AWSコストをいますぐ最適化しませんか？ キャッシュフロー、ユニットエコノミクス、改善しませんか？ この記事では、とにかくいますぐなんとかしたい方向けの方法を金額面で大きい傾向にあるサービスごとに26個紹介します。 以下各見出し内の💰はコスト削減度、⚡はおまけでパフォーマンス改善度を指します。 (1) 💰💰💰 CloudWatch Logs: とにかくログを出さないこと、まとめること AWS料金のうち、CloudWatch Logsが上位を占める傾向にあります。保存期間が無期限だから費用がかかる...と見せかけて、実際はログ出力自体の料金が大半です。 レガシーWebアプリケーションのログは1リクエストにつき何回も何行も出力する傾向があります。フレームワーク特有の不要なログも付いてきます。勝手に出力されるログは放置せず整理して、リクエスト単位でイベントとしてまとめましょう。 参考記事

カリフォルニア大学サンディエゴ校（UCSD）の研究チームは、高効率、高速なニューラルネットワークによる学習を実現するため、消費電力を最大で1000分1に減らせる新たなハードウェアとアルゴリズムを開発した。将来的には、スマートフォンや組み込み機器など低消費電力デバイスでのニューラルネットワーキングの実現を狙う。研究成果は、2018年12月14日発行の『Nature Communications』誌に掲載されている。 一般的に、ニューラルネットワークが物体の認識や自動運転などの高度なタスクを処理できるように学習させるには多くの電力と時間が必要だ。そのトレーニングには数百から数千のプロセッサというコンピューターネットワークを使っても数週間から数カ月かかり、その大半はメモリとプロセッサの間でデータのやり取りに消費されている。この問題を解決するため、UCSDのDuygu Kuzum教授率いる研究チー

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

Product Product Our AI applications and platform integrate into core business processes so teams can develop, deliver, and govern AI at scale. Enterprise AI Suite AI Apps AI Platform Enterprise AI Suite Generative AI Predictive AI AI Governance AI Observability AI Foundation Learn More Integrations Services Solutions Solutions Our AI solutions are designed to drive innovation and impact across eve

「ドームですよ、ドーム」と言えば「闘強導夢」ですね（挨拶）。 IT業界だけでなく様々な業種業界で需要の高まる「データサイエンティスト」ですが、優秀な人材は東京ドームでコンサートが出来るアイドル並に希少です。 ココらへんは地下アイドルと同じく「名乗ったもの勝ち」な側面もあり、全く役に立たない"自称"データサイエンティストも存在します。 では「優秀なデータサイエンティストをどう確保するか」という課題に向き合う事ことが、今回の趣旨となります。 ここでデータサイエンティスト不足に悩む、弊社の状況をまとめてみました。 ・都内のAIベンチャー ・設立数年なので知名度はまだ低い ・今年になって取引先や案件が増えてきた ・社員数は20人いない程度でエンジニア中心 ・可能であれば他社で実績や経験のある即戦力を採用したい ・社内データサイエンティストのOJTによる育成も検討 ・給料はそんなに高くない ・毎日K

lucene-lda allows users to build indexes and perform queries using latent Dirichlet allocation (LDA), an advanced topic model, within the Lucene framework. lucene-lda was originally developed as part of a research project that compared the performance of the Vector Space Model (VSM), which is Lucene's default IR model, with the performance of LDA. The context was bug localization, where the goal i

Following are four common methods of hyperparameter optimization for machine learning in order of increasing efficiency: ManualGrid searchRandom searchBayesian model-based optimization(There are also other methods such as evolutionary and gradient-based.) I was pretty proud that I’d recently moved up the ladder from manual to random search until I found this image deep in a paper by Bergstra et al

GitHub上でプルリクをマージした後に、まだマージできる状態では無かったと気付きrevertする事ってありませんか？ その後に問題になるのが、revertしたのはいいけど、引き続きそのrevertされたブランチで作業してまたプルリクを発行したい。という状況です。 この時に何も考えずに普通に作業を続行してプルリクを発行した場合、revertされた分の変更が失われてしまいます。 結構でかい事故に繋がる場合があるので、この時の対処方法を書きたいと思います。 前提 以下の操作を行っている。 プルリクを発行 プルリクをマージ マージ済のコミットのrevertプルリクを発行 revertプルリクをマージ ここまでの操作はGitHub上ですんなり行える。 再度revertされたブランチのプルリクを発行してみる 普通の感覚だと、また差分が復活していると思うのでプルリクが発行できそうな気分になると思います

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

【改訂新版】Gitポケットリファレンス 作者: 岡本隆史,武田健太郎,相良幸範出版社/メーカー: 技術評論社発売日: 2016/12/01メディア: 単行本（ソフトカバー）この商品を含むブログを見る ［改訂第3版］Linuxコマンドポケットリファレンス 作者: 沓名亮典出版社/メーカー: 技術評論社発売日: 2015/06/05メディア: 単行本（ソフトカバー）この商品を含むブログ (2件) を見る git checkout の後にタブ補完でブランチ名を入力したりしたかったので、やり方を調べた。 git-completion.bash の準備 Bash 起動時に git-completion.bash を読み込むようにする エイリアスでも動作するようにする 参考 git-completion.bash の準備 Git では git-completion.bash というタブ補完用のスクリプ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

rbenv といえば 複数バージョンの Ruby を切り替えて使うための環境を提供してくれる便利なツールとして欠かすことのできないものですが、機会があってそれがどうやって動いているか調べたので、ここに書いておきます。また ruby-build は ruby をインストールするためによく使われている（というか使ってない人いないのでは）rbenv のプラグインです。rbenv install というコマンドは ruby-build が提供しています。これについても一緒に書きます。 はじめに断っておきますが、間違ったことを書いているかもしれないのでその辺はご了承ください。また、将来 rbenv の変更によって変わってしまう部分もあるかもしれません。 また rbenv のドキュメントはとても充実しているので、それを読めばここに書いてあることはだいたいわかると思います。 もくじ rbenv のインス

勾配ブースティングに特有の問題という訳ではないですが、それはマルチクラス分類をone-vs-allで解いていることに留意しましょうというのが今回の記事です。 2017/04/02追記 LightGBMではマルチクラス分類の際にsoftmaxとone-vs-allのどちらで解くか選択できるようです。 また、XGBoostではsoftmaxのみがサポートされています。 この記事では、マルチクラス分類のためにクラス数と同じ分類器を使っていることを指してone-vs-allとしてしまっています。ご注意ください。 マルチクラス分類について ここではマルチクラス分類の問題を対象に、アンサンブル学習として代表的なランダムフォレストと勾配ブースティングとを比較します。 ランダムフォレスト ランダムフォレストによるマルチクラス分類では学習器に分類木を用いています。 scikit-learnではDecisio