JenkinsをIaCにより管理・運用する - decadence
はじめに JenkinsをIaCで管理する Jenkins本体の起動から初期設定 Jenkins Configuration as Code pluginによる設定管理 認証・認可の設定 Jobの定義 〆 Jenkinsの管理をIaC(Infrastructure as Code)に載せることで、運用コストの削減・不正な操作についての耐性・知見の共有といった様々な恩恵が受けられる。 具体的には以下のようなツールを使うことについて、この記事では述べようと思う。 Jenkins初期設定についてはdockerなどで管理を行う Jenkinsの設定管理をConfiguration as Code Pluginにより管理をする 認証設定についてはsaml pluginを、認可設定についてはrole-strategy pluginによりRBAC管理を行う JenkinsのJobについては、job-ds
Fitbitデータでスパース推定に入門してみる③ 〜心拍数データに対してfused lassoを使い、変化点を検出する〜 - mikutaifukuの雑記帳
はじめに 前回の記事では、個々の変数を選択するための様々なスパース推定の手法をまとめ、Fitbitデータに適用することでそれぞれの手法を比較しました。 mikutaifuku.hatenablog.com 今回のエントリでは、少し趣向を変えて心拍数データに対して、fused lassoと呼ばれる隣合う変数の関係性を加味した手法使ってみます。なお、今回のエントリは、書籍の第３章のfused lassoの部分を自分なりに整理してまとめただけなので、丁寧に学びたい方は、書籍を読んでいただければと思います。 スパース推定法による統計モデリング (統計学One Point) 作者: 川野秀一,松井秀俊,廣瀬慧出版社/メーカー: 共立出版発売日: 2018/03/08メディア: 単行本この商品を含むブログを見る fused lassoの概要 fused lassoは以下のような性質をもつデータに対して
読んだ: 集合知プログラミング - ひだまりソケットは壊れない
画像の回転などの変換処理が埋め込みベクトルに与える影響を確認してみた | DevelopersIO
【ニューラルネットワークの判断根拠抽出】TCAV - ピクセルの重要度から概念の重要度へ - - Qiita
今回はICML2018に採択された論文，Interpretability Beyond Feature Attribution: Quantitative Testing with Concept Activation Vectors (TCAV)に関してまとめたいと思います。 判断根拠系の手法では基本的にどのピクセルが判断に重要であったか？を主眼に置くことが多いですが（この辺とかこの辺），この論文で提案される手法はピクセル単位ではなく人間の考える概念的な観点から重要度を抽出する面白い方法を取っています。（認知心理学とかヒューマンインターフェースとかそう言った観点の研究ではないです。念のため。） 第一著者はニューラルネットの判断根拠抽出手法としてはメジャーなSmoothgradの著者の一人です。所属はGoogle Brainであり，機械学習の判断根拠をまさに研究されている人です。 本論文の
【論文紹介】Deep Interest Network for Click-Through Rate Prediction - sola
今回は、KDD 2018で発表されたCTR (Click Through Rate) 予測に関する論文 Deep Interest Network for Click-Through Rate Prediction を紹介したいと思います。CTR予測は、広義では注目している行動を起こす確率予測であるので、レコメンドに関する論文と捉えることもできます。なお、1週間前くらいに Machine learning papers reading pitch #3 というイベントで、ATRank というリコメンドの汎用的な方法論の論文について紹介しましたが（資料はこちら）、著者らの所属は同じAlibabaです。（ただ著者は全く違います） なお自前で再実装したものは、以下にあります。 github.com 概要 従来手法 提案手法 従来手法の問題点 Deep Interest Network LSTMな
成果が見えるように工夫しないとどうでもいいところで突っ込まれる - Konifar's ZATSU
Rによるランダム化実験解析 ～擬似相関を排除し、因果関係を定量する解析法～ - Qiita
RとRcppで緯度経度から都道府県と行政区域を高速に検索(したかった) - Qiita
前回(Rで緯度経度から都道府県を求める - Qiita)のやり方でも行政区域まで10ms程度で検索できるが、たくさん検索したかったのでRcppで高速化を試みた。結果は 前回のやり方の概要 行政区域のセントロイドと目標座標の間の距離を求めておいて、最も距離の短かった行政区域の情報を参照する。 library(sf) # 日本地図のシェープファイルを読み込む f <- "data_source/N03-160101_GML/N03-16_160101.shp" japan <- st_read(f) jpn_cent <- st_centroid(japan) # セントロイド計算 cent_mat <- t(matrix(unlist(jpn_cent$geometry), nrow=2)) # 地点をmatrixに find_admin_old <- function(point){ #
【RubyKaigi2023】debug.gem 1.8.0 で Ruby のデバッグをしてみる【VSCode】 - Qiita
Jinja2 テンプレートエンジンにおける nan/None の空白化や数値カンマ区切りといった編集方法 - Qiita
はじめに 前回の続きで Flask の話です。 データ分析のみならず、データセットの加工に便利なため、バックで pandas を採用しているケースを想定しています。 Flask はテンプレートエンジンとして Jinja2 を採用しています。このとき pandas のデータフレームのほうで欠損値を持っていることって結構あるんじゃないかと思います。 データフレームの欠損値をそのまま Jinja2 でウェブページに出してしまうと恐ろしいことに None だとか nan と表示されてしまいます。事前に data.fillna(0) などで欠損値を埋めればいいのですが、今回はテンプレートエンジン側での回避方法を説明します。 テンプレートで欠損値を表示しない 数値型・欠損値 の場合 数値型のデータに欠損値がある場合、そのまま表示させると nan (Not A Number) が表示されます。そこで n
Rを使って極値理論をファイナンスへ応用してみた（その１） - Qiita
平成も終わるので、ロバスト統計の話をしよう - Qiita
この記事はR Advent Calendar 2018 15日目の記事です。 今回は、平成も終わるのでロバスト統計の話をしますね。(異論は受け付けない) 外れ値 何かしらの実験やデータを取った際に、分布を確認すると思います。 そんな時に、いくつかおかしなところにplotされてしまう何かがあるケース、よく出くわしますよね。 他のデータよりも明らかにおかしな値を取っているものを外れ値(Outlier)と言います。 具体的には下記のようなイメージです。 これを元に要約統計量などを算出しようとすると、外れ値の持つ値に引きずられて平均値などの代表値は信頼性を担保できなくなる可能性があります。 ロバスト統計とは 先ほど説明した外れ値の混入は未然に防ぐことができれば良いですね。しかし、データ取得の前に防げば良いのですが、なかなか思うようにうまくはいきません。サービスをリリースしたりすると、想定していなか
Rを使用した部分空間法の実行例 - Qiita
予測性と説明性を両立した一般化加法モデルとGA2M - Qiita
遅延価値割引は双子で違うのか。階層モデルと非階層モデルを比較してみた - Qiita
R の知っておくと便利な Infix Operator 達 - Qiita
ggplot2の「+」とRのパイプの実行順序について - Qiita
CNNによる画像分類：背景の影響を低減させる正則化 - Qiita
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
Semantic segmentation 振り返り
