クックパッドマートの配送ルートを自動生成している仕組み - クックパッド開発者ブログ
こんにちは、クックパッドマート流通基盤アプリケーション開発グループのオサ（@s_osa_）です。 生鮮食品の EC サービスであるクックパッドマートでは、「1品から送料無料」をはじめとするサービスの特徴を実現するために、商品の流通網を自分たちでつくっています。 このエントリでは、商品をユーザーに届けるための配送ルートを自動生成している仕組みについて紹介します。 解決したい問題 配送ルートとは クックパッドマートにはいくつかの流通方法がありますが、ここでは「ステーション便」と呼ばれるものについて解説します。他の流通方法などを含む全体像が気になる方は以下のエントリがオススメです。 クックパッド生鮮 EC お届けの裏側 2022 年版 - クックパッド開発者ブログ ステーション便では、ハブと呼ばれる流通拠点からユーザーが商品を受け取りに行く場所であるステーションへと商品を運びます。東京都、神奈川
難しくても使いこなす組合せ最適化(1) ー問題例と解き方ー｜NTTデータ数理システム
HOME MSIISMについてABOUT US MSIISM とは NTTデータ数理システムとは 技術TECHNOLOGY ベイジアンネットワーク 機械学習・統計解析 数理計画・最適化 ディープラーニング シミュレーション 自然言語処理 画像認識 EDA（半導体） 量子計算 分野・業界FIELD 流通・マーケティング 運輸・物流 製造 研究開発 医療・医薬・ヘルスケア 金融 教育・アカデミック 公共・インフラ 経営・人事・労務 製品活用事例CASE S4 Simulation System Nuorium Optimizer BayoLinkS Text Mining Studio Alkano セミナー&イベントSEMINAR&EVENT お役立ち情報USEFUL 無料E-Book セミナー動画視聴 1から学ぶ基礎知識 お問い合わせ このコラムは「組合せ最適化問題」という難問、しかし、ビ
Bayesian Optimization Book
Copyright 2023 Roman Garnett, published by Cambridge University Press View On GitHub This is a monograph on Bayesian optimization that was published in early 2023 by Cambridge University Press. The book aims to provide a self-contained and comprehensive introduction to Bayesian optimization, starting “from scratch” and carefully developing all the key ideas along the way. The intended audience is
1ms 以下のリアルタイムオブジェクト検出/画像処理を目指して Goの配信サーバサイドで通知ぼかしを実装してみたこと - Mirrativ Tech Blog
こんにちは ハタ です。 今回は以前iOSのクライアントサイドで実装していた通知ぼかし機能をサーバサイド(配信サーバ)上に再実装した事を書きたいなと思います 今回はかなり内容を絞りに絞ったのですが、長くなってしまいました、、 目次機能があったのでつけてみました、読み飛ばして読みやすくなった(?)かもしれません 目次 目次 通知ぼかし機能とは サーバサイド通知ぼかし プロトタイプの実装 苦労の始まり その1 画像処理速度 苦労の始まり その2 データ量 さらなる計算量の削減を求めて さらなる最適化へ Halide の世界へ 簡単な halide の紹介 苦労の始まり その3 いざ リリース リリースその後 We are hiring! 通知ぼかし機能とは 通知ぼかし機能は、ミラティブ上での配信中に写り込んでしまったiOSの通知ダイアログをダイアログの中身を見えないようにぼかし処理をしてあげる
マクドナルドで一日分の栄養を取れる組み合わせを計算したら衝撃の結果が！
マックで一日分の栄養を取りたい！ マクドナルド。関東ではマック、関西ではマクドと呼ばれている、おなじみのファーストチェーン店です。全国津々浦々にありますので、よく食べる方もいらっしゃるでしょう。私も大好きで、よく食べています。 ところで、マクドナルドって栄養的にどうなんでしょう？ファーストフードばかり食べていると体に悪いという話をよく聞きますが、そんなに偏っているのでしょうか？メニューの組み合わせさえ気を付ければ大丈夫なのでしょうか。 そこで、マクドナルドで一日に必要な栄養素を取るための商品の組み合わせを調べてみました。 計算は簡単 式を立てる 組み合わせを見つけるのはそれほど難しくありません。線形計画法という手法を用いれば簡単に解くことができます。特に最低限必要な栄養素を求める問題はダイエット問題という名前で知られています。 マクドナルドの商品の栄養素は公開されているデータを使用します。
ハイパーパラメーター最適化フレームワークOptunaの実装解説 | | AI tech studio
AI Lab AutoMLチームの芝田です (GitHub: @c-bata)。 ハイパーパラメーター最適化は、機械学習モデルがその性能を発揮するために重要なプロセスの1つです。Pythonのハイパーパラメーター最適化ライブラリとして有名な Optuna [1] は、様々な最適化アルゴリズムに対応しつつも、使いやすく設計的にも優れたソフトウェアです。本記事ではOptunaの内部実装についてソフトウェア的な側面を中心に解説します。 Optunaの内部実装を理解するためには、主要コンポーネントの役割と全体の動作の流れを押さえる必要があります。しかしOptunaの開発は活発で、コード量も多くなり、全体の流れをコードから読み取ることは難しくなってきました。そこで今回Minitunaという小さなプログラムを用意しました。Minitunaには全部で3つのversionがあり、それぞれ100行、200行
ラグランジュの未定乗数法の解説と直感的な証明 | yunabe.jp
ある関数 f(x,y)f(x,y)f(x,y) を束縛条件 g(x,y)=0g(x,y)=0g(x,y)=0 の元で最大化あるいは最小化する (x,y)(x,y)(x,y) を求める際に用いられるのがラグランジュの未定乗数法(Lagrange Multipliers)です。 ラグランジュの未定乗数法の式 L(x,y)=f(x,y)−λg(x,y)L(x,y)=f(x,y)-\lambda g(x,y)L(x,y)=f(x,y)−λg(x,y) ∂L∂x=∂L∂y=∂L∂λ=0\frac{\partial L}{\partial x}=\frac{\partial L}{\partial y}=\frac{\partial L}{\partial \lambda}=0∂x∂L=∂y∂L=∂λ∂L=0 は一見複雑な見た目をしており特に L(x,y)L(x,y)L(x,y) が何を意味して
ベイズ最適化で最高のコークハイを作る - わたぼこり美味しそう
はじめに コークハイとか酎ハイをお店で飲むと、割り方とかレモンが効いていたりとかでお店によって結構違いが出ますよね 自分好みの最高のコークハイの作り方を知ることは全人類の夢だと思います。 本記事は一足先にそんな夢に挑戦したという記事です。 手法としてはベイズ最適化を使用します。 実データで実験計画と絡めながらベイズ最適化を実際に行う記事はあまり見かけなかったので今回は、 最適化パラメータ 1. コーラとウイスキーの比 2. レモン汁の量 目的変数 コークハイの美味しさ という2次元入力、1次元出力で実際に実験とチューニングを並行しながら行ってみたいと思います。 目次 はじめに ベイズ最適化とは 実験系の説明 実験条件 実験で考慮しないこと(パラメータ) 実験材料 実験方法 スコアの付け方 実験をやりました（本題） 実装コード 実験開始 ARDありver. 反省点 さいごに ベイズ最適化とは
Python+PuLPによるタダで仕事に使える数理最適化（ → Python-MIPがお勧め → SCIPソルバーが利用できるのでやっぱりPuLPがお勧め → 現状はSCIP専用のPySCIPOptを使おう） - Qiita
Python+PuLPによるタダで仕事に使える数理最適化（ → Python-MIPがお勧め → SCIPソルバーが利用できるのでやっぱりPuLPがお勧め → 現状はSCIP専用のPySCIPOptを使おう） Python最適化pulp数理最適化数理計画 追記（2023/06/05） 数理最適化ソルバー SCIP 専用の Python インターフェース PySCIPOpt の記事を書きました。 本追記時点で Python から SCIP を使用する方法としては、この PySCIPOpt がいちばんよいと思います。 追記（2022/11/08） 数理最適化ソルバーSCIP ですが、 Since November 4, SCIP is licensed under the Apache 2.0 License. となりました。SCIPは無償のソルバーの中では速いので、それが商用利用可能になった
確率的勾配降下法のメリットについて考えてみた
機械学習初心者です。機械学習やディープラーニングでは、「確率的勾配降下法」というアルゴリズムがよく出てきますが、そのメリットがいまいちピンとこなかったので考えてみました。素人のポエムなのでトンチンカンなこと書いていると思います（そこそこ長いよ！）。 二次関数の最小値 全てはここから始まります。今回の確率的勾配降下法も、それのもととなった最急降下法も全てこれの応用です。 例：$ y=x^2-4x$ の最小値とそのときの$x$を求めなさい 参考：二次関数の最大値，最小値の2通りの求め方 数学的解法（１）～平方完成～ 高校数学でおなじみ（？）の平方完成をします。 $$y = (x^2-4x+4)-4 = (x-2)^2-4 $$ したがって、x=2のときに最小値-4です。簡単ですね。 しかし、次数や次元が増えていくと簡単に平方完成できなくなります。もう少し一般的に使える方法を考えます。 数学的解
勾配法は本当に鞍点近傍にはまるのか？モース理論で考えてみる - Qiita
TL;DR 勾配法はほとんどのケースで極小点に収束する（鞍点には収束しない） この事実は力学系や最適化の分野ではよく知られているが，機械学習では新しい？ 数年前にバズった勾配法の比較動画は実際の学習現象を説明できていないかも 鞍点の近傍での振舞いで差がつく？ いや，そもそも鞍点近傍に流れ込まないかも 比較動画に登場した鞍点は，実際にはまず生じないタイプかも 機械学習にも役立つモース理論 ほとんどすべての関数はモース関数 モース関数の臨界点のタイプはわずか $d+1$ 種類（$d$ は定義域次元） 安定/不安定多様体とモース・スメール複体で勾配法の流れは分かる Monkey saddleはまず現れない（もし現れても簡単に消せる） 量的な問題に関しては，結局は実験するしかない この記事を書いたきっかけ 昨夜，ある論文を見かけて，ふとこんなツイートをした． ML業界，「勾配法が鞍点に収束する確率
シンギュラリティは近い ～全人類がいますぐ注目すべき特異点論と多目的最適化の知られざる関係～ - Qiita
はじめに Fujitsu Advent Calendar 2017 も25日目，とうとう最終日となりました．振り返れば今年1年，チェス・将棋・囲碁でトッププロを上回るAIが登場したり，日本のスパコンが環境性能世界ランキング上位を独占したり，ヒト型ロボットがバク宙したりと，シンギュラリティの到来を思わせるようなビッグニュースが度々報じられました．そんな1年の締めくくりとして，シンギュラリティについて解説しようと思います． さて，これから解説するシンギュラリティは，2045年に人工知能がどうこうという話ではなく，数学における 可微分写像の特異点論 (singularity theory of differentiable mappings) です．写像の微分がフルランクでない点＝写像が特別な振る舞いをする点を調べる理論です． ……待って！ブラウザをそっ閉じないで！この可微分写像の特異点論こそが
勾配降下法の最適化アルゴリズムを概観する | POSTD
(編注：2020/10/01、2016/07/29、いただいたフィードバックをもとに記事を修正いたしました。) 目次： さまざまな勾配降下法 バッチ勾配降下法 確率的勾配降下法 ミニバッチ勾配降下法 課題 勾配降下法を最適化するアルゴリズム Momentum(慣性) Nesterovの加速勾配降下法 Adagrad Adadelta RMSprop Adam アルゴリズムの可視化 どのオプティマイザを選ぶべき？ SGDの並列化と分散化 Hogwild! Downpour SGD SGDのための遅延耐性アルゴリズム TensorFlow Elastic Averaging SGD 最適化されたSGDに対する更なる戦略 シャッフル学習とカリキュラム学習 バッチ正規化 早期終了 勾配ノイズ 結論 参考文献 勾配降下法は、最適化のための最も知られたアルゴリズムの1つです。これまではニューラルネット
ウェブページを1秒台で表示させる原理と方法 | Philosophy Guides
可能な限り最新の情報を反映していますが、追いつけていないこともあります。本サイトに採用していても、記事に反映できていない設定もあります。ページのソースを読んでいただくと、参考になる箇所があるかもしれません。 ウェブページの高速化に関するテクニックは、ネットで検索すれば簡単に見つけることができます。優れた情報も数多くありますが、｢CSSとJavaScriptはminify（ミニファイ）しておけばOK！」のような都市伝説も少なくありません。 そこで、ここでは本サイトのデザインリニューアル時に施した対策をもとに、一歩進んだウェブページの高速化の方法と、それを支える原理について、できる限り分かりやすく説明したいと思います。フロントエンジニアやデザイナーの方からすれば「んなもん知っとるわ！」な情報なのかもしれませんが、都市伝説を駆逐すべく、私なりの仕方で解説（≒加勢）したいと思います。 初めに結果を
［CEDEC］「FINAL FANTASY XV」の最適化はこうして行われた
CEDEC 2016では，開発環境，グラフィックス，AI，キャラクター，バックエンドシステムなど，全部で5つのテーマの「FINAL FANTASY XV」（以下FFXV）関連セッションが最終日に行われ，それこそ，丸一日FFXVセッションを聞くこともできるほどの充実ぶりであった。 本稿では，この日，3番めに行われたエンジニアリング系のセッションである「AAAタイトル開発における最適化 FINAL FANTASY XV実例紹介」の内容をレポートしたい。タイトルにはFFXVの名前が入っているが，ゲームプログラミング全般に応用できそうな内容となっていたので，広く参考になるのではないかと思う。 FFXVでのゲームループ並列化の変遷 前半の講演を担当した佐藤達磨氏（スクウェア・エニックス，第二ビジネスディビジョン，プログラマー） FFXVは，Luminous Studioというスクウェア・エニックスに
AndroidとiPhoneのアプリの実行速度がほぼ同じになると私が考える最大の理由、LLVM
携帯関連の将来や最新の技術情報や業界の行く末などを適当に綴るblogです。 内容の信憑性は？余り信じない方がいいと思います。 本家の鈴の音情報局はこちら→http://suzunone.0g0.jp:8800/ スマホ・携帯端末アクセス[ランキング]／[アクセスシェア(グラフ)] (毎年10/1にログをクリア) Androidでは「Javaベースなので速度が・・・」のような事が繰り返し言われてきました。 Googleはそれに応えるべく色んな高速化手段を講じてきましたが、一般の人までそれが 余り伝わる事は有りません。アプリを組んでいる人でさえ知らない人も居るようなので、 解説しようと思ったものが有ります。それがRenderScriptです。 Flasherの為のRenderScript入門 ～ Frog on AIR ■RenderScriptとは？ RenderScriptはAndroid
LLVMをちょっと調べてみた - wagavulin's blog
最近LLVMについて調べてみたのでまとめてみる。自分はコンパイラの専門家でも何でもないので間違った内容があるかもしれない。 GCCとコンパイラの仕組み LLVMの前にまずはコンパイラ一般の話。コンパイラはまずソースコードを解析して内部表現にする。これはたいていツリー構造となる。このツリー構造のデータに対して文法チェックを行ったり最適化処理を行ったりした後に、オブジェクトファイルを生成する。 コンパイラの内部表現だが、実際には複数の種類の内部表現を使っていることが多いらしく、GCCもそのようになっている（[1]の図3）。これによるとまずはその言語固有のツリーにするようだ（C trees, C++ treesなど）。これをGENERICという形式にする。GENERICは名前のとおり言語に依存しない一般的な形式で、どの言語の場合も一度GENERICにする。 GENERICはその後さらにGIMPL
scryptがGPUに破られる時 | びりあるの研究ノート
一般的によく知られている SHA-256 や MD5 などのハッシュ関数は非常に単純な設計となっており、非力なパソコンや組み込み機器、スマフォなどでも高速に計算できます。 しかしながらその一方で、ハッシュ関数を手当たり次第に計算し、もとの入力値を復元するいわゆる「ブルートフォース攻撃」が容易であるというデメリットがあります。 特にこのような SHA-256 や MD5 といったハッシュ関数は、GPU を用いるか、もしくは専用のハードウェア (FPGA もしくは ASIC) を製作することで非常に高い効率で計算（攻撃）ができてしまうことが知られています。 そのため、GPU ないし専用ハードウェアを用いたとしても、攻撃効率の改善が難しくなるような新たなハッシュ関数がいくつか提案されています。 その中で比較的古く (2012年ごろ) に開発され、他のハッシュ関数にも影響を与えている「scrypt
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
Interactive Gradient Descent Demo · Sasha Kuznetsov's Blog
グラフニューラルネットワークとグラフ組合せ問題