進撃の巨人を読んだことない人がデータだけでキャラを推測してみる - あんちべ！
はじめに 最近超人気の漫画として私のTwitter TLを賑わす作品、その名も「進撃の巨人」。 これだけ人気なんだからきっと面白いに違いないのですが、 なんか絵が怖そうだし、人がバンバン死んでてグロいっぽいという噂を聞くので、 なんとか漫画を読まずに、それでいて進撃の巨人のキャラについては知りたい、 そう願う潜在的進撃の巨人ファンも全国に70万人くらいいらっしゃると思います。 そこで、データから進撃の巨人にどんなキャラが登場するか推測してみましょう。 扱うデータとして、pixivのタグ情報を利用します。 商品レビューコメントなどとは違い、ファンの創作活動がダイレクトに反映されるサービスなので、 そこに付与されるタグ情報は、ファンの熱（過ぎる）いメッセージが込められているに違いありません。 今回、以下のような縛りを入れています。 1．勿論原作は見ない 2．pixivのタグ情報は参照するけど、
overview.dvi
( ) Tu Bao Ho ( ) ( ) ( ) ( ) ( ) Web Web D2MS MUSASHI 1. Web Web 8 2. 2. 1 Graph-Based Induction (GBI) B-GBI DT-GBI 800 20 GBI, DT-GBI AGM, B-AGM グラフマイニングシステム 肝炎データ解析(時系列） 化学薬品解析 ユーザ指向DMシステム D2MS アルゴリズム 決定木(CABRO) 規則帰納法(LUPC) HMM, SVM, GA, etc. TRSMクラスタリング 前処理ツール 変換 評価ツール 視覚化ツール 一般部分グラフ(連結，非連結） 誘導部分グラフ(連結，非連結） 一般木，順序木，系列 決定木 オープンソースＤＭシステム MUSASHI 相関規則 決定木（分類，予測） クラスタリング (k-means) 頻出部分文字列 ．．．．．． グ
グラフマイニング - 機械学習の「朱鷺の杜Wiki」
Freeware† ChemCPP：グラフを扱うカーネルのC++ライブラリ GraphStream：グラフの変化をアニメーションしながら描画 JUNG (Java Universal Network/Graph Framework)：グラフ処理ライブラリ (java) (Jung@TECHSCORE) igraph：グラフ処理 C, python, R ruby のラッパ PEGASUS：大規模グラフマイニング VGJ：グラフ描画 (java)-Walrus：グラフ描画 (java) ↑ 関連文献† 鹿島 久嗣「グラフマイニング」 鷲尾 隆 "データインテンシブコンピューティング ―その1 離散構造マイニング―" 人工知能学会誌，vol.22, no.2 (2007) 鷲尾 隆 他 "グラフマイニングとその統計的モデリングへの応用" 統計数理, vol.54, no.2 (2007) 猪口
第1回 機械学習を実践する前の基礎知識 | gihyo.jp
みなさん、次のようなことができたらいいと思ったことはありませんか？ 「顧客ごとに、適したタイミングと内容で、DMを送信できたら……」 「CGM系サイトへの誹謗中傷なんかのスパム投稿を自動識別できたら……」 「サーバの負荷が高まるタイミングを事前に予測できたら……」 一見するとこれらは実現していることがまったく異なりますが、じつはある共通点があります。それは「データを分析し、その結果を活用している」という点です。 Data is Kingの考えから得られるメリット かつてAmazonに在籍していたRonny Kohaviは「Data is King at Amazon」と言い、データの重要性を説きました。事実、Amazonはユーザの購買履歴から商品のレコメンデーションを行い、ユーザのサイト内の遷移履歴やクリック率からサイト構造の改善を行うなど、データを徹底的に活用していることで知られています
テキストマイニングのための機械学習超入門 二夜目 パーセプトロン - あんちべ！
