People + AI Research
We are Designers People + AI Research (PAIR) is a multidisciplinary team at Google that explores the human side of AI by doing fundamental research, building tools, creating design frameworks, and working with diverse communities. We believe that for machine learning to achieve its positive potential, it needs to be participatory, involving the communities it affects and guided by a diverse set of
【随時更新】Kaggleテーブルデータコンペできっと役立つTipsまとめ - ML_BearのKaggleな日常
これはなに？ Kaggleのテーブルデータコンペに参加するときに役立つ(と思う)Tipsを Kaggle Coursera の授業メモに色々追記する形でまとめたものです 自分で理解できている内容を中心にまとめました。各種資料の内容はまだまだ理解できていない内容が多く、今後も随時更新していきます(随時更新できるように勉強します)。 この記事に書いてあるTipsをどのように活かしたかはKaggle参戦記に書いたので、併せてどうぞ。 参考文献 主として以下の資料の内容をピックアップさせていただきました。引用を明記していない部分は(ほぼ100%) Kaggle Coursera の内容です。 Kaggle Coursera kaggle_memo by nejumiさん Kaggleで世界11位になったデータ解析手法〜Sansan高際睦起の模範コードに学ぶ Kaggle TalkingData F
【python】分類タスクの評価指標の解説とsklearnでの計算方法 - 静かなる名辞
敵対的生成ネットワーク（GAN）
This document discusses generative adversarial networks (GANs) and their relationship to reinforcement learning. It begins with an introduction to GANs, explaining how they can generate images without explicitly defining a probability distribution by using an adversarial training process. The second half discusses how GANs are related to actor-critic models and inverse reinforcement learning in re
【PyCon JP 2018】データサイエンスで競馬の結果を予測する、機械学習モデルの構築プロセス
不確実性と上手く付き合う意思決定の手法
予測モデルの不確実性を減らすActive Learning, モデルの不確実性を予測結果に反映するThompson Sampling, オンライン最適化など
Kaggleに登録したら次にやること ～ これだけやれば十分闘える！Titanicの先へ行く入門 10 Kernel ～ - Qiita
傾向スコアと機械学習とprobability calibrationの話 - rmizutaの日記
BASEを支える機械学習エンジニアチームをゼロからつくってきた1年 - BASEプロダクトチームブログ
出典： https://unsplash.com/photos/36Vbwo1OiZU BASEでData Strategyチームのマネージャーをしている鈴木僚です。 Data Strategyチームのミッションは、データを使ってプロダクトを成長させ、戦略的に事業を推進させることです。 EC事業では、オーナーズ（ショップオーナー）・購入者・社内メンバーの3者からなる膨大なデータが日々蓄積されています。Data Strategyチーム（以下、DSチーム）では、その3者に対して、より良い意思決定ができるよう機械学習を活用したソリューションを提供しています。例えば、直近ではオーナーズがより簡単にショップ運営ができたり、ショップと購入者のマッチングをより適切なものにしていくことに取り組んでおります。また、安心して購入者の方々にショッピングを楽しんでいただけるように商品の品質の自動チェックも始めてお
メルカリの写真検索を支えるバックエンド | メルカリエンジニアリング
DL4US | Deep Learning for All of Us
7/13、抽選を通過された方には、メールにてオンラインテストのご案内をお送りしました。 迷惑メールフォルダに入っている場合もありますので、ご確認をお願いします。 当初7/12〜15にオンラインテストを実施する予定でしたが、想定以上のお申し込みがあったため、スケジュールが遅れております。 今回は、まず最初に抽選を行い、当選された方にのみオンラインテストを受けていただく運営とさせていただきます。 抽選の結果の発表は、オンラインテストのご案内メール（7/13送信予定）をもってかえさせていただきます。 オンラインテストは7/14〜16を予定しております。 DL4USは，高度なDeep Learning技術者を育成することを目的とした，アプリケーション指向の無償オンライン教育プログラムです．3年間で1,000人のDeep Learning技術者を育成し，人工知能分野における日本の競争力を向上すること
[JAWS DAYS 2019] PythonとSageMakerで始めるMLチームのみで完結するAPIの構築事例 - Speaker Deck
JAWS DAYS 2019 登壇資料です． 無 Bトラック #jd2019_b 10:10〜10:30
![[JAWS DAYS 2019] PythonとSageMakerで始めるMLチームのみで完結するAPIの構築事例 - Speaker Deck](https://cdn-ak-scissors.b.st-hatena.com/image/square/9a4fe369663fc1760c85930805add442ad755f7f/height=288;version=1;width=512/https%3A%2F%2Fspeakerd.s3.amazonaws.com%2Fpresentations%2F5350306d59824b04ab460c8f84423afa%2Fslide_0.jpg%3F496438)
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
Dive into XGBoost
機械学習とのつきあいかた / How to get involved with Machine Learning @ Wantedly
repro-tech-meetup-7
Dataiku | Everyday AI, Extraordinary People
SREへの機械学習適用に関するサーベイ / A Survey for Cases of Applying Machine Learning to SRE
DL4US コンテンツ公開ページ | 東京大学松尾研究室 - Matsuo Lab
Resume/book_reinforcement at master · komi1230/Resume
機械学習システムのアーキテクチャアラカルト
