人工知能学会全国大会2017のWebマーケティングで参考になりそうな研究9選

はじめに

今更ではありますが、2017年5月に開かれた人工知能学会全国大会2017の公開資料の中から、私の本業であるWebマーケティングで役に立ちそうな研究を独断と偏見で9本ほど集めてみました。思っていたよりもWebマーケティングぽい領域が多かったので、社内での分析業務におけるアイデアに直結しそうな気がしています。

ちなみに、全ての資料はこちらにあります。

基本的に各研究ごとに
・目的と結果
・対象となるデータ
・手法の概要
・PDFのリンク
について記していきます。

紹介する研究

今回は以下の研究を紹介したいと思います。
「オンライン広告におけるスパース性と遅れコンバージョンを考慮した予測モデル」
「テキストマイニングを用いた転職サイトの会員離脱予測」
「インターネット広告におけるスパースなユーザー行動ベクトルからのユーザー特徴抽出モデル」
「ユーザーのページビュー系列からのコンバージョン予測」
「SNSにおけるユーザの行動のモチベーション要因の分析」
「状況に応じた楽曲推薦に向けたソーシャルデータ分析」
「テキストマイニングを用いた口コミ分析による点数評価の信頼性確認手法」
「不動産仲介マーケティングのためのユーザ行動予測」
「SUUMOでの不動産データ活用の取り組みと未来」

オンライン広告におけるスパース性と遅れコンバージョンを考慮した予測モデル

目的と結果

オンライン広告のCVR予測の精度向上を目的としている。
これまでの課題としては、
「質的変数による特徴量のスパース性」
「広告クリックからのCVまでの期間の長さ(期間が空いてからCVしたりするケースがあるので正例だったはずが負例と扱われる可能性がある)」
などがあった。提案手法により従来手法に比べ高い精度でCVR予測が可能であることが示された。

対象となるデータ

過去3週間分の広告配信データでテスト期間は7日間

手法の概要

  • 次元圧縮
    • Factorization Machine(FM)を用いて、従来のロジスティック回帰では考慮できていなかった交互作用をモデリングし、低次元のベクトル内積に分解して表現している。
  • 遅れCV問題の対応
    • 遅れてCVが発生する事象に関しては、指数分布を用いて遅れてCVする事象をモデリングするDelayed Feedback Modelを構築することで、本当は事後的にCVしそうなユーザーの推定を行っている。
  • 予測
    • これらの手法を合わせた、Delayed Feedback Factorization Machineを構築し、SGD(確率的勾配降下法)やAdaGradを用いてパラメータを推定している。

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/110.pdf

テキストマイニングを用いた転職サイトの会員離脱予測

目的と結果

登録情報や履歴書のテキスト情報を用いて特徴量とし、転職サイトの登録会員の離脱予測を行っている。ブラックボックスでは無い形での結果の解釈ができ、予測精度も高いことが示された。

対象となるデータ

  • 2009年10月1日〜2016年9月28日までの履歴書、職務経歴書、自己PR書、希望条件
  • 離脱会員の定義は「登録して1ヶ月以内に一度も応募しない会員」としている。

手法の概要

  • STEP1:Pythonのmojimojiというライブラリを利用してカナを全角に、数字とアルファベットは半角に変換。
  • STEP2:MeCabを用いて名詞のみ抽出
  • STEP3:「職務」「経歴」「業務」「内容」などを不用語(stop word)とした。
  • STEP4:Grid Searchでパラメータチューニングしたランダムフォレストを用いて変数重要度(Feature Importance)を出し、重要度の上位90%を占める単語以外を削除
  • STEP5:登録情報のデータ(年齢、転職回数、住所)を数値データに変換
  • STEP6:選定した特徴量を用いて決定木アルゴリズムを適用

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/949.pdf

インターネット広告におけるスパースなユーザー行動ベクトルからのユーザー特徴抽出モデル

目的と結果

広告のCTR予測を行う際の特徴量が非常にスパースであることから、ユーザーをクラスタリングして広告配信に効果的なユーザーを抽出することを目的としている。研究ではCVRの高いユーザー群の抽出を可能にしている。

