SlideShare une entreprise Scribd logo
1  sur  33
Télécharger pour lire hors ligne
Juliaによる
予測モデル構築・評価
2015年4月25日
第3回JuliaTokyo
@sfchaos
自己紹介
• TwitterID: @sfchaos
• お仕事: データマイニング
• 使用言語: R/Python/Perl/C++/etc.
アジェンダ
1. Juliaの機械学習ライブラリ
2. 予測モデル構築・評価の考え方
3. Juliaを用いた予測モデル構築・評価
4. MLBaseパッケージを用いた実行方法
5. まとめ
1. Juliaの機械学習
ライブラリ
Juliaの機械学習パッケージ
• Juliaで機械学習を実行するためのパッケージ
は以下のページにまとまっている.
Awesome Machine Learning
https://github.com/josephmisiti/awesome-machine-learning#julia
Juliaの機械学習パッケージ
• 先のページの和訳
アルゴリズム パッケージ
確率的グラフィカルモデル PGM.jl
正則化判別分析 DA.jl
回帰分析 Regression.jl
局所回帰分析 Loess.jl
ナイーブベイズ NaiveBayes.jl
混合モデル MixedModels.jl
マルコフ連鎖モンテカルロ法 SimpleMCMC.jl
MCMC.jl
距離(Maharanobis距離等) Distance.jl
決定木,バギング,ランダムフォレスト DecisionTree.jl
ニューラルネットワーク BackPropNeuralNet.jl
サポートベクタマシン SVM.jl
LIBSVM.jl
••• •••
2. 予測モデル構築・
評価の考え方
予測モデル
目的変数 説明変数
xy
)(xfy =
予測モデル f
説明変数 x から目的変数 y を予測する
結果 原因
未知のデータに対する高い
予測力と安定性(汎化性能)
が求められる
目的変数 y 予測の例
回帰 連続値 売上予測,電力量予測, etc.
クラス分類 離散値 退会者予測,故障予測, etc.
特徴量作成

(feature engineering/construction)
• 予測モデル構築における最重要項目
データ
目的変数 説明変数
機械学習の文脈では
特徴量,属性(feature)と
呼ばれることが多い
xy
モデル評価のスキーム
(ホールドアウト検定)
データ
訓練
データ
検証
データ
モデル
構築
予測
モデル
モデル
検証
検証結果
モデルを評価する
フェーズ
データを訓練用と検証用に分けて予測精度を検証
モデルを構築する
フェーズ
モデル構築・評価のスキーム

(リサンプリング/クロスバリデーション・ブートストラップ)
• 複数セットの訓練・検証データに対して予測
モデルを構築し評価
データ
訓練
データ
検証
データ
モデル
構築
予測
モデル
モデル
検証
検証
結果
訓練
データ
検証
データ
モデル
構築
予測
モデル
モデル
検証
検証
結果
・・・
訓練データと
検証データを
複数セット作成
検証
結果の
統合
モデルの評価
• クラス分類では,検証データに対して

ROC曲線や分割表による評価を行うことが多い.
実績
正例 負例
予測
正例 TP FP
負例 FN TN
適合率(Precision) = TP/(TP + FP)
再現率(Recall) = TP/(TP +FN)
正解率(Accuracy) = (TP + TN)/(TP + FP + FN + TN)
特異度(Specificity) = TN/(TN + FP), etc.
3. Juliaを用いた

