はじめに 対象読者 数学以前 数学の基礎 ホモロジー代数 圏論 もっと手取り早く圏論の勉強を始めたい人へ おわりに 紹介した書籍 はじめに 私が圏論という分野を知るきっかけは、おそらくこの文章を読んでいるほとんどの人と同様に Haskell の勉強をしたことがきっかけでした。 Haskell のモナドなどを利用する上では圏論を理解する必要は全くないのですが、型システムや処理系に関して詳しく知りたくて論文を読むと圏論の言葉が普通に使われていて、理解できずに断念していました。 そこで、当時数人が集まってやっていた圏論勉強会に参加して圏論の勉強を始めました。当時読んでいた書籍は Conceptual Mathematics: A First Introduction to Categories でした。この本は圏論の初学者向けに書かれた本で、数学的な知識をほとんど仮定せずに理解できるように書かれ

はじめに 圏論が数学のみならず幅広い自然科学の分野で利用されるに従って、これから専門的に圏論を学習したいという人がますます増えてくると予想されます。 また Haskell 等の関数型言語を勉強する中で、圏論について専門的に勉強するまではいかないけどどのような学問なのか知っておきたい、という人もいるでしょう。 以前は圏論について知ろうと思うと初見殺しとして有名な 圏論の基礎 や英語の専門書しか利用できなかったのですが、最近では圏論について日本語で読める書籍が揃ってきました。 また、教科書的なものに限らず読み物的な書籍も幾つか出版されています。 現状でも圏論について書かれた書籍はたくさんあると思います。また、ネット上にもたくさんの圏論に関する解説ブログや資料があります。それらを全て読んで紹介することは不可能なので、ここでは以下のような基準 (必ずしも厳密ではない) を設けた上で、私の独断で入門

LINE株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。 LINEヤフー Tech Blog saegusa2017-04-16Yoshihiro was a network engineer at LINE, responsible for all levels of LINE's infrastructure. Since being named Infra Platform Department manager, he is finding ways to apply LINE's technology and business goals to the platform. こんにちは。LINEでネットワークやデータセンターを担当している三枝です。2017年1月にJANOG39で登壇する機会を頂きましたので、今回

"aka motsu-nabe" by chatani 概要 冬の寒さも一段と厳しくなってまいりました。おでんや鍋が恋しくなる季節です。 さて、最近ようやっと一仕事が終わりまして、長ったらしい記事が書けるようになりました。ですので、今回は2011年にTPAMIで発表された、近似最近傍探索についての論文『Product quantization for nearest neighbor search』について簡単に紹介したいと思います。 この論文は2011年に発表された、最近傍探索アルゴリズムの決定打です。シンプルな理論でありながら既存手法を打ち破るほどの強力な性能を有し、速度も非常に高速、かつ省メモリなのでスマートフォンに載せ、リアルタイムで動作させることも可能です。 以前この手法はCV勉強会@関東で紹介されたらしいのですが、具体的に紹介しているページは(最近すぎるので当たり前ですが)現在

7. - Background1: Neural Network - Background2: Recurrent Neural Network - Background3: Encoder-Decoder approach (aka. sequence to sequence approach) - Attention mechanism and its variants - Global attention - Local attention - Pointer networks - Attention for image (image caption generation) - Attention techniques - NN with Memory Agenda

グロース分野においてユーザがそのサービスを平均でどのくらいの期間使ってくれるか？という数値は重要な値です。 例えば、広告の費用対効果を見るためにも計算するLTV(Life Time Value)。 LTVはユーザを1人獲得することで平均でどのくらいの売上に繋がるかという値ですので、平均継続期間×ARPUという算出方法になります。 ここで、ARPU(Average Ravenue Per User)のほうの計算は簡単です。 1ユーザあたりの売上を表す数字ですので一定期間の売上/ユーザ数、以上です。 しかし、ユーザの平均継続期間はどのように計算するべきでしょうか？ 離脱したユーザのデータを基に算出しようとしても、それはあくまでも「離脱したユーザ」の平均値となり全体の平均とは異なる明らかに誤ったサンプルから得られた結果となってしまいます。 そしてもちろん、多くのユーザはまだそのサービスを使ってい

列挙順自体はとくに意味ありません。あと「どの最適化がどのくらい速くなるのか？」を詳細に計ったことはないですし、「原理的にこうなってるから(ry」というのを説明するに過ぎません。中には「JITで無意味になるようなどうでもいい細かすぎること」も書いてありますし、最適化のトレードオフとして失うものもあるので、そのあたり自己責任でお願いします。本当に最適化が必要とされる場合は、以下のものを無闇に実行するよりまず計測したほうがいいのは、言うまでもありません。*1 1. private[this]をつかえ scalaのvalやvarは、private[this]にしたときのみ、直接のフィールドアクセスになります(それ以外ではメソッド呼び出し)。シングルトンのobjectの場合も同様です。private[this]をつけられる場合はできるだけつけましょう 2. なんでもかんでもListをつかうな 最初の