対象となるデータ

  • 2016年6月1日〜2016年6月21日の間のクリックやコンバージョンのデータ(株式会社アイモバイルが提供)
  • クリック実績のある広告数、コンバージョン実績のある広告数、クリックされた広告番号、コンバージョンが発生した広告番号、ユーザー番号など

手法の概要

  • 高次元スパースデータを低次元に落とし込むために、オートエンコーダを用いている。
  • オートエンコーダにより得られた特徴量をもとにユーザーのクラスタリングを行っている。(オートエンコーダは入力された情報をなるべく欠損しないように、効率的に圧縮する構造を持たせたニューラルネットワークのこと。)
  • データにおけるゼロの成分を確率的に欠損とみなして計算処理を早めている。
  • 学習モデルはAdaGrad(学習率を学習に合わせて最適化する手法)
  • 訓練データ(特徴量の数がクリックで23339個、コンバージョンで5619個)にスパースデータ許容型オートエンコーダで500次元まで圧縮し、さらに通常のオートエンコーダで146次元まで圧縮している。
  • 次元圧縮して獲得したデータに対してk-means法でクラスタリングを行い、CVRなどを比較している。

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/12.pdf

ユーザーのページビュー系列からのコンバージョン予測

目的と結果

Web広告において、ユーザーの閲覧履歴からコンバージョンを予測することを目的に、Recurrent Neural Network(RNN)を用いた結果、非時系列のSVMよりもわずかばかりかの精度向上が観察された。データ数が少ない場合はSVMに軍配があがる結果となっている。

対象となるデータ

2016年7月1日〜2016年10月31日の広告の接触履歴データなど(広告の業種別データやユーザーのページビュー数)を特徴量に用いて、2016年11月1日〜11月30日までの期間を予測対象とした。データは株式会社マイクロアドが提供している模様。

手法の概要

  • Long Short-Term Memory RNN(LSTM)
    • ソフトアテンションモデル
      • 可変長の系列に対して内積で重みを算出し、足し合わせることで一部から情報を取り出すモデル。途中の層まで複数業種のデータを用いることで、複数の業種などの情報を共有することができる。(最後の隠れ層には業種別の特徴量を用いている。)
      • 勾配の計算に関してはAdamを用いて、実装はKerasを用いている。活性化関数はTanh、ドロップアウトはGaussianDropout
        としている。
    • RNNで用いる特徴量としては、特定のWebページを640種類に分類して、1日のうちに各トピックにページビューがあったかなかったかを1-0の変数にするなどの前処理を行っている。

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/765.pdf

SNSにおけるユーザの行動のモチベーション要因の分析

目的と結果

SNSユーザーのモチベーションの要因(一ヶ月先に投稿するかどうか)をユーザー同士の関係性(staticな関係)と、そのユーザーの周りのインタラクション(dynamicな関係)という観点から分析し、ユーザー同士の関係性とユーザー周りのインタラクションを同時に用いたモデルにおいて、それらがモチベーションの要因につながりうる傾向が観察された。

対象となるデータ

  • RoomClipという部屋の家具やインテリアの様子の写真を投稿するSNSのデータ
    • 気に入った写真に「いいね」を付けたり、コメントを送れる。
  • 2015年3月の一ヶ月間を学習期間とし、2015年4月の投稿の有無を予測対象とする。

手法の概要

  • ネットワーク特徴量
    • 各ユーザーに対して、
      • 中心性(次数中心性、媒介中心性、近接中心性)
      • クラスタ係数、PageRank、フォロー数とフォロワー数の比率、フォローしているユーザのアクティブ度
  • フィードバック特徴量
    • 特定期間中にユーザが周りのユーザから自身の投稿に対してもらった「いいね」「コメント」に対して
      • 反応の数
      • 反応を行ったユーザの数
      • 反応を行ったユーザのうち、相互フォロー関係にあるユーザからのものの割合
  • 予測器としてSVMを利用