予測モデルの構築・評価
使用するデータ
• Bank Marketingデータセットを使用.
• ポルトガルの銀行で電話による顧客へのダイ
レクトマーケティング
UCI Machine Learning Repository
http://archive.ics.uci.edu/ml/datasets/Bank+Marketing
"age";"job";"marital";"education";"default";"balance";"housing";"loan";"contact";"day";"mo
nth";"duration";"campaign";"pdays";"previous";"poutcome";"y"
58;"management";"married";"tertiary";"no";2143;"yes";"no";"unknown";5;"may";
261;1;-1;0;"unknown";"no"
44;"technician";"single";"secondary";"no";29;"yes";"no";"unknown";5;"may";
151;1;-1;0;"unknown"
データの読み込み
• DataFramesパッケージのreadtable関数を
使用
Pkg.add(“DataFrames”)
using DataFrames
# データの読み込み
bank = readtable("data/bank-full.csv", separator=‘;’)
# 目的変数の変換(yes: 1.0, no: -1.0)
bank[:y] = [bank[i, :y] == "yes" ? 1.0 : -1.0 for i in
1:nrow(bank)]
数値の特徴量の正規化
• 数値の特徴量は,スケールが同じになるよう
に正規化
# カテゴリ変数の特徴量の変数名
cname_ctg = [:job, :marital, :education, :default,
:housing, :loan, :contact, :month, :poutcome]
# 数値の特徴量の変数名
cname_num = setdiff(names(bank), [cname_ctg, :y])
# 数値の特徴量の正規化
for cn in cname_num
bank[cn] = (bank[:, cn] - mean(bank[cn]))/std(bank[cn])
end
カテゴリ変数のダミー変数への変換
function getdummy{R}(df::DataFrame, cname::Symbol, ::Type{R})
darr = df[cname]
vals = sort(levels(darr))[2:end]
namedict = Dict(vals, 1:length(vals))
arr = zeros(R, length(darr), length(namedict))
for i=1:length(darr)
if haskey(namedict, darr[i])
arr[i, namedict[darr[i]]] = 1
end
end
newdf = convert(DataFrame, arr)
names!(newdf, [symbol("$(cname)_$k") for k in vals])
return newdf
end
• Julia Usersに掲載されている方法に従って変換

※ DataFrames: convert categorical variables to dummy ones? 

https://groups.google.com/forum/#!topic/julia-users/7-Vtpi8w4YI
カテゴリ変数のダミー変数への変換
function convertdummy{R}(df::DataFrame, names::Array{Symbol}, ::Type{R})
# consider every variable from cnames as categorical
# and convert them into set of dummy variables,
# return new dataframe
newdf = DataFrame()
for cname in names(df)
if !in(cname, cnames)
newdf[cname] = df[cname]
else
dummydf = getdummy(df, cname, R)
for dummyname in names(dummydf)
newdf[dummyname] = dummydf[dummyname]
end
end
end
return newdf
end
convertdummy(df::DataFrame, cnames::Array{Symbol}) =
convertdummy(df, cnames, Int32)
• Julia Usersに掲載されている方法に従って変換

※ DataFrames: convert categorical variables to dummy ones? 

https://groups.google.com/forum/#!topic/julia-users/7-Vtpi8w4YI
サポートベクタマシンの実行
• SVMパッケージのsvm関数で

