たった今買ってきました。
もう在庫ないとのこと。でも再来週には入荷するとのこと。
15日に来徳するM氏のお土産に！！
獺祭 島耕作
NeuralNetworkConsole
NeuralNetworkConsoleとは
Neural Network Console(ニューラルネットワーク コンソール)は、Deep Learning の統合開 発環境です。Deep Learning を用いた研究開発におけるネットワークの設計、ネットワーク構造 の探索による試行錯誤の大幅な効率化を実現します。ネットワークのデザインについて視覚的に 把握することができるため、Deep Learning の学習用途にも最適です。（NeuralNetworkConsole の manual_ja.pdf から抜粋）
- 新規プロジェクトを作成
- データセットの選択
- ネットワークの作成
・コンポーネントの配置
・コンポーネントのパラメータ設定 - 学習条件と最適化の設定
- NeuralNetworkConsole で学習の実行結果
- 自動最適化で学習の実行結果
- この後に評価の実行
← ソニー開発のNeural-Network-Console入門
Neural-Network-Console を利用して 指原莉乃を識別する という内容のグログがあって興味深い内容でした。
RapidMinerも入れてみた
RapidMinerに関する連載が参考になるかも←連載はこちら
Pythonではじめる機械学習（O’REILLY）より
- 最近傍法
小さいデータに関しては良いベースラインとなる。説明が容易 - 線形モデル
最初に試してみるべきアルゴリズム。非常に大きいデータセットに適する。非常に高次元のデータに適する。 - ナイーブベイズ
クラス分類にしか使えない。線形モデルよりもさらに高速。非常に大きいデータセット、高次元データに適する。線形モデルよりも劣ることが多い。 - 決定木
非常に高速。データのスケールを考慮する必要がない。可視化が可能で説明しやすい - ランダムフォレスト
ほとんどの場合単一の決定木よりも高速で、頑健で、強力、データのスケールを考慮する必要がない。高次元の疎なデータには適さない。 - 勾配ブースティング決定木
多くの場合ランダムフォレストよりも少し精度が高い。ランダムフォレストよりも訓練に時間がかかるが、予測はこちらのほうが早く、メモリ使用量も小さい。ランダムフォレストよりもパラメータに敏感。 - サポートベクタマシン
同じような意味を持つ特徴量からなる中規模なデータセットに対しては強力。データのスケールを調整する必要がある。パラメータに敏感。 - ニューラルネットワーク
非常に複雑なモデルを構築できる。特に大きなデータセットに有効。データのスケールを調整する必要がある。パラメータに敏感。大きなモデルは訓練に時間がかかる。