価の方法はコレ以外にも複数存在します。 正解率 正解率は、テストデータが個ある際に、予測結果が正解であった数をとして で表現されます。 最も直感的で分かりやすい評価指標です。 再現率 クラス分類でクラスがの個があったとしましょう。 「再現率」という場合には、「クラスに対する精度」という具合に、あるクラスについて評価をすることになります。 クラスのテストデータが個あるとしましょう。理想的には学習によって得られた分類器が、個のデー
ディープラーニングを使ってキュウリの仕分け(選果とも言う)をしてみました。 今回試してみたのは、TensorFlowのチュートリアル『Deep MNIST for Experts』の畳み込みニューラルネットワークに少し手を加え、キュウリの仕分け作業をやらせてみるとう試みです。 キュウリをWebカメラで撮影した画像により、仕分けを行います。 キュウリの仕分けとは キュウリの仕分けとは、出荷する際に傷や病気があるものを弾いたり、形や色合い、大きさによりランク別に選別したりする作業です。 選別には、とくに統一規格があるわけではなく、各農家によって独自ルールがあったりします。 (主に、出荷先の希望、市場での値の付き方、作業効率などにより決めていると思われる) さて、うちの仕分けルールは、だいたいこんな感じになります。(実際にはもう少し細かいのですが…) 2L〜2S:良品。色艶がよく、比較的まっすぐ
せっかく会社の名前を借りたAdvent Calendarの記事なので、会社に絡んだ題材を扱います。 (前置き)転職会議 について Livesenseでは、転職会議という転職者による企業の評判クチコミを扱ったサイトを運営しており、日々企業についてのクチコミが投稿されている。 これまで転職会議では、クチコミのテキストデータと5段階からなる評点データを別々のデータとして取得していたが、先日のリニューアルで、評点とテキストデータを同時に投稿できるようになり、さらに読みやすいクチコミを提供できるようになった。 リニューアル以前に投稿されたクチコミ リニューアル後に投稿されたクチコミ ここで感じる課題感 新しく投稿されるクチコミは評点によって読みやすくなったものの、過去に蓄積された大量の投稿には当然5段階の評点データは無いし、そのままでは顔アイコンを出すことは当然出来ない。 しかしこの課題を解決して、
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
処理を実行中です
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