Search this site
Embedded Files
Skip to main content
Skip to navigation
Mark-N
ホーム
勉強したもの
No.1 機械学習導入
No.2 最近傍法と次元の呪い
No.3 線形モデル
No.4 RigdeとLasso
No.5 モデルの評価と選択
No.6 交差検証法とブートストラップ
No.7 Adaboost.M1
No.8 強力なBoosting手法
No.9 スプライン
No.10 混合モデル
No.11 EMアルゴリズム
No.12 エントロピーとKL情報量
No.13 ランダムフォレスト
No.14 ロバスト統計学
No.15 指数分布の無記憶性
No.16 混同行列
No.17 一致推定量
Who are you?
積読
積読@ML
積読2
About me
Mark-N
ホーム
勉強したもの
No.1 機械学習導入
No.2 最近傍法と次元の呪い
No.3 線形モデル
No.4 RigdeとLasso
No.5 モデルの評価と選択
No.6 交差検証法とブートストラップ
No.7 Adaboost.M1
No.8 強力なBoosting手法
No.9 スプライン
No.10 混合モデル
No.11 EMアルゴリズム
No.12 エントロピーとKL情報量
No.13 ランダムフォレスト
No.14 ロバスト統計学
No.15 指数分布の無記憶性
No.16 混同行列
No.17 一致推定量
Who are you?
積読
積読@ML
積読2
About me
More
ホーム
勉強したもの
No.1 機械学習導入
No.2 最近傍法と次元の呪い
No.3 線形モデル
No.4 RigdeとLasso
No.5 モデルの評価と選択
No.6 交差検証法とブートストラップ
No.7 Adaboost.M1
No.8 強力なBoosting手法
No.9 スプライン
No.10 混合モデル
No.11 EMアルゴリズム
No.12 エントロピーとKL情報量
No.13 ランダムフォレスト
No.14 ロバスト統計学
No.15 指数分布の無記憶性
No.16 混同行列
No.17 一致推定量
Who are you?
積読
積読@ML
積読2
About me
積読@ML
会社訪問アプリ「Wantedly Visit」のデータで見る相互推薦システム / deim2021-rrs-wantedly-visit
2021年3月2日 DEIM2021 (https://db-event.jpn.org/deim2021/) における技術報告の資料です。 [F21] 情報検索・情報推薦④ 3月2日 10:00 ~ 11:40 https://cms.deim-forum.org/deim2021/program/?oral#/F21 会社訪問アプリ「Wantedly Visit」の実データを用いて、相互推薦システムの既存手法の評価実験を行った上で、出てきた課題に対する改善手法を提案して評価実験を行いその有用性を検証しました。
Amazon Redshift の 進化の歴史とこれから/redshift-evolution-2021
2021.4.6 Data Engineering Study #7「Redshift最新アップデートと活用事例」 講演資料「Amazon Redshift の進化の歴史とこれから」 https://forkwell.connpass.com/event/203403/
Data Scientist 向けに Wantedly の推薦基盤を支える Argo Workflow や Kubernetes などのインフラ、New Relic や Datadog などの SaaS を紹介する速習会をしました! | Wantedly Engineer Blog
こんにちは。最近 Infrastructure チームから Matching チームへ異動した笠井(@unblee)です。Matching チームは Wantedly Visit におけるユーザ...
| 開発ストーリー:日本のヘルスケア進展に貢献してきたIQVIAジャパングループ
IQVIAソリューションズ ジャパン×AI開発ストーリー対談 製薬業界のDX推進へ! 製薬会社への高付加価値サービス提供を目指し、売上予測モデル開発に取り組む、IQVIAソリューションズ ジャパンとブレインパッドのAIプロジェクト 対談プロフィール IQVIAソリューションズ ジャパン株式会社 テクノロジーソリューションズ ・アソシエイトディレクター 西 裕志様 ・パートナー 庄田 佳史様 ・マネジャー 林 恒一郎様 株式会社ブレインパッド アナリティクス本部 ・データサイエンティスト 仁ノ平 将人 ・データサイエンスアドバイザー 塚野 匡良 ビジネス統括本部 ・シニアアカウントエグゼクティブ 早川 遼 日本のヘルスケア進展に貢献してきたIQVIAジャパングループ ブレインパッドは、IQVIAソリューションズ ジャパン株式会社様の売上予測モデル開発にAIを組み込むことで、テクノロジーを活用したさらなる高付加価値サービスの提供を目指す取り組みを支援しています。 日本のヘルスケア進展に貢献してきたIQVIAジャパングループ IQVIAジャパングループ様(以下、IQVIA)は、活動の源泉として、データ・テクノロジー・高度な分析力・専門知識の4つに集約された「IQVIA CORE™」を駆使することにより、 ヘルスケアや人々の健康の進展に取り組むお客様をご支援するグローバルリーディングカンパニーです。 IQVIAには、日本国内に約4000人超が在籍しています。世界的には100カ国以上の国と地域にわたって、様々な案件に対応。膨大なデータは15万を超えるサプライヤーをソースとしています。医薬品のライフサイクルにおける臨床開発から販売後をカバーするフルラインでサービスを提供し、全ての過程でデータ、テクノロジーを活用した様々な支援を行っています。 IQVIAでテクノロジーソリューションズを専門とするチーム(以下、テクノロジーソリューションズ)は、激変しているヘルスケア業界において、テクノロジーを主とした「IQVIA
グノシーのパーソナライズアルゴリズムを刷新した話 (モデル編) - Gunosyデータ分析ブログ
こんにちは。Gunosy TechLab MediaMLチーム所属の桾澤 (@gumigumi4f) です。 この記事では、弊社で配信しているニュースアプリであるグノシーのパーソナライズアルゴリズムを刷新した話について書きたいと思います。 アーキテクチャの部分まで含めて記事にしてしまうと非常にブログが長くなってしまうので、本記事ではリアルタイム性の高い重要なニュース記事についてどのようにレコメンドするかについて注目して述べます。 アーキテクチャの部分についてはブログ後編のアーキテクチャ編にて書きたいと思います。 後編はこちら data.gunosy.io ニュースアプリのパーソナライズ グノシ…
クックパッド機械学習チームのメンバが働く環境と役割 - クックパッド開発者ブログ
研究開発部の takahi_i です。本稿ではクックパッド研究開発部の機械学習チームに所属するメンバがタスクに取り組む体制および、働く環境について紹介します。 準備 機械学習はそれら単体が学ぶのにコストが掛かる分野で、高い専門性を獲得するためには多くの時間をかける必要があります。そのため機械学習の専門家はソフトウェア開発を十分に経験する 機会を得られにくい状況にあります。 このような前提において民間企業で機械学習を導入する場合、二つの可能性が考えられます。一つは完全に分業する方向で、機械学習のエキスパートはモデルだけを作り、ソフトウェアエンジニアが導入 を引き受けます。もう一つは機械学習の実験…
LAPRASエンジニアに訊いた、機械学習エンジニアの採用で考えるべき3つのポイント - LAPRAS HR TECH LAB - 採用を科学するメディア
LAPRASの機械学習エンジニア、アルゴリズムマネージャーの高濱に機械学習エンジニアの就職・転職動向を聞きました。機械学習エンジニアが仕事を選ぶ際に考える「3つの重要なポイント」について教えてくれています。機械学習エンジニアの採用にお困りの採用担当者に向けてご紹介します。
AI・機械学習チームにおけるデータパイプライン構築
深層学習を実運用システムに組み込むということ / To incorporate deep learning into actual operation system
Data Driven Developer Meetup #5 (2019.3.7) の発表資料です スライド中のリンクを参照したい場合はPDFをダウンロードすると便利です。
Cookpad_Internship_MLOps_Lecture_2018
クックパッド・R&Dインターンシップ MLOpsの講義資料 コードの場所は以下 https://github.com/chie8842/cookpad-internship-mlops-2018
エムスリーの機械学習チームビルディングの考え方
機械学習システムの設計パターンを公開します。
English hereメルカリで写真検索とEdge AIチームに所属している澁井(しぶい)です。機械学習のモデルを本番サービスに組み込むための設計やワークフローをパターンにして公開しました。GithubでOSSとして公開しているので、興味
機械学習アプリケーションにおけるテストについて - Re:ゼロから始めるML生活
機械学習系の話題が多い昨今ですが、実際触ってみると期待した精度・結果が出ないなんてことはよくあることではないでしょうか。 機械学習特有の性質として、データ自体がモデルを変化させ、結果として業務に影響を与えたりします。 仮に、機械学習屋さんが精度が出るモデルを構築したと言っても、それを導入するときに、システム全体での品質の維持に苦労したりします。 ということで、不確実性の大きい機械学習系開発についての、設計・テスト戦略でどうやってリスクを低減していけるかが一つカギになってくると思い、方法論について勉強しましたので、そのメモです。 非常に参考にしたのはこちら。 arxiv.org テストそのものの…
Google Sites
Report abuse
Google Sites
Report abuse