Pegasosアルゴリズムを実行.
julia> # ダミー変数に変換
julia> bank_dum = convertdummy(bank_scaled[:, 1:16], cname_ctg)
julia> # 説明変数と目的変数の作成
julia> X = array(bank_dum[, 1:42])
julia> Y = array(bank_dum[:, 43])
julia> # SVMの実行
julia> Pkg.add(“SVM”)
julia> using SVM
julia> model_svm = svm(X, Y)
Fitted linear SVM
* Non-zero weights: 45211
* Iterations: 100
* Converged: true
ランダムフォレストの実行
• build_forest関数でモデルを構築.
• apply_forest関数で予測.
julia> using DataFrames
julia> Pkg.add("DecisionTree")
julia> using DecisionTree
julia> # 訓練データ,テストデータの作成
julia> bank = readtable("data/bank-full.csv", separator=';')
julia> is_train = randbool(nrow(bank))
julia> X_tr, X_te = array(bank[is_train, 1:16]), array(bank[!is_train, 1:16])
julia> Y_tr, Y_te = array(bank[is_train, 17]), array(bank[!is_train, 17])
julia> # モデル構築
julia> model_rf = build_forest(Y_tr, X_tr, 10, 500, 0.7)
Ensemble of Decision Trees
Trees: 500
Avg Leaves: 1038.174
Avg Depth: 26.596
julia> # 予測
julia> pred = apply_forest(model_rf, X_te)
julia> # 分割表
julia> confusion_matrix(pred, Y_te)
Classes: {"no","yes"}
Matrix: 2x2 Array{Int64,2}:
19419 1489
645 1154
Accuracy: 0.9060201699916325
Kappa: 0.4695774877297327
ランダムフォレストの実行
• nfold_CV関数を用いるとクロスバリデー
ションを実行.
julia> # 10-foldクロスバリデーションの実行(特徴量の個数:4, 木の個
数:100, fold数:10, 訓練データの割合:70%)
julia> accuracy = nfoldCV_forest(Y, X, 10, 100, 10, 0.7)
DecisionTreeパッケージにはnfold_CV関数が
用意されていたため容易にクロスバリデーションを実行できた.
その他のアルゴリズムでも簡単にできないか?
4. MLBaseパッケージ
を用いた実行方法
MLBaseパッケージとは
• クロスバリデーション,ハイパーパラメータ
のグリッドサーチなどの処理の統一的なフレー
ムワークを提供.
MLBaseパッケージとは
• クロスバリデーション: cross_validate関数
• グリッドサーチ:gridtune関数
• 予測モデルを構築する関数,評価する関数を
定義する.
データの読み込み
• データの読み込みまでは同じ
using DataFrames
# データの読み込み
bank = readtable("data/bank-full.csv", separator=';')
# 説明変数・目的変数への分割
X = array(bank[:, 1:16])
Y = array(bank[:, 17])
予測モデル構築の関数の定義
• 関数内部で,予測モデル構築に用いる関数を
実行
using DecisionTree
using MLBase
srand(123)
# 予測モデルを構築する関数
function trainfun(inds)
# ランダムフォレストによる予測モデルの構築(特徴量の個数:10, 木の個数:500, 訓練に用いるデータ
の割合:70%)
model = build_forest(Y[inds, 1], X[inds, :], 4, 500, 0.7)
return model
end
予測モデルを評価する関数の定義
• テストデータの予測と実績を比較して,評価
指標を算出.
# 予測モデルを評価する関数
function evalfun(model, inds)
# 予測
pred = apply_forest(model, X[inds, :])
# 分割表
conf_mat = confusion_matrix(Y[inds, 1], pred).matrix
# Precisionの算出
prec = conf_mat[1, 1]/sum(conf_mat[:, 1])
return prec
end
クロスバリデーション
• cross_validate関数を用いて実行.
# サンプル数
const n = size(X, 1)
# クロスバリデーションの実行
scores = cross_validate(
inds -> trainfun(inds),
(model, inds) -> evalfun(model, setdiff(1:n, inds)),
n,
Kfold(n, 10))
予測モデルの構築
(訓練)
評価
ハイパーパラメータのグリッドサーチ
• gridtune関数を用いて実行.
using MLBase
srand(123)
# 予測モデルを構築する関数
function estfun(ntree, nfeature)
# 予測モデルの構築(訓練データの割合:70%)
model = build_forest(Y, X, nfeature, ntree, 0.7)
return model
end
# 予測精度を評価する関数
function evalfun(model)
# テストデータに対する予測
pred = apply_forest(model, X)
# 分割表
conf_mat = confusion_matrix(Y[:, 1], pred[:, 1]).matrix
# 評価指標(Precision)の算出
prec = conf_mat[2, 2]/sum(conf_mat[:, 2])
return prec
end
# グリッドサーチによるハイパーパラメータの評価(木の個数:{50, 100, 500}, 特徴量の個数:{5, 10, 15})
r = gridtune(estfun, evalfun,
("ntree", [50, 100, 500]),
("nfeature", [5, 10, 15]);
verbose=true)
gridtune関数に
より実行
ハイパーパラメータサーチ+クロスバリデーション
• モデルを評価する関数の中で,

クロスバリデーションを実行.srand(123)
# クロスバリデーションにより予測モデルを評価する関数
function estfun(ntree, nfeature)
# クロスバリデーションの実行
scores = cross_validate(
inds -> trainfun(inds),
(model, inds) -> evalfun(model, inds),
n,
kfold
)
# 評価指標(Precision)の算出
prec = conf_mat[2, 2]/sum(conf_mat[:, 2])
return prec
end
# グリッドサーチによるハイパーパラメータの評価(木の個数:{50, 100, 500}, 特徴量の個数:{5, 10, 15})
r = gridtune(estfun, evalfun,
("ntree", [50, 100, 500]),
("nfeature", [5, 10, 15]);
verbose=true)
モデルを評価関数の中で
cross_validate関数を
実行
5. まとめ
まとめ
• Juliaで機械学習を実行するパッケージは.

