上記の記事が分かりやすかったので訳してみます。翻訳に問題がある場合はコメントにてご指摘お願いいたします。 質問 擬多項式時間とは何でしょうか。多項式時間とは何が違うのでしょうか。 擬多項式時間アルゴリズムとして、例えば 0-1 ナップザック問題を O(nW) で解くアルゴリズムや、 O(\sqrt{n}) で素数判定を行う試し割り法 などがありますが、 これらはなぜ多項式時間とみなされないのでしょうか。 回答 多項式時間と擬多項式時間の違いを理解するために、まず「多項式時間」とは何を意味するのかをきちんと形式的に把握する必要があります。 直感的には、多項式時間とは、ある k に対して時間計算量が O(n^k) と書けることですね。 例えば 選択ソートは O(n^2) の多項式時間アルゴリズムです。一方、巡回セールスマン問題 をしらみつぶしに解く方法は O(n \cdot n!) かかり、多

Twelve-Factor Appって何？ Herokuの中の人が提唱した、モダンなWebアプリケーションとしてあるべき姿を12のベストプラクティスにまとめた方法論です。 モダンなWebアプリケーションは、クラウド上で動くWebアプリ、と読み替えていただいて良いかと思います。 因みに提唱されたのが2012年と少々古い一面もありますが、現在(2018/10)でも通用する項目もありますので、 ここで改めてまとめようと思います。 どうしてまとめる必要が？ The Twelve-Factor App（日本語訳） こちらをご覧いただくと分かるかと思いますが、非常に分かりにくいです。 特定のプログラミング言語に依存しないように抽象的な書き方をされている 方法論が書かれているのみであり、なぜその方法を採用すべきなのかが書かれていない 記載内容が適切にまとめられておらず、順序もバラバラで捉えにくい 原文が

最短経路問題で使われるアルゴリズムの１つ。負の閉路がない限り、負の辺があっても使える。グラフ上の全ての頂点間の最短経路を探すので、計算量は$O(V^3)$となる。 ワーシャルフロイド法はその名前から難しそうな印象があって避けていた。しかし、最近競プロの精進中に実装する機会がチラホラあり、実装してみると思ったよりも簡単だったのでびっくりした。ワーシャルフロイド法が必要となった方は簡単な実装なので恐れず調べてみてほしい。 今回すること ワーシャルフロイド法は実装が簡単だが、その裏でどんな振る舞いをしているのかイマイチ掴めなかった。簡単に最短経路を求められるといっても、裏の仕組みを知らずに使うのは自分としてはどうも気持ちが悪い。今回はいろいろ手を動かしてみながら、仕組みの理解を試みる。 C++によるコード まずはワーシャルフロイド法のコードを見てみる。 void warshall_floyd(i

ダイクストラ法の動作のアニメーション ダイクストラ法（だいくすとらほう、英: Dijkstra's algorithm）はグラフ理論における辺の重みが非負数の場合の単一始点最短経路問題を解くための最良優先探索によるアルゴリズムである。 ダイクストラ法は、1959年エドガー・ダイクストラによって考案された。 応用範囲は広くOSPFなどのインターネットルーティングプロトコルや、カーナビの経路探索や鉄道の経路案内においても利用されている。 ほかのアルゴリズムとして、 最短経路長の推定値を事前に知っているときは、ダイクストラ法の改良版であるA*アルゴリズムを用いて、より効率的に最短経路を求めることができる。 辺の重みが全て同一の非負数の場合は幅優先探索がより速く、線形時間で最短路を計算可能である。 無向グラフで辺の重みが正整数の場合は、Thorupのアルゴリズム[1]によって線形時間での計算が可能

わかる人には当たり前で、わからない人には多分わからない駄文だが、将来の自分には有用と判断して公開 参考文献 シンプレックス法でも勉強しようとググっていくつかのページを見たけど、東工大の水野研が公開しているPDFのテキストが一番わかりやすかった 1. 標準形への変形 二次関数のグラフを描画したいときには平方完成するように、線形計画法では解きたい課題を 標準形 に変形することが第一歩。標準形はざっくり以下の形: 登場する変数が 全て非負 目的関数の 最小化 がミッション その他の制約は全て 等式制約 (不等式制約はない) 一般の線形計画問題を標準形になんとか変形する必要がある。そのためのテクニックは以下: テク: 非負制約の導入 x に非負制約がない場合、u, v という非負変数を用いて x = u - v として x を消去 変数を 1 へらして 2 増やすので見た目にはちょっと複雑になった

出版バイアス（publication bias）とは、否定的な結果が出た研究は、肯定的な結果が出た研究に比べて公表されにくいというバイアス（偏り）である[1]。公表バイアスとも言う。単純には、否定的な結果に関する情報が公にならない[2]。根拠に基づく医療（EBM）における科学的根拠が強い根拠とは、個々のランダム化比較試験のデータを結合してメタアナリシスすること[3]、つまりバイアスのないデータのバイアスのない分析結果である[4]。出版バイアスにより、分析結果が異なってくることが問題であり[2]、医学界などの正当性を大きく脅かすものとなり、学術界は出版バイアスの排除に努めるべきである[5]。 治療法の有効性と安全性の誤認は、誤った医療の教育と実践につながり、多くの人々の健康に影響を及ぼす可能性がある[6]。 2004年の抗うつ薬パキシルに関するデータの隠蔽の裁判は、2005年8月世界保健機関

AI & MLLearn about artificial intelligence and machine learning across the GitHub ecosystem and the wider industry. Generative AILearn how to build with generative AI. GitHub CopilotChange how you work with GitHub Copilot. LLMsEverything developers need to know about LLMs. Machine learningMachine learning tips, tricks, and best practices. How AI code generation worksExplore the capabilities and be

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

Recommenders objective is to assist researchers, developers and enthusiasts in prototyping, experimenting with and bringing to production a range of classic and state-of-the-art recommendation systems. Recommenders is a project under the Linux Foundation of AI and Data. This repository contains examples and best practices for building recommendation systems, provided as Jupyter notebooks. The exam

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

Vtuberをキャバクラだのホストだの言ってるみなさん、イチナナ（17LIVE）って知ってますか～？ 顔出しが多いけど、Vtuberにも力を入れてる配信アプリなのでVtuberファンでもご存じのかたは多いと思います。 スマホアプリ主体のプラットフォームなのでなかなか中身がわからないんですけれど、 今日はこのイチナナの課金体系についてご説明したいと思います！ YouTubeのスーパーチャットとの違いについて、みんなで考えてみましょう！ ギフトイチナナに限らず、ミラティブやツイキャス、ニコ生でもある配信アプリではおなじみの機能です！ ギフトの種類によって画面上に華やかな演出が表示されたりして見た目にも盛り上がりますよね。 YouTubeのスーパーチャットに一番近いと思いますが、スパチャはチャット欄に残るだけで配信画面には何も出ません。 Streamlabなどの機能で画面に出すことはできますが、