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/534.pdf

状況に応じた楽曲推薦に向けたソーシャルデータ分析

目的と結果

ユーザへの楽曲推薦システムの構築を目的に、楽曲とその再生時の状況の関係を収集したソーシャルデータより分析している。取得したデータのうちの7%ほどではあるが、ツィート情報から楽曲と再生時の状況との関係を抽出可能であるということが示された。

対象となるデータ

2016年8月10日〜2016年9月3日の間に投稿されたツィート(66879件)

手法の概要

  • ハッシュタグ#nowplaying付きのツィートを収集して、アーティスト名や楽曲名や楽曲再生時の状況(同一ユーザの5分前後の投稿内容)を収集
  • 取得したツィートからアーティスト名、楽曲名を除去して再生時の状況を取得
  • 取得したデータからデータベースを作成

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/102.pdf

テキストマイニングを用いた口コミ分析による点数評価の信頼性確認手法

目的と結果

製品などの口コミの評価レビューに関する信頼性を確かめることを目的としている。レビューデータに対して感性評価を行い、さらにその結果に対して総合評価点数別に感性表現(Goodなど)の伴った表現の頻出ランキングを作成することで、点数が高い理由を把握しやすくなった。

対象となるデータ

ソニーの製品サイトにおける、ユーザの製品に対する評価とコメントのデータ(1406件)

手法の概要

  • テキストマイニングスタジオによる感性評価(ポジティブ、中立、ネガティブ)
  • 総合評価点数別(5段階)の「ポジティブ、中立、ネガティブ」の割合の調査
  • 総合評価4の口コミかつ中立な表現にフィルターをかけて、感性情報を有する単語と係り受け関係となった単語の頻度ランキングのTOP10を抽出

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/1115.pdf

不動産仲介マーケティングのためのユーザ行動予測 Prediction of user behaviors for real estate brokerage marketing

目的と結果

不動産紹介業において、顧客の属性情報と来店初期の行動から、来店者が最終的に商品を購買するかどうかの予測モデル(不均衡データにおける予測タスク)を構築することでマーケティングの広告効果測定に適用することを目的としている。結果として、顧客の来店後30分間という短い時間における行動だけでも識別力のある予測が可能であることが示されている。

対象となるデータ

  • オンライン不動産賃貸仲介店舗iettyの顧客データベース
    • 希望物件の情報
      • 引っ越し希望日
      • 住みたいエリアの駅
      • 間取り
      • 広さ
      • 家賃
    • 顧客属性
      • 在住の地域
      • 性別
      • 年齢
    • 行動データ
      • 登録時
        • フォームの記入にかかった時間
        • フリーコメントの長さ
        • 利用デバイス
      • 登録後
        • 初回チャット発言までの経過時間
        • 初回物件評価までの経過時間

手法の概要

  • STEP1:顧客の属性および登録初期(30分以内)の行動から特徴量を作成し、2ヶ月以内に契約すれば正例、それ以外を負例とする。(正例は619件、負例は33212件)
  • STEP2:検証用データを無作為に20%取り置く
  • STEP3:残り80%のデータに対して負例に対する、ランダムアンダーサンプリングと、正例に対するSMOTE(Synthetic Minority Over-sampling Technique)を用いたオーバーサンプリングによりサンプル数を調整する。
  • STEP4:ランダムフォレストを用いて、無効な特徴量の取捨選択や離散化のレンジ調整する。
  • STEP5:全特徴量(83次元)を二値化して、RBFカーネル(Gaussian カーネル)のSVMを適用し、様々なCやγの組み合わせを試行して、二値分類を行う。
  • STEP6:評価を予測確率の平均とAUCの2種類で行う。

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/466.pdf

SUUMOでの不動産データ活用の取り組みと未来

目的と結果

物件検索ユーザーが比較検討を行いやすくすることを目的に様々な取り組みをしている。

対象となるデータ

  • 不動産ポータルサイトSUUMOのデータ
    • 行動履歴(Webサイト、アプリ)
    • 物件情報(不動産情報)
    • 街情報(独自で収集)
    • アンケート