そこそこ ってきてはいる.
• MLBaseは,クロスバリデーションやハイパーパ
ラメータのグリッドサーチを統一的なフレームワー
クで実行.
• Rのcaret/mlrやPythonに比べると,細かい条件
や出力の指定ができないなど,まだまだ発展途上.
参考文献
• @chezou, Juliaを使った機械学習

http://www.slideshare.net/chezou/hajipata-julia
• @yutajuly, Juliaでスパム判定の機械学習分類器を作る

http://yutajuly.hatenablog.com/entry/2014/12/
17/033243
• @yutajuly, RとPythonとJuliaで機械学習レベル4を
目指す

https://speakerdeck.com/yutajuly/
rtopythontojuliateji-jie-xue-xi-reheru4womu-zhi-su

Contenu connexe

Tendances

Scalaのオブジェクトの話
Scalaのオブジェクトの話Scalaのオブジェクトの話
Scalaのオブジェクトの話Yasuyuki Maeda
 
[機械学習]文章のクラス分類
[機械学習]文章のクラス分類[機械学習]文章のクラス分類
[機械学習]文章のクラス分類Tetsuya Hasegawa
 
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理Shintaro Fukushima
 
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章Prunus 1350
 
C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020
C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020
C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020Fujio Kojima
 
メタプログラミング C#
メタプログラミング C#メタプログラミング C#
メタプログラミング C#Fujio Kojima
 
genuine-highlighter: マクロを認識するClojure向けのシンタックスハイライター
genuine-highlighter: マクロを認識するClojure向けのシンタックスハイライターgenuine-highlighter: マクロを認識するClojure向けのシンタックスハイライター
genuine-highlighter: マクロを認識するClojure向けのシンタックスハイライターsohta
 
Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類
Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類
Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類Hirotaka Ogawa
 
.NET MVP によるドキドキ・ライブコーディング! 小島の分
.NET MVP によるドキドキ・ライブコーディング! 小島の分.NET MVP によるドキドキ・ライブコーディング! 小島の分
.NET MVP によるドキドキ・ライブコーディング! 小島の分Fujio Kojima
 
葉物野菜を見極めたい!by Keras
葉物野菜を見極めたい!by Keras葉物野菜を見極めたい!by Keras
葉物野菜を見極めたい!by KerasYuji Kawakami
 
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」Nagi Teramo
 
C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~
C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~
C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~Fujio Kojima
 
多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討Yu Sato
 
15分でざっくり分かるScala入門
15分でざっくり分かるScala入門15分でざっくり分かるScala入門
15分でざっくり分かるScala入門SatoYu1ro
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価Shintaro Fukushima
 
Java puzzlers 2013 at JavaFesta Japan
Java puzzlers 2013 at JavaFesta JapanJava puzzlers 2013 at JavaFesta Japan
Java puzzlers 2013 at JavaFesta JapanYoshio Terada
 

Tendances (20)

Scalaのオブジェクトの話
Scalaのオブジェクトの話Scalaのオブジェクトの話
Scalaのオブジェクトの話
 
[機械学習]文章のクラス分類
[機械学習]文章のクラス分類[機械学習]文章のクラス分類
[機械学習]文章のクラス分類
 
Rの高速化
Rの高速化Rの高速化
Rの高速化
 
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理
 
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
 
R-hpc-1 TokyoR#11
R-hpc-1 TokyoR#11R-hpc-1 TokyoR#11
R-hpc-1 TokyoR#11
 
C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020
C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020
C# ドキドキ ライブ コーディング!! ~ 小島の分 ~ | BuriKaigi 2020
 
メタプログラミング C#
メタプログラミング C#メタプログラミング C#
メタプログラミング C#
 
genuine-highlighter: マクロを認識するClojure向けのシンタックスハイライター
genuine-highlighter: マクロを認識するClojure向けのシンタックスハイライターgenuine-highlighter: マクロを認識するClojure向けのシンタックスハイライター
genuine-highlighter: マクロを認識するClojure向けのシンタックスハイライター
 
Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類
Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類
Jubatus Casual Talks #2: 大量映像・画像のための異常値検知とクラス分類
 