We’ve written about using GNU Screen to multitask in the Linux terminal in the past. GNU Screen is the granddaddy of these programs, but tmux and dvtm+dtach are other solutions you may prefer. Tmux is an improved rewrite of GNU Screen. Dvtm is a console multiplexer inspired by tiling window managers, and dtach adds the ability to detach from and reattach to dvtm sessions. Tmux As a rewrite of GNU

2016 - 10 - 09 Ubuntu 16.04でTensorFlow(GPU版)の環境構築 TensorFlow UbuntuでTensorFlowのGPU版を使うためのセットアップ手順まとめ。 基本的には Ubuntu 16.04 で GPU 対応版 TensorFlow をanaconda 環境でインストールした話 の内容を自分用にまとめただけなので、詳しい話とかなぜそのコマンドを叩くのかが知りたい人はそちらを見てください。 構築した環境は以下の通り OS: Ubuntu 16.04(Japanese Teamの日本語Remixイメージを使用) GPU: NVIDIA GTX1060 NVIDIAドライバ: 367.44 Python: 3.5.2 TensorFlow: r0.11 CUDA: 7.5 cuDNN: 5.1 執筆時点でCUDAの最新は8.0だったけどTens

低確率で発生する事象は、その稀にしか発生しないという性質上、それの発生確率を正確に知ろうとすると非常に多くの試行回数が必要です。低確率で発生しつつ、かつ、その発生確率を正確に知ることが重要なものとして、例えば、オンライン広告のクリック率（CTR）やコンバージョン率（CVR）などがあり、発生確率の正確な推定が重要な事が稀に良くあります。 例えば、事象の発生確率のときに回試行したときの平均を以下に示します。5回実行して試行回数が少ないとばらつきが大きい（平均値があてにならない）ことがよくわかると思います。また、1000回ほど試行しても収束しきってないことがわかります。 では、一体どのぐらいの試行回数の時にどのぐらいの信頼性で真の事象発生確率を推定できるのでしょうか？ （どのぐらいのであれば上図の各実行のばらつきが小さくなり、安心して評価できる事象発生確率の推定値になるのでしょうか？） 簡単に計

こんにちは。開発・運用推進部の小出です。 猫にイヤホンを噛み切られること数回、最近のBGMはもっぱら環境音です。 「耳からうどんが出ているようにしか見えない」という噂のBluetoothイヤホンが気になっています。 今回は、Amazon Kinesis AnalyticsとElasticsearch/Kibana4を利用したリアルタイムダッシュボード構築についてです。 Amazon Kinesis Analytics とは ダッシュボードを構築してみる Source StreamとMapping Query Destination ログデータを拡充する Reference DataとMapping Query Destination まとめ おまけ：AmazonES&Kibana4のダッシュボード共有 Amazon Kinesis Analytics とは Amazon Kinesis A

こんにちは！ @tereka114です。 最近、データの中から特異点や異常な箇所を発見したいニーズが高まっています。 そんななか、先日、Elastic社が行動分析技術の大手プロバイダPrelertを買収したとのニュースがありました。 ちなみにPrelert社とは異常検知を自動化するため、データの知識が不要なアプリケーションをエンドユーザーに提供していた企業です。 Prelertのサイトを確認すると、Elasticsearchに入れたデータに対して異常検知することができそうです。 これは面白そう！　ということで、Prelertを使って異常検知を行ってみました。 今回は、次の流れで説明していきます。 Prelertとは Prelertのインストール 公式サイトからのダウンロード インストール 起動確認 実際に異常検知をやってみる。 データ投入 マッピング定義 Logstashを使ったデータ投入

2. 2 Shota Yasui (29) twitter: @housecat442 Work at CyberAgent AILab as Data Analyst 2013/10 - present サーモンの経済学（修士） ↓ 広告代理店 ↓ DMP ↓ DSP ↓ SSP 良くTokyo.Rに出没してます。 3. おことわり ● 今日の発表内容はWork in Progressな話が多いです。 ● 具体的な分析手法に関しては数年後にはすでに時代遅れの発想になっている可 能性もありますのでご承知下さい。 ● 内容は基本的に発表者の理解を元に作られていますので、間違いや抜け漏れが ある場合があります。 ● ですので興味を持った方はこの内容が全てと思わずに、色々と調べていただけた らと思います。 3 4. 発表の流れ 1. 計量経済学の話 a. どういう分野か？ b. Treatmen