機械学習・アルゴリズム関連まとめ
15519 ワード
損失関数・不均衡
- 不均衡データにおけるsampling
- ランク学習のListNetをChainerで実装してみた
- 不均衡データへの決定打となるか！？「Affinity loss」の論文を読む、実装する
- 不均衡データを損失関数で攻略してみる
- 解説編：オーバーサンプリング手法解説 (SMOTE, ADASYN, Borderline-SMOTE, Safe-level SMOTE)
- LightGBMでランキング学習
- 半教師あり学習のこれまでとこれから
- Struggling with data imbalance? Semi-supervised & Self-supervised learning help!
深層学習
- 転移学習：機械学習の次のフロンティアへの招待
- ディープラーニングの判断根拠を理解する手法
- DNC (Differentiable Neural Computers) の概要 + Chainer による実装
距離学習
- 深層距離学習(Deep Metric Learning)各手法の定量評価 (MNIST/CIFAR10・異常検知)
- 【まとめ】ディープラーニングを使った異常検知
- モダンな深層距離学習 (deep metric learning) 手法: SphereFace, CosFace, ArcFace
- 同じか否かを判定するための距離学習（Metric Learning）
- Deep Metric Learning の定番⁈ Triplet Lossを徹底解説
- Softmax関数をベースにした Deep Metric Learning が上手くいく理由
- 【異常検知】異常原因を特定する
- Softmax関数をベースにした Deep Metric Learning が上手くいく理由
深層生成モデル
グラフNN
ユニット
実験
画像
次元削減
- PCAとSVDの関連について
- 辞書学習アルゴリズム
- pythonでNMF(非負値行列因子分解)を実装する
- 異空間への埋め込み！Poincare Embeddingsが拓く表現学習の新展開
- Parametric t-SNEの理論とKerasによる実装
- t-SNEによるイケてる次元圧縮&可視化
- Factorization Machinesについて調べてみた
クラスタリング
強化学習
ライブラリ
pytorch
- メモ: PyTorch TensorDataset、DataLoader について
- PyTorchのSchedulerまとめ
- うわっ… 私のPytorch、メモリ食いすぎ…？ 1行毎に使用GPUメモリを監視できるツールを紹介
- PyTorch transforms/Dataset/DataLoaderの基本動作を確認する
- pytorchでindexのリストを指定してtensorの要素を取得
Deep Learning環境構築
- Ubuntu 18.04へのCUDAインストール方法
- NVIDIA GPU が使える Docker イメージの作り方
- DockerでDeep Learningなどの環境をドカドカ構築
- 【秒速で無料GPUを使う】深層学習実践Tips on Colaboratory
- これでもう悩まない！機械学習のためのフォルダ構成テンプレートを使おう。
- Google Cloud TPUを使用して気づいたことなど（2018/12）
- 趣味でディープラーニングするための GPU 環境を安上がりに作る方法
- nvidia-docker でポータブルな機械学習の作業環境を作る
chainer
- 情報メインじゃない研究室で機械学習をすることになった人のための環境構築入門 ChainerMN 編
- Chainer/ChainerMNのCPUリソース不足による速度低下と解決法
- Chainer/ChainerMNのおすすめなプロファイルの取り方＆プロファイルの見方の注意点
数理
- プリキュアで学ぶ劣モジュラ関数
- よくわかる測度論とルベーグ積分。
- ニューラルネットワーク、多様体、トポロジー
- 劣微分・劣勾配と共役関数の可視化
- 測度論の「お気持ち」を最短で理解する
- Wasserstein GAN と Kantorovich-Rubinstein 双対性
- ソリトン〜計算機から生まれた数理物理学〜
- Lassoの理論と実装 -スパースな解の推定アルゴリズム-
- XGBoostのお気持ちを一部理解する
- FFT（高速フーリエ変換）を完全に理解する話
- [高速フーリエ変換の実装を難しそうかなと思っている方が、なんだ簡単じゃないですか！！ となるための実装講座です(https://qiita.com/ngtkana/items/a41344ad3304d2315c46)
統計基礎
- ポアソン分布を和で条件付けすると二項分布となる
- 【統計学】ROC曲線とは何か、アニメーションで理解する。