.NET MVP によるドキドキ・ライブコーディング! 小島の分
.NET MVP によるドキドキ・ライブコーディング! 小島の分.NET MVP によるドキドキ・ライブコーディング! 小島の分
.NET MVP によるドキドキ・ライブコーディング! 小島の分
 
葉物野菜を見極めたい!by Keras
葉物野菜を見極めたい!by Keras葉物野菜を見極めたい!by Keras
葉物野菜を見極めたい!by Keras
 
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
 
C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~
C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~
C# 式木 (Expression Tree) ~ LINQをより深く理解するために ~
 
機械学習
機械学習機械学習
機械学習
 
多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討
 
15分でざっくり分かるScala入門
15分でざっくり分かるScala入門15分でざっくり分かるScala入門
15分でざっくり分かるScala入門
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
 
Java puzzlers 2013 at JavaFesta Japan
Java puzzlers 2013 at JavaFesta JapanJava puzzlers 2013 at JavaFesta Japan
Java puzzlers 2013 at JavaFesta Japan
 
R高速化
R高速化R高速化
R高速化
 

En vedette

Way of Experiment & Evaluation
Way of Experiment & EvaluationWay of Experiment & Evaluation
Way of Experiment & EvaluationTatsuya Coike
 
統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践id774
 
Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)
Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)
Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)Mariagiovanna Scarale
 
Digital Marketing by NetMedia8
Digital Marketing by NetMedia8Digital Marketing by NetMedia8
Digital Marketing by NetMedia8NetMedia 8
 
Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013
Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013
Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013ProductCamp Boston
 
Grafico diario del dax perfomance index para el 08 10-2013
Grafico diario del dax perfomance index para el 08 10-2013Grafico diario del dax perfomance index para el 08 10-2013
Grafico diario del dax perfomance index para el 08 10-2013Experiencia Trading
 
DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012
DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012
DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012Epic Research
 
"Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works...
"Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works..."Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works...
"Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works...Tommy Kjær Lassen
 
Universidad nacional del altiplano sistemas dig
Universidad nacional del altiplano sistemas digUniversidad nacional del altiplano sistemas dig
Universidad nacional del altiplano sistemas digJhoel Maydana Huanca
 
Better Presentations
Better Presentations Better Presentations
Better Presentations Dean Shareski
 
Wildnet Technologies
Wildnet TechnologiesWildnet Technologies
Wildnet TechnologiesPrateek Gupta
 

En vedette (15)

Way of Experiment & Evaluation
Way of Experiment & EvaluationWay of Experiment & Evaluation
Way of Experiment & Evaluation
 
統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践
 
Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)
Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)
Il software MARIE (Progettazione interfacce e valutazione dell'usabilità)
 
Digital Marketing by NetMedia8
Digital Marketing by NetMedia8Digital Marketing by NetMedia8
Digital Marketing by NetMedia8
 
OER development and re-use
OER development and re-useOER development and re-use
OER development and re-use
 
Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013
Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013
Building a InCredible Product Brand (Christina Inge) ProductCamp Boston May 2013
 
Grafico diario del dax perfomance index para el 08 10-2013
Grafico diario del dax perfomance index para el 08 10-2013Grafico diario del dax perfomance index para el 08 10-2013
Grafico diario del dax perfomance index para el 08 10-2013
 
DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012
DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012
DAILY AGRI REPORT BY EPIC RESEARCH- 3 NOVEMBER 2012
 
Presentación de Educar21 en el aula
Presentación de Educar21 en el aulaPresentación de Educar21 en el aula
Presentación de Educar21 en el aula
 
Latihan 2
Latihan 2Latihan 2
Latihan 2
 
"Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works...
"Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works..."Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works...
"Arbejde fremstilling og handling" Hannah Arendt's filosofi om arbejde. Works...
 
