éžè² å€¤è¡Œåˆ—å› å分解(NMF)ã¨K-meansãŒç‰ä¾¡ã§ã‚る話 - QiitaNMF(Non-negative Matrix Factorization)ã¨K-meansãŒç‰ä¾¡ã§ã‚ã‚‹ã¨ã„ã†è©±ã‚’èžã„ãŸã®ã§å‚考論文を基ã«ãƒ¡ãƒ¢æ›¸ã程度ã«æ®‹ã—ã¦ãŠãã¾ã™ã€‚ ãªãŠã€æœ¬ç¨¿ã§ã¯ç°¡å˜ãªå¯¾ç§°NMFã«ã¤ã„ã¦ã—ã‹è¨˜è¿°ã—ãªã„ã®ã§ã€ãれ以上を求ã‚ã‚‹æ–¹ã¯å‚考論文を辿ã£ã¦ä¸‹ã•ã„。 #NMF(Non-negative Matrix Factorization) å„æˆåˆ†ãŒéžè² ã§ã‚るデータ行列$X=[\boldsymbol{x}_1 , ..., \boldsymbol{x}_n] \in \mathbb{R}^{p \times n}$ã§ã‚ã‚‹ã¨ã™ã‚‹(ç”»åƒã®å„ピクセル値ãŒãƒ‡ãƒ¼ã‚¿æ•°åˆ†ã®è¡Œåˆ—ã¨ãªã£ã¦ã„る状態)。NMFã§ã¯SVDã‚„PCAç‰ã¨ç•°ãªã‚Šã€ã“ã®è¡Œåˆ—ã‚’éžè² 行列ã§è¿‘ä¼¼ã™ã‚‹ã€‚è¦ã™ã‚‹ã«ä¸‹ã®ã‚ˆã†ã«ãªã‚‹ã€‚
AIãŒç«¶é¦¬äºˆæƒ³ã§å›žåŽçŽ‡180ï¼…çªç ´ã®å¿«æŒ™ï¼ 『電脳賞ã€å„ªå‹ã®ITエンジニアãŒèªžã‚‹æˆ¦ç•¥ãŒé®®ã‚„ã‹ã™ãŽã¦ç›®ã‹ã‚‰ã‚¦ãƒã‚³
Rã§ç•°å¸¸æ¤œçŸ¥(2): æ£è¦åˆ†å¸ƒã«å¾“ã†ãƒ‡ãƒ¼ã‚¿ã‹ã‚‰ã®ç•°å¸¸æ¤œçŸ¥ï¼ˆãƒ›ãƒ†ãƒªãƒ³ã‚°ç†è«–・MT法） - 渋谷駅å‰ã§åƒãデータサイエンティストã®ãƒ–ãƒã‚°
âï¸Rを使ã£ãŸãƒ¢ãƒ‡ãƒ«æ§‹ç¯‰ã®æœ€å–„ç–を求ã‚ã¦: {dplyr} + {tidyr} + {broom} + {purrr}を使ã£ãŸã‚¢ãƒ—ãƒãƒ¼ãƒ - cucumber flesh
競馬ã®äºˆæ¸¬ã‚’ガãƒã§ã‚„ã£ã¦ã¿ãŸ - stockedge.jpã®æŠ€è¡“メモ
データマイニング｜競馬ç†è«–｜競馬セオリー
ウマナリティクス～競馬×データサイエンス～
データマイニング予測ã®ä»•çµ„ã¿ï½œJRA-VANåºƒå ´ï½œç«¶é¦¬æƒ…å ±ãªã‚‰JRA-VAN
https://ide-research.net/papers/2009_DMSM_Ide.pdf
We’re using a common statistical test all wrong. Statisticians want to fix that.
データå¯è¦–化ãƒãƒ¼ãƒˆã‚·ãƒ¼ãƒˆ - Qiita
Workflow, Serialization &� Docker for Kaggle
ストリームデータ解æžã®ä¸–ç•Œ
RPubs - Practical Machine Learning Project with XGBoost
データサイエンスã®ãƒ¯ãƒ¼ã‚¯ãƒ•ãƒãƒ¼ ― データ分æžã‚’効率ã«è¡Œã†ãŸã‚ã« | POSTD
失敗ã‹ã‚‰å¦ã¶ï¿½ãƒ‡ãƒ¼ã‚¿åˆ†æžã‚°ãƒ«ãƒ¼ãƒ—ã®ï¿½ãƒãƒ¼ãƒ マãƒã‚¸ãƒ¡ãƒ³ãƒˆå¤‰é·
予測分æžã‚³ãƒ³ãƒšã®å…¥è³žè€…ãŸã¡ãŒä½¿ã£ãŸã®ã¯ã€ã‚¢ãƒ³ã‚µãƒ³ãƒ–ルå¦ç¿’ã¨ãƒ‡ã‚£ãƒ¼ãƒ—ラーニング - 日経BigData
Rã§ãƒ©ãƒ³ãƒ€ãƒ フォレストやるãªã‚‰Rboristã‹rangerã‹ - ç›†æ ½æ—¥è¨˜
Microsoft Word - Thesis_Ying_without_matrikelnummer.docx
Deep Learning ã®æ¬¡ã¯ã€TDA 「トãƒãƒã‚¸ã‚«ãƒ«ãƒ»ãƒ‡ãƒ¼ã‚¿ãƒ»ã‚¢ãƒŠãƒªã‚·ã‚¹ã€ (Topological data analysis) ãŒæ¥ã‚‹ ? ～ ãã®æ¦‚è¦ã¨ã€R言語 / Python言語 実装ライブラリ ã‚’ã¡ã‚‰ã£ã¨èª¿ã¹ã¦ã¿ãŸ - Qiita
{{#tags}}- {{label}}
{{/tags}}