私達は，機械学習の基礎理論の構築と実用的なアルゴリズムの開発， 及び，機械学習技術の実問題への応用研究を行っています． 学習の種類 教師付き学習 教師なし学習 半教師付き学習 強化学習 機械学習の理論とアルゴリズム モデル選択 不偏モデル選択規準 正則化モデル選択規準 能動学習 単一のモデルに対する能動学習 複数のモデルに対する能動学習 追加学習 次元削減 教師付き次元削減 半教師付き次元削減 教師無し次元削減 類似度データからの学習 類似度行列の設計 複数の類似度行列からの学習 非半正定値類似度行列からの学習 異なる分布下での学習 共変量シフト適応 ドメイン適応 マルチタスク学習 はずれ値検出 重要度推定 機械学習の応用 降水量予測 画像復元 ブレインコンピュータインターフェース 微細表面形状測定 ロボット制御 学習の種類 教師付き学習 教師付き学習は，入力（質問）と出力（答え）の組から
先日のエントリにて、kd木を紹介しました。前回はアルゴリズム Cに倣って、要素の追加のみでkd木を構築してみました。 繰り返しになりますが、一般的に要素の追加のみでkd木を構築するとバランスの悪い木となることが知られています。先日のエントリで作成したkd木を可視化したものは以下のようなものでした。 同じく、木構造として可視化したものは以下のようなものでした。 さて、では何故均衡の取れない木が構築されてしまうのでしょう? 座標群の初めの点、1番の点を挿入した直後の状態を可視してみましょう。 この可視と先ほどの木構造としての可視を比較すると不均衡な木が構築される理由がより明らかとなります。木構造の可視にて1番の左側にぶら下がっている2番以下の座標群は、この可視では1番によって空間分割された領域の下側、つまり、y座標値がより小さい側に分布しています。 同様に、木構造にて1番の右側にぶら下がってい
最近棒探索について調べた 今作っている Ajax システムの中に 1000個オーダーの頂点を、マウスで選択できる仕組みを入れたくて 複数の点の中からマウスに一番近い点を探すアルゴリズムを調べていた なかなかうまい方法が見つからない。。。 でも、点の集合から最近点を見つけるなんて、よくありそうだしなぁ。。 絶対に何かジャンルがあるはずに違いない。。。 そう思い、はてなの人力検索 http://q.hatena.ne.jp/1239891135 本当に、たくさんの回答・アドバイスをいただきました！！ ブクマコメより paella 勉強, アルゴリズム 良い質問に良い回答（コメント欄も）。あとはこれが学校の宿題でないことを祈るのみ。 2009/04/19 学生ではないので、ご安心くださいｗ dan kogai さんにも取り上げていただいた！ http://blog.livedoor.jp/dan
「連載: Haskellプログラミング」のプログラム $Date: 2006/06/09 15:06:12 $ 記事は情報処理学会のページ http://www.ipsj.or.jp/magazine/promenade.html で見ることができます.
今回はzshの誇る機能の花形とも言える補完機能について紹介しよう。zshの補完は強大で、例示した設定の意味を略さず書こうとするとそれだけで本になってしまう（約150ページ分）ので、細かい意味は読者の推測にまかせて、少し変えて便利にカスタマイズする場合のヒントを交えながら解説を進めたい。 補完の有効化 初期化ファイル、あるいはコマンドラインで、以下を入力することでzshのすぐれた補完機能が有効化される。 autoload -U compinit && compinit 補完に関するキー割り当てはいくつもあるが、最低限うまく利用するために以下の2つのキーバインドをまず覚えておけばよいだろう。 Tab (C-i) - expand-or-complete 補完の実行。 ESC C-d (または行末のみ C-d) - list-choices (delete-char-or-list) マッチする
LU分解 (LU decomposition) 数学的定義 n×n 行列を考える． 行列積 C = A B ： (行列 C の i 行 j 列目の要素を c_ij と書けば) n c_ij = \xAD\xF4 a_ik b_kj k=1 行列・ベクトル積 b = A x ： (ベクトル bの i 行目の要素を b_i と書けば) n b_i = \xAD\xF4 a_ik x_k k=1 連立一次方程式の解： 与えられた行列 A と ベクトル b に対して、 A x = b を満たす ベクトル x を求める。 LU分解 とは 行列 A を、下三角行列 L、上三角行列 U を 用いて A = LU と分解すること。 ただし、 L については l_ij = 0 (1 ≦ i ＜ j ≦ n)， Uについては u_ij = 0 (1 ≦ j ＜ i ≦ n)である。 LU 分解を用いた連立一次
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く