一夜目はパターン認識と機械学習の概要を学びました。今夜は、識別部で用いられる機械学習の基本的な線形識別器である「パーセプトロン」を具体的に学びたいと思います。「線形識別器？パーセプトロン？何それ？」字面は厳しいですが、手を動かしてみると意外と簡単に理解できます。今夜からは数式をバリバリ使っていきますし、手を動かしていただきます。「必ず」手元にペンと紙を用意してください。そうは言ってもパーセプトロンが一体何なのか、機械学習の中でどのような位置づけなのかがわからないと混乱するかもしれません。パーセプトロンの説明へ入る前に、機械学習の3つのアプローチをご紹介します。 ●機械学習の３つのアプローチ - 識別関数、識別モデル、生成モデル 機械学習は大きく分けて識別関数、識別モデル、生成モデルという３つのアプローチがあります。 識別関数 := 入力データを見て、特定のクラスに属するよう識別（代表的な手
KNN法(K最近傍法)でクラス分類 - チョッキーの黒歴史
超お手軽分類手法！！KNN法をRで実装してみた KNN法はデータ数が多量であれば、それなりの性能があるとされています。 実装方法は超簡単 入力データと全学習データとのユークリッド距離を計算。 距離が短いものから順にk個だけ学習データから取り出す。 取り出した集合で入力データのクラスを多数決で決める。 つーことでRでの実装 # KNN法 # x:入力データ, data:学習データ # t:学習データのクラスラベルのベクトル(1以上の正の整数) myKNN <- function(x,data,t,k){ classNum <- max(t) #クラス数 dataN <- length(t) #学習データ数 calcDistance <- function(d){ #ベクトル間のユークリッド距離計算 return ( sum( (d-x)^2 ) ) # sqrtなし } distances
k近傍法 - Wikipedia
k近傍法（ケイきんぼうほう、英: k-nearest neighbor algorithm, k-NN）は、入力との類似度が高い上位 k 個の学習データで多数決/平均するアルゴリズムである[1]。 パターン認識（分類・回帰）でよく使われる。最近傍探索問題の一つ。k近傍法は、インスタンスに基づく学習の一種であり、怠惰学習 の一種である。その関数は局所的な近似に過ぎず、全ての計算は分類時まで後回しにされる。また、回帰分析にも使われる。 概要[編集] k近傍法は以下の手順からなる： 入力と全学習データとの類似度（距離）測定 類似度上位 k 個の選出 選出されたデータの多数決あるいは平均 すなわち「入力とよく似た k 個のデータで多数決/平均する」単純なアルゴリズムである[1]。 例えば環境（気温/湿度/風速）から天気（雨/曇り/晴れ）を予測する分類問題を考える。k=5 のk近傍分類では、過去10
チームラボ忘年会
2. 皆さん！ソーシャルしてますか！ ● ニュースサイトとかブログとか巡って、 自発的に情報探し出すのとかだるいですね ● 「自力で探すとか昭和かよ」 ● Twitterとかfacebookとか、勝手に情報流れ てくるのであまりだるくないですね ● でもいちいち面白い人を探し出してフォ ローするのとかだるくないですか… 3. ！！！だるいことはやめろ！！！ ● １.だるいことは奴隷か計算機に投げろ！！ ● ２.奴隷制やめろ！！！！！ ● →計算機に投げるしかない… ● 自然言語処理とか機械学習とか、 なんか計算機が頑張る感じで生きましょう ● 頑張れ計算機！！！！！！！！！！！ 4. 誰や ● Twitter @AntiBayes ● あんちべ ● 先月まで無職でした ● 某ソーシャルゲームな会社でデータマイニ ングとかしてたりしてなかったり ● 専門：自然言語処理、テキストマイニング
1
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
https://db-event.jpn.org/deim2009/proceedings/files/B9-2.pdf
サービス終了のお知らせ
k‐Nearest Neighbor 法 (PDF)
便所糞虫 on Twitter: "「データマイニングは武器を持たぬエンジニアが捨てられていたログをいじくりまわすところから始まった分野でありつまりはヒッピー文化であるのでMSの帝国主義的ソフトウェアと相性が悪い」という説を思いついた"
「膨大なデータを分析して見えてくること」ニコニコ動画データ分析研究発表会