手法の概要

  • 実活用
    • 相場推定
    • 単純な加算平均ではなく、外れ値や時系列変動、データ量などを考慮して推定している。
    • リアルタイム物件レコメンド
    • ランキング学習により推定したモデルを利用し、リアルタイムに計算を行っている。個人ごとにパーソナライズしたランキングも用いている。
    • バンディットアルゴリズムによる配信施策の最適化
    • メールやプッシュ通知などで件名やデザイン、配信時間など様々な選択肢があり、その最適なパターンを見つけるために、バンディットアルゴリズムを適用している。
  • 実験段階
    • 間取り画像の分析
    • ユーザーの求めている間取りが何なのかを画像から抽出しようとしている。
    • ユーザーの検索行動、嗜好の推定
    • ユーザーの検索行動から、嗜好性を掴み取り、レコメンドする際の理由付けができるようにモデルを作ろうとしている。

PDFのリンク

https://kaigi.org/jsai/webprogram/2017/pdf/743.pdf

感想

  • 特徴量の削減のためにランダムフォレストを適用する流れ
  • 高次元スパースデータに対するニューラルネットワークの適用
  • CVの時系列予測のためにRNNの適用
  • SNS分析におけるネットワーク特徴量とフィードバック特徴量という概念
  • 口コミデータ分析の作法(点数別に感性表現の係り受けを見る)
    など勉強になりました。Kaggleと違って日本語なのが読みやすかったですね。

参考文献

初めてのディープラーニング –オープンソース”Caffe”による演習付き
SMOTE で不均衡データの分類

Kaggleで使われた特徴量エンジニアリングとアルゴリズムまとめ

Kaggleにおいて、人によってはソリューションを書いてくれているものがあります。特徴量エンジニアリングやアルゴリズムなど業務での参考になるだろうと思われるので、仕事で関わりそうなデータという観点から4つほどですが事例を集めてみました。このような事例のまとまった本とかあったらいいのですが。

基本的に各事例ごとに
・目的
・どんなデータセット
・どんな特徴量エンジニアリング
・どんなアルゴリズム
・リンク
を記していきます。

Walmart Recruiting – Store Sales Forecasting

  • 目的
    • ウォルマートの部門ごとの売上予測
  • どんなデータセット
    • ウォルマートの売上データ
      ・店舗番号
      ・部門番号
      ・週
      ・週次の売上
      ・祝日の有無

      外部のデータ
      ・気温
      ・物価指数
      ・スーパーボウルの時期
      など

  • どんな特徴量エンジニアリング
    • 予測する売上の過去データを用いたので、特徴量は用いていません。

        ・年間における週の番号
        ・高い成長率の店舗や昨年から大きく成長している店舗に関して祝日効果の重み付け 

      を行った程度のようです。

    • どんなアルゴリズム
      • 統計学と機械学習のハイブリッドな手法のようです。SASとRを使用しているとのことです。

          統計学の手法
          1. Auto-regressive Integrated Moving Average (ARIMA)
          2. Unobserved Components Model (UCM)

          機械学習の手法
          3. Random Forest
          4. Linear Regression
          5. K nearest regression
          6. Principle Component Regression

        以上の6つのモデルから平均値をとって予測し、部門ごとにモデルを作ったようです。

    • リンク
    • Algorithmic Trading Challenge

    • 目的
      • 大規模なトレーディングにおけるマーケットの反応を予測
    • どんなデータセット
        • 株式市場の出来高に関するデータ
           ・ask(買い)の価格データ
           ・bid(売り)の価格データ
           ・建値かどうか
           ・買い手か売り手のどちらが主導したか
           ・取引高
           ・時刻
          など
    • どんな特徴量エンジニアリング
      • ・価格
         ・トレンドを除外した価格の振幅
         ・流動性ショック発生前の最後のn回の価格指数の移動平均
         ・流動性ショック発生前の最後のn回の間の価格増加
        ・流動性
        ・スプレッド
         ・bidとaskの広がり
        ・レート
         ・最後のn回のイベントにしめる注文などの数
    • どんなアルゴリズム
      • ・ランダムフォレストを用いた変数選択
         【工程1】
         ・全ての特徴量を利用して訓練する
         ・テスト集合に対するモデルのパフォーマンスを計算する
         ・特徴量の重要度をランク付けする
         ・複数のサブセットから最も変数重要度の高い特徴量セットを作る
         ・最も平均二乗誤差(RMSE)が低いサブセットに決める
         【工程2】
         ・工程1で決めた特徴量から意味的に似ている特徴量を選ぶ
         ・工程1で選ばれていない特徴量を選択する
         ・RMSEが低くなるなら、意味的に似ている特徴量を除外する
         ・改善しなくなるまで続ける
         【工程3】 
         ・工程1〜2で選ばれて意味的に直交(独立)しているかどうか考慮して、工程1で除外されたものの中から特徴量を選ぶ
         ・RMSEが低くなるなら、工程1の特徴量にその変数を加える
    • リンク
    • Predict Closed Questions on Stack Overflow