Universidad nacional del altiplano sistemas dig
Universidad nacional del altiplano sistemas digUniversidad nacional del altiplano sistemas dig
Universidad nacional del altiplano sistemas dig
 
Better Presentations
Better Presentations Better Presentations
Better Presentations
 
Wildnet Technologies
Wildnet TechnologiesWildnet Technologies
Wildnet Technologies
 
The hyper social organization
The hyper social organizationThe hyper social organization
The hyper social organization
 

Similaire à Juliaによる予測モデル構築・評価

Machine learning CI/CD with OSS
Machine learning CI/CD with OSSMachine learning CI/CD with OSS
Machine learning CI/CD with OSSyusuke shibui
 
推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine LearningMasayuki Ota
 
Generative Deep Learning #01
Generative Deep Learning #01Generative Deep Learning #01
Generative Deep Learning #01逸人 米田
 
Introduction to Continuous Test Runner MakeGood
Introduction to Continuous Test Runner MakeGoodIntroduction to Continuous Test Runner MakeGood
Introduction to Continuous Test Runner MakeGoodAtsuhiro Kubo
 
TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門tak9029
 
Azure Machine Learning getting started
Azure Machine Learning getting startedAzure Machine Learning getting started
Azure Machine Learning getting startedMasayuki Ota
 
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版Daiyu Hatakeyama
 
エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎Daiyu Hatakeyama
 
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編Etsuji Nakai
 
Getting Started with Testing using PHPUnit
Getting Started with Testing using PHPUnitGetting Started with Testing using PHPUnit
Getting Started with Testing using PHPUnitAtsuhiro Kubo
 
メタな感じのプログラミング(プロ生 + わんくま 071118)
メタな感じのプログラミング(プロ生 + わんくま 071118)メタな感じのプログラミング(プロ生 + わんくま 071118)
メタな感じのプログラミング(プロ生 + わんくま 071118)Tatsuya Ishikawa
 
機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編Daiyu Hatakeyama
 
日々の面倒をプログラミングで解決!【入門編】
日々の面倒をプログラミングで解決!【入門編】日々の面倒をプログラミングで解決!【入門編】
日々の面倒をプログラミングで解決!【入門編】Hiroshi Oyamada
 
datetime.datetime.now()をモックしたい.pdf
datetime.datetime.now()をモックしたい.pdfdatetime.datetime.now()をモックしたい.pdf
datetime.datetime.now()をモックしたい.pdfYutaNemoto1
 
はじめての人のためのDeep Learning
はじめての人のためのDeep Learningはじめての人のためのDeep Learning
はじめての人のためのDeep LearningTadaichiro Nakano
 
究極のバッチフレームワーク(予定)
究極のバッチフレームワーク(予定)究極のバッチフレームワーク(予定)
究極のバッチフレームワーク(予定)fumoto kazuhiro
 
Jubatusでマルウェア分類
Jubatusでマルウェア分類Jubatusでマルウェア分類
Jubatusでマルウェア分類Shuzo Kashihara
 
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~Yasutomo Kawanishi
 
機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -
機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -
機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -Michitaro Okano
 
エンタープライズ分野での実践AngularJS
エンタープライズ分野での実践AngularJSエンタープライズ分野での実践AngularJS
エンタープライズ分野での実践AngularJSAyumi Goto
 

Similaire à Juliaによる予測モデル構築・評価 (20)

Machine learning CI/CD with OSS
Machine learning CI/CD with OSSMachine learning CI/CD with OSS
Machine learning CI/CD with OSS
 
推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning
 
Generative Deep Learning #01
Generative Deep Learning #01Generative Deep Learning #01
Generative Deep Learning #01
 
Introduction to Continuous Test Runner MakeGood
Introduction to Continuous Test Runner MakeGoodIntroduction to Continuous Test Runner MakeGood
Introduction to Continuous Test Runner MakeGood
 
TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門
 
Azure Machine Learning getting started
Azure Machine Learning getting startedAzure Machine Learning getting started
Azure Machine Learning getting started
 
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版
 
エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎エンジニアのための機械学習の基礎
エンジニアのための機械学習の基礎
 
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
 
Getting Started with Testing using PHPUnit
Getting Started with Testing using PHPUnitGetting Started with Testing using PHPUnit
Getting Started with Testing using PHPUnit
 
メタな感じのプログラミング(プロ生 + わんくま 071118)
メタな感じのプログラミング(プロ生 + わんくま 071118)メタな感じのプログラミング(プロ生 + わんくま 071118)
メタな感じのプログラミング(プロ生 + わんくま 071118)
 
機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編
 
日々の面倒をプログラミングで解決!【入門編】
日々の面倒をプログラミングで解決!【入門編】日々の面倒をプログラミングで解決!【入門編】
日々の面倒をプログラミングで解決!【入門編】
 
datetime.datetime.now()をモックしたい.pdf
datetime.datetime.now()をモックしたい.pdfdatetime.datetime.now()をモックしたい.pdf
datetime.datetime.now()をモックしたい.pdf
 
はじめての人のためのDeep Learning
はじめての人のためのDeep Learningはじめての人のためのDeep Learning
はじめての人のためのDeep Learning
 
究極のバッチフレームワーク(予定)
究極のバッチフレームワーク(予定)究極のバッチフレームワーク(予定)
究極のバッチフレームワーク(予定)
 
Jubatusでマルウェア分類
Jubatusでマルウェア分類Jubatusでマルウェア分類
Jubatusでマルウェア分類
 
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
 
機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -
機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -
機械学習によるモデル自動生成の一考察 ー 決定表と決定木によるアプローチ -
 
エンタープライズ分野での実践AngularJS
エンタープライズ分野での実践AngularJSエンタープライズ分野での実践AngularJS
エンタープライズ分野での実践AngularJS
 

Plus de Shintaro Fukushima

20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdfShintaro Fukushima
 
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組みShintaro Fukushima
 
Materials Informatics and Python
Materials Informatics and PythonMaterials Informatics and Python
Materials Informatics and PythonShintaro Fukushima
 
Rユーザのためのspark入門
Rユーザのためのspark入門Rユーザのためのspark入門
Rユーザのためのspark入門Shintaro Fukushima
 
データサイエンスワールドからC++を眺めてみる
データサイエンスワールドからC++を眺めてみるデータサイエンスワールドからC++を眺めてみる
データサイエンスワールドからC++を眺めてみるShintaro Fukushima
 
data.tableパッケージで大規模データをサクッと処理する
data.tableパッケージで大規模データをサクッと処理するdata.tableパッケージで大規模データをサクッと処理する
data.tableパッケージで大規模データをサクッと処理するShintaro Fukushima
 
アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出Shintaro Fukushima
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類Shintaro Fukushima
 
Numpy scipyで独立成分分析
Numpy scipyで独立成分分析Numpy scipyで独立成分分析
Numpy scipyで独立成分分析Shintaro Fukushima
 
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)Shintaro Fukushima
 

Plus de Shintaro Fukushima (16)

20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf20230216_Python機械学習プログラミング.pdf
20230216_Python機械学習プログラミング.pdf
 
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
 
Materials Informatics and Python
Materials Informatics and PythonMaterials Informatics and Python
Materials Informatics and Python
 
BPstudy sklearn 20180925
BPstudy sklearn 20180925BPstudy sklearn 20180925
BPstudy sklearn 20180925
 
Rユーザのためのspark入門
Rユーザのためのspark入門Rユーザのためのspark入門
Rユーザのためのspark入門
 
データサイエンスワールドからC++を眺めてみる
データサイエンスワールドからC++を眺めてみるデータサイエンスワールドからC++を眺めてみる
データサイエンスワールドからC++を眺めてみる
 
data.tableパッケージで大規模データをサクッと処理する
data.tableパッケージで大規模データをサクッと処理するdata.tableパッケージで大規模データをサクッと処理する
data.tableパッケージで大規模データをサクッと処理する
 
アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出アクションマイニングを用いた最適なアクションの導出
アクションマイニングを用いた最適なアクションの導出
 
R3.0.0 is relased
R3.0.0 is relasedR3.0.0 is relased
R3.0.0 is relased
 
外れ値
外れ値外れ値
外れ値
 
Rでreproducible research
Rでreproducible researchRでreproducible research
Rでreproducible research
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類
 
Numpy scipyで独立成分分析
Numpy scipyで独立成分分析Numpy scipyで独立成分分析
Numpy scipyで独立成分分析
 
Rで学ぶロバスト推定
Rで学ぶロバスト推定Rで学ぶロバスト推定
Rで学ぶロバスト推定
 
Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)Rにおける大規模データ解析(第10回TokyoWebMining)
Rにおける大規模データ解析(第10回TokyoWebMining)
 
Tokyo.R(#07)
Tokyo.R(#07)Tokyo.R(#07)
Tokyo.R(#07)
 

Juliaによる予測モデル構築・評価