- ビジネスで使えるPythonを使った統計的データ分析手法まとめ
- 「効果検証入門」をPythonで書いた
ベイズ推定
最適化
離散
- 組合せ最適化を使おう
- 動的計画法超入門！ Educational DP Contest の A ～ E 問題の解説と類題集
- [【図解】線形時間の文字列アルゴリズム「Z algorithm」をイラストとアニメーションでかみ砕く]https://qiita.com/Pro_ktmr/items/16904c9570aa0953bf05
連続
教材
- 画像処理100本ノックを作ったった
- カルマンフィルタを避けてきた社会人プログラマが自動運転の勉強を始める際の最短経路
- PRMLのアルゴリズムをPython(ほぼNumpyだけ)で実装
- 機械学習モデルの実装における、テストについて
- データサイエンティストに興味があるならまずこの辺りを見ておきな、って文献・動画のまとめ（随時追加）
- 機械学習はじめの一歩に役立つ記事のまとめ
- Kaggle事始め
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【初級編：競プロを始めよう
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【中級編：目指せ水色コーダー！】
その他
- 転移学習：機械学習の次のフロンティアへの招待
- ディープラーニングの判断根拠を理解する手法
- DNC (Differentiable Neural Computers) の概要 + Chainer による実装
距離学習
- 深層距離学習(Deep Metric Learning)各手法の定量評価 (MNIST/CIFAR10・異常検知)
- 【まとめ】ディープラーニングを使った異常検知
- モダンな深層距離学習 (deep metric learning) 手法: SphereFace, CosFace, ArcFace
- 同じか否かを判定するための距離学習（Metric Learning）
- Deep Metric Learning の定番⁈ Triplet Lossを徹底解説
- Softmax関数をベースにした Deep Metric Learning が上手くいく理由
- 【異常検知】異常原因を特定する
- Softmax関数をベースにした Deep Metric Learning が上手くいく理由
深層生成モデル
グラフNN
ユニット
実験
画像
次元削減
- PCAとSVDの関連について
- 辞書学習アルゴリズム
- pythonでNMF(非負値行列因子分解)を実装する
- 異空間への埋め込み！Poincare Embeddingsが拓く表現学習の新展開
- Parametric t-SNEの理論とKerasによる実装
- t-SNEによるイケてる次元圧縮&可視化
- Factorization Machinesについて調べてみた
クラスタリング
強化学習
ライブラリ
pytorch
- メモ: PyTorch TensorDataset、DataLoader について
- PyTorchのSchedulerまとめ
- うわっ… 私のPytorch、メモリ食いすぎ…？ 1行毎に使用GPUメモリを監視できるツールを紹介
- PyTorch transforms/Dataset/DataLoaderの基本動作を確認する
- pytorchでindexのリストを指定してtensorの要素を取得
Deep Learning環境構築
- Ubuntu 18.04へのCUDAインストール方法
- NVIDIA GPU が使える Docker イメージの作り方
- DockerでDeep Learningなどの環境をドカドカ構築
- 【秒速で無料GPUを使う】深層学習実践Tips on Colaboratory
- これでもう悩まない！機械学習のためのフォルダ構成テンプレートを使おう。
- Google Cloud TPUを使用して気づいたことなど（2018/12）
- 趣味でディープラーニングするための GPU 環境を安上がりに作る方法
- nvidia-docker でポータブルな機械学習の作業環境を作る
chainer
- 情報メインじゃない研究室で機械学習をすることになった人のための環境構築入門 ChainerMN 編
- Chainer/ChainerMNのCPUリソース不足による速度低下と解決法
- Chainer/ChainerMNのおすすめなプロファイルの取り方＆プロファイルの見方の注意点
数理
- プリキュアで学ぶ劣モジュラ関数
- よくわかる測度論とルベーグ積分。
- ニューラルネットワーク、多様体、トポロジー
- 劣微分・劣勾配と共役関数の可視化
- 測度論の「お気持ち」を最短で理解する
- Wasserstein GAN と Kantorovich-Rubinstein 双対性