    • 目的
      • 質問が閉じられるかどうかを予測
    • どんなデータセット
      • ・質問者の質問のその当時の回答数
        ・タイトル
        ・bodyテキスト
        ・タグ
        ・閉じられたかどうか
    • どんな特徴量エンジニアリング
      • ・タイトル、bodyテキスト、タグをVowpal Wabbit formatに変換
        ・ユーザーの評価や投稿数なども利用
    • どんなアルゴリズム
      • Vowpal WabbitというMicrosoftやYahoo!が出資している機械学習ツールを使い、多クラス分類を行ったようです。カテゴリカルな変数をone-hotに変換する必要がなく、楽に分析できるようです。
    • リンク
    • Outbrain Click Prediction

    • 目的
      • ユーザーにレコメンドするコンテンツのクリック予測
    • どんなデータセット
      • ・ユニークユーザーID
        ・ドキュメントID
        ・デバイス
        ・流入経路
        ・クリック
        ・プロモーションしたコンテンツID
        ・ドキュメントの詳細情報
        ・ドキュメントのトピック情報
    • どんな特徴量エンジニアリング
      • 重要な特徴量
        ・表示されてからの1時間後、1日後、1日以降のコンテンツのページビュー
        ・FFM(Field-aware Factorization Machines)を用いて、おのおの競合している広告のデータを作成
        ・ユーザーごとのクリックした際の流入経路やドキュメントの組み合わせ
         80回よりも少ないイベントのデータは切り捨てている
        ・ユーザーごとのページビューしたドキュメント
        ・広告クリックの1時間以内にクリックしたドキュメント
        ・広告のカテゴリーとドキュメントのカテゴリーの相互作用項
        ・現在時刻とドキュメントが表示された時刻との差分の対数
        ・ユーザーが同じカテゴリーや同じトピックの広告ドキュメントを見たかどうか
        ・過去にその広告を見たかどうか、それをクリックしたかどうか(広告主、流入経路、カテゴリー、トピックも同様に)
        ・将来的にその広告や広告ドキュメントを見たかどうか、将来的に見てなくても同じキャンペーンの広告を見ているかどうか
    • どんなアルゴリズム
      • 用いたモデル
        ・LibFFM
        ・Vowpal Wabbit FTRL(ロジスティック回帰でのL1・L2正則化)
        ・Liblinear
        ・XGBoost
        ・Keras
        ・Logistic regression
        ・SVC
    • リンク
    • 感想

      調べてみて、複数の時系列モデルの予測結果の平均値で予測する手法、特徴量の選択をstepAICのようにランダムフォレストで行う手法、Vowpal Wabbit(今回の2つのソリューションで扱われていた)などを新たに知れました。Kaggleには他にもKernelという手法をシェアする場があるので、その情報も今後キャッチアップしていきたいと思います。

      参考情報

      機械学習コンペティションの進展と今後の展開

    SlideShareの機械学習に関するスライドを大量に集めてみた

    SlideShareの検索機能に満足できなかったので、Googleのsiteコマンド検索( 「機械学習 site:slideshare.net 」)で集めてき
    た、機械学習に関するスライド520件のURLに対して、タイトル・ビュー数・公開日をWebスクレイピングにより取得してみました。

    以下の表はビュー数の順番で並んでいます。WordPressのTablepressというプラグインを使っているので、簡単に検索ないし100件表示なども行えます。数の多いものから見ていこうと思います。

    (取得用の稚拙なPythonコードは最下部に載っています。)
    (URLがリンクになるように改良しました。)

    urlTitleViewsTime
    https://www.slideshare.net/unnonouno/jubatus-casual-talks機械学習チュートリアル@JubatusCasualTalks334921Jun 1 2013
    https://www.slideshare.net/kazoo04/deep-learning-15097274Deeplearning289024Nov 9 2012
    https://www.slideshare.net/pfi/deep-learning-22350063一般向けのDeepLearning274821Jun 2 2013
    https://www.slideshare.net/mrtc0/machine-learning-41005650機械学習入門以前196975Nov 1 2014
    https://www.slideshare.net/nlab_utokyo/deep-learning-40959442DeepLearningと画像認識   ~歴史・理論・実践~188530Oct 31 2014
    https://www.slideshare.net/mosa_siru/ss-40136577捗るリコメンドシステムの裏事情(ハッカドール)179295Oct 11 2014
    https://www.slideshare.net/canard0328/ss-44288984機械学習によるデータ分析まわりのお話176218Feb 4 2015
    https://www.slideshare.net/mmktakahashi/ss-13694313パターン認識と機械学習入門159331Jul 19 2012
    https://www.slideshare.net/hamadakoichi/randomforest-web「はじめてでもわかるRandomForest入門-集団学習による分類・予測-」-第7回データマイニング+WEB勉強会@東京145630Sep 25 2010
    https://www.slideshare.net/ToruUenoyama/tensorflow-gdgTensorFlowを使った 機械学習ことはじめ(GDG京都機械学習勉強会)145276Feb 27 2016
    https://www.slideshare.net/beam2d/deep-learning20140130DeepLearning技術の今124574Jan 30 2014
    https://www.slideshare.net/unnonouno/ss-43844132深層学習時代の自然言語処理122124Jan 23 2015
    https://www.slideshare.net/pfi/sacsis2013mlokanohara機械学習の理論と実践120039May 22 2013
    https://www.slideshare.net/mokemokechicken/pythondeep-learningPythonとdeeplearningで手書き文字認識114692Dec 19 2012
    https://www.slideshare.net/AtsushiKanaya/scikitlearnscikit-learnを用いた機械学習チュートリアル111808Mar 13 2014
    https://www.slideshare.net/TakeshiHasegawa1/20151016ssmjpikalog「スプラトゥーン」リアルタイム画像解析ツール「IkaLog」の裏側109745Oct 16 2015
    https://www.slideshare.net/yoshihisamaruya/dnn-deep-learningv10Deeplearningの軽い紹介105442Sep 19 2013
    https://www.slideshare.net/beam2d/deep-learningimplementationDeeplearning実装の基礎と実践85921Aug 26 2014
    https://www.slideshare.net/tkm2261/ss-42149384最適化超入門84516Nov 28 2014
    https://www.slideshare.net/tojimat/tokyor-41Tokyo.R41サポートベクターマシンで眼鏡っ娘分類システム構築78003Jul 12 2014
    https://www.slideshare.net/enakai/ss-46880120機械学習概論 講義テキスト76509Apr 11 2015
    https://www.slideshare.net/ShinyaShimizu/ss-11623505今さら聞けないカーネル法とサポートベクターマシン75008Feb 16 2012
    https://www.slideshare.net/tak9029/tensorflowaiTensorFlowで会話AIを作ってみた。73077Feb 15 2016
    https://www.slideshare.net/tsubosaka/tokyotextminingLDA入門67385Sep 25 2010
    https://www.slideshare.net/tkm2261/scikit-learnScikitlearnで学ぶ機械学習入門60375Dec 1 2014
    https://www.slideshare.net/enakai/it-numpy-pandasPython機械学習プログラミングデータ分析ライブラリー解説編59607Oct 25 2015
    https://www.slideshare.net/pfi/ss-57087522ディープラーニングの最新動向56849Jan 15 2016
    https://www.slideshare.net/pfi/interop2015okanoharaディープラーニングが活かすIoT54496Jun 12 2015
    http://www.slideshare.net/minoruchikamune/by-20150911172207「機械学習Byスタンフォード大学」勉強会2015.09.1151334Sep 15 2015
    https://www.slideshare.net/Kawamoto_Kazuhiko/ss-35483453グラフィカルモデル入門50993Jun 4 2014
    https://www.slideshare.net/teppeibaba5/ss-37143977機会学習ハッカソン:ランダムフォレスト49108Jul 18 2014
    https://www.slideshare.net/hamukazu/python-57875594Pythonによる機械学習の最前線47954Feb 4 2016
    https://www.slideshare.net/yasutomo57jp/python-deep-learningPythonによる機械学習入門~DeepLearningに挑戦~45699Jul 22 2016
    https://www.slideshare.net/yokkuns/ss-8425312時系列分析による異常検知入門45508Jun 25 2011
    https://www.slideshare.net/nishio/ss-53221829ルールベースから機械学習への道公開用43345Sep 26 2015
    https://www.slideshare.net/unnonouno/chainer-59664785深層学習フレームワークChainerの特徴42270Mar 17 2016
    https://www.slideshare.net/kouheinakaji/webmining-27353727SmartNewsを支える機械学習42215Oct 19 2013
    https://www.slideshare.net/chezou/2015-52286722クックパッドサマーインターン2015機械学習・自然言語処理実習課題40996Sep 1 2015
    https://www.slideshare.net/katsuhiromorishita/pythonrPythonとRによるデータ分析環境の構築と機械学習によるデータ認識40814Aug 31 2014
    https://www.slideshare.net/shoheihido/5-38372284あなたの業務に機械学習を活用する5つのポイント40791Aug 26 2014
    https://www.slideshare.net/send_/namebased-aggregationみんなビックデータビックデータって言ってるけど名寄せとかどうしてんの?40656Oct 5 2013
    https://www.slideshare.net/beam2d/deep-learning-22544096DeepLearningの技術と未来39836Jun 6 2013
    https://www.slideshare.net/shoheihido/ss-25510340さらば!データサイエンティスト38749Aug 23 2013
    https://www.slideshare.net/hamadakoichi/dena-46573694DeNAの大規模データマイニング活用したサービス開発38272Apr 2 2015
    https://www.slideshare.net/bollegala/ss-39065162深層学習入門37598Sep 14 2014
    https://www.slideshare.net/pfi/mapreduce-7022974MapReduceによる大規模データを利用した機械学習37136Feb 22 2011
    https://www.slideshare.net/mitsuoshimohata/ss-35949886決定木学習35383Jun 16 2014
    https://www.slideshare.net/takahirokubo7792/ss-46471269実戦投入する機械学習35250Mar 30 2015
    https://www.slideshare.net/issei_sato/deep-learning-41310617深層学習(DeepLearning)とベイズ的最適化(BayesianOptimization)による医用画像読影支援の試み34909Nov 9 2014
    https://www.slideshare.net/RyoNakamura3/ss-61945131機械学習と深層学習の数理34488May 12 2016
    https://www.slideshare.net/matsukenbook/ss-50545587「深層学習」第6章畳込みニューラルネット33618Jul 15 2015
    https://www.slideshare.net/pfi/bigdata2012ml-okanoharabigdata2012mlokanohara31396Dec 24 2012
    https://www.slideshare.net/holidayworking/ss-11948523アンサンブル学習31119Mar 10 2012
    https://www.slideshare.net/moa108/5-kknnはじめてのパターン認識第5章k最近傍法(k_nn法)30391Sep 13 2013
    https://www.slideshare.net/takumayagi/rbm-andlearningRBM、DeepLearningと学習(全脳アーキテクチャ若手の会第3回DL勉強会発表資料)30349Nov 16 2014
    https://www.slideshare.net/nowokay/ss-52481509ぼくの実装した最弱のディープラーニング30236Sep 7 2015
    https://www.slideshare.net/pfi/jubatus-10513468Jubatusにおける大規模分散オンライン機械学習29280Dec 8 2011
    https://www.slideshare.net/hamadakoