ナビゲーションへスキップ コンテンツへスキップ

10001 ideas

Studying Data Science

  • 機械学習
  • 書評
  • programming
メインナビゲーション

月: 2018年7月

直感 Deep Learning

「直感 Deep Learning」という書籍が出るそうです。翻訳版なので原著を調べてみたところ、「Deep Learning with Keras」でした。英語版の方は、以前読んでおりレビューも書きました。この本はKe […]

2018年7月29日By Hiroshi DeepLearning, Keras, programming, データサイエンス, 書評, 機械学習コメントする

特徴量エンジニアリングに焦点を当てた簡潔な本:「Feature Engineering for Machine Learning」

機械学習の特徴量エンジニアリングに焦点を当てた本、「Feature Engineering for Machine Learning」を読んだ。 テーブルデータ、画像データ、文章データなどの各種データに対しての基本的な特 […]

2018年7月19日By Hiroshi DeepLearning, programming, データサイエンス, 数学, 書評, 機械学習コメントする

ニューラルネットワークを利用した決定木:Deep Neural Decision Trees

引き続き、機械学習の解釈性についての論文を読んだ。今回読んだのは、「Deep Neural Decision Trees (WHI ’18)」。著者による実装のページはここ。 決定木とニューラルネットワークを […]

2018年7月17日By Hiroshi [Machine Learning][paper], DeepLearning, programming, データサイエンス, 機械学習, 論文コメントする

GPSデータによる交通事故リスク予測:Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference

読んだ論文のメモ。Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference (AAAI &#8 […]

2018年7月14日By Hiroshi DeepLearning, データサイエンス, 機械学習, 論文コメントする

機械学習によるメモリアクセス予測:Learning Memory Access Patterns

ICML 2018の論文リストを眺めていて、目についたタイトルの論文を読み始めた。まず最初に「Learning Memory Access Patterns」という論文を読んだ。この論文はRNNを用いてメモリアクセスパタ […]

2018年7月11日By Hiroshi DeepLearning, データサイエンス, 機械学習, 論文コメントする
最近の投稿
  • [書評]『 大規模言語モデルは新たな知能か』を読んだ
  • [論文読み] DeepMAD: Mathematical Architecture Design for Deep Convolutional Neural Network
  • ChatGPTの技術を活用して、プレゼンを自動で作るSlidesGPT
  • ChatGPTはプログラマの夢を見るか
  • 【論文読み】Point Transformer
人気記事
  • Batch Normalization と Dropout は併用しない方が良いという話
  • 時系列クラスタリングの研究サーベイ論文を読んだ
  • RNNのDropoutはどこに入れるべきか?:Where to Apply Dropout in Recurrent Neural Networks for Handwriting Recognition?
  • Kerasで転移学習をする際にはpreprocess_input()を呼ぼう
  • Kaggleで人気 XGBoostの論文 「XGBoost: A Scalable Tree Boosting System」を読んだ
  • 大規模データのクラスタリングには Mini Batch K-Means を使うべきという話
  • Windowsで英文形態素解析ツールTreeTaggerを使う
  • 外れ値処理の一手法:Winsorizingについて
  • CNNによるセグメンテーション論文:「U-Net Convolutional Networks for Biomedical Image Segmentation」を読んだ
  • 特徴量エンジニアリングに焦点を当てた簡潔な本:「Feature Engineering for Machine Learning」
アーカイブ
  • 2023年8月
  • 2023年7月
  • 2023年4月
  • 2021年1月
  • 2020年11月
  • 2020年10月
  • 2020年3月
  • 2020年2月
  • 2019年12月
  • 2019年11月
  • 2019年9月
  • 2019年8月
  • 2019年7月
  • 2019年5月
  • 2019年4月
  • 2019年3月
  • 2018年12月
  • 2018年10月
  • 2018年9月
  • 2018年8月
  • 2018年7月
  • 2018年6月
  • 2018年5月
  • 2018年4月
  • 2018年3月
  • 2018年2月
  • 2018年1月
  • 2017年12月
  • 2017年11月
  • 2017年10月
  • 2017年9月
  • 2017年8月
  • 2017年7月
  • 2017年6月
  • 2017年3月
  • 2016年1月
  • 2015年11月
  • 2013年12月
  • 2013年8月
  • 2013年6月
  • 2013年4月
  • 2013年1月
  • 2012年6月
  • 2012年2月
  • 2012年1月
  • 2011年8月
  • 2011年6月
  • 2010年12月
  • 2010年11月
  • 2010年8月
  • 2010年2月
カテゴリー
  • [Machine Learning][paper]
  • C++
  • DeepLearning
  • emacs
  • firefox
  • KDD2018
  • KDD2019
  • Keras
  • MOOC
  • opencv
  • podcast
  • programming
  • python
  • ruby
  • Rust
  • scheme
  • ubuntu
  • データサイエンス
  • テクノロジー
  • ネタ
  • ハードウェア
  • 一人読書会
  • 数学
  • 書評
  • 未分類
  • 機械学習
  • 論文
© 10001 ideas 2023 • ThemeCountry Powered by WordPress
 

コメントを読み込み中…