- ソリトン〜計算機から生まれた数理物理学〜
- Lassoの理論と実装 -スパースな解の推定アルゴリズム-
- XGBoostのお気持ちを一部理解する
- FFT（高速フーリエ変換）を完全に理解する話
- [高速フーリエ変換の実装を難しそうかなと思っている方が、なんだ簡単じゃないですか！！ となるための実装講座です(https://qiita.com/ngtkana/items/a41344ad3304d2315c46)
統計基礎
- ポアソン分布を和で条件付けすると二項分布となる
- 【統計学】ROC曲線とは何か、アニメーションで理解する。
- ビジネスで使えるPythonを使った統計的データ分析手法まとめ
- 「効果検証入門」をPythonで書いた
ベイズ推定
最適化
離散
- 組合せ最適化を使おう
- 動的計画法超入門！ Educational DP Contest の A ～ E 問題の解説と類題集
- [【図解】線形時間の文字列アルゴリズム「Z algorithm」をイラストとアニメーションでかみ砕く]https://qiita.com/Pro_ktmr/items/16904c9570aa0953bf05
連続
教材
- 画像処理100本ノックを作ったった
- カルマンフィルタを避けてきた社会人プログラマが自動運転の勉強を始める際の最短経路
- PRMLのアルゴリズムをPython(ほぼNumpyだけ)で実装
- 機械学習モデルの実装における、テストについて
- データサイエンティストに興味があるならまずこの辺りを見ておきな、って文献・動画のまとめ（随時追加）
- 機械学習はじめの一歩に役立つ記事のまとめ
- Kaggle事始め
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【初級編：競プロを始めよう
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【中級編：目指せ水色コーダー！】
その他
ライブラリ
pytorch
- メモ: PyTorch TensorDataset、DataLoader について
- PyTorchのSchedulerまとめ
- うわっ… 私のPytorch、メモリ食いすぎ…？ 1行毎に使用GPUメモリを監視できるツールを紹介
- PyTorch transforms/Dataset/DataLoaderの基本動作を確認する
- pytorchでindexのリストを指定してtensorの要素を取得
Deep Learning環境構築
- Ubuntu 18.04へのCUDAインストール方法
- NVIDIA GPU が使える Docker イメージの作り方
- DockerでDeep Learningなどの環境をドカドカ構築
- 【秒速で無料GPUを使う】深層学習実践Tips on Colaboratory
- これでもう悩まない！機械学習のためのフォルダ構成テンプレートを使おう。
- Google Cloud TPUを使用して気づいたことなど（2018/12）
- 趣味でディープラーニングするための GPU 環境を安上がりに作る方法
- nvidia-docker でポータブルな機械学習の作業環境を作る
chainer
- 情報メインじゃない研究室で機械学習をすることになった人のための環境構築入門 ChainerMN 編
- Chainer/ChainerMNのCPUリソース不足による速度低下と解決法
- Chainer/ChainerMNのおすすめなプロファイルの取り方＆プロファイルの見方の注意点
数理
- プリキュアで学ぶ劣モジュラ関数
- よくわかる測度論とルベーグ積分。
- ニューラルネットワーク、多様体、トポロジー
- 劣微分・劣勾配と共役関数の可視化
- 測度論の「お気持ち」を最短で理解する
- Wasserstein GAN と Kantorovich-Rubinstein 双対性
- ソリトン〜計算機から生まれた数理物理学〜
- Lassoの理論と実装 -スパースな解の推定アルゴリズム-
- XGBoostのお気持ちを一部理解する
- FFT（高速フーリエ変換）を完全に理解する話
- [高速フーリエ変換の実装を難しそうかなと思っている方が、なんだ簡単じゃないですか！！ となるための実装講座です(https://qiita.com/ngtkana/items/a41344ad3304d2315c46)
統計基礎
- ポアソン分布を和で条件付けすると二項分布となる
- 【統計学】ROC曲線とは何か、アニメーションで理解する。
- ビジネスで使えるPythonを使った統計的データ分析手法まとめ
- 「効果検証入門」をPythonで書いた
ベイズ推定
最適化
離散
- 組合せ最適化を使おう
- 動的計画法超入門！ Educational DP Contest の A ～ E 問題の解説と類題集
- [【図解】線形時間の文字列アルゴリズム「Z algorithm」をイラストとアニメーションでかみ砕く]https://qiita.com/Pro_ktmr/items/16904c9570aa0953bf05
連続
教材
- 画像処理100本ノックを作ったった
- カルマンフィルタを避けてきた社会人プログラマが自動運転の勉強を始める際の最短経路
- PRMLのアルゴリズムをPython(ほぼNumpyだけ)で実装
- 機械学習モデルの実装における、テストについて
- データサイエンティストに興味があるならまずこの辺りを見ておきな、って文献・動画のまとめ（随時追加）
- 機械学習はじめの一歩に役立つ記事のまとめ
- Kaggle事始め
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【初級編：競プロを始めよう
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【中級編：目指せ水色コーダー！】
その他
- プリキュアで学ぶ劣モジュラ関数
- よくわかる測度論とルベーグ積分。
- ニューラルネットワーク、多様体、トポロジー
- 劣微分・劣勾配と共役関数の可視化
- 測度論の「お気持ち」を最短で理解する
- Wasserstein GAN と Kantorovich-Rubinstein 双対性
- ソリトン〜計算機から生まれた数理物理学〜
- Lassoの理論と実装 -スパースな解の推定アルゴリズム-
- XGBoostのお気持ちを一部理解する
- FFT（高速フーリエ変換）を完全に理解する話
- [高速フーリエ変換の実装を難しそうかなと思っている方が、なんだ簡単じゃないですか！！ となるための実装講座です(https://qiita.com/ngtkana/items/a41344ad3304d2315c46)
統計基礎
- ポアソン分布を和で条件付けすると二項分布となる
- 【統計学】ROC曲線とは何か、アニメーションで理解する。
- ビジネスで使えるPythonを使った統計的データ分析手法まとめ
- 「効果検証入門」をPythonで書いた
ベイズ推定
最適化
離散
- 組合せ最適化を使おう
- 動的計画法超入門！ Educational DP Contest の A ～ E 問題の解説と類題集
- [【図解】線形時間の文字列アルゴリズム「Z algorithm」をイラストとアニメーションでかみ砕く]https://qiita.com/Pro_ktmr/items/16904c9570aa0953bf05
連続
教材
- 画像処理100本ノックを作ったった
- カルマンフィルタを避けてきた社会人プログラマが自動運転の勉強を始める際の最短経路
- PRMLのアルゴリズムをPython(ほぼNumpyだけ)で実装
- 機械学習モデルの実装における、テストについて
- データサイエンティストに興味があるならまずこの辺りを見ておきな、って文献・動画のまとめ（随時追加）
- 機械学習はじめの一歩に役立つ記事のまとめ
- Kaggle事始め
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【初級編：競プロを始めよう
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【中級編：目指せ水色コーダー！】
その他
- 画像処理100本ノックを作ったった
- カルマンフィルタを避けてきた社会人プログラマが自動運転の勉強を始める際の最短経路
- PRMLのアルゴリズムをPython(ほぼNumpyだけ)で実装
- 機械学習モデルの実装における、テストについて
- データサイエンティストに興味があるならまずこの辺りを見ておきな、って文献・動画のまとめ（随時追加）
- 機械学習はじめの一歩に役立つ記事のまとめ
- Kaggle事始め
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【初級編：競プロを始めよう
- レッドコーダーが教える、競プロ・AtCoder上達のガイドライン【中級編：目指せ水色コーダー！】
その他
Author And Source
この問題について(機械学習・アルゴリズム関連まとめ), 我々は、より多くの情報をここで見つけました https://qiita.com/meshidenn/items/f903624c70d6fa3c6f3b著者帰属：元の著者の情報は、元のURLに含まれています。著作権は原作者に属する。
Content is automatically searched and collected through network algorithms . If there is a violation . Please contact us . We will adjust (correct author information ,or delete content ) as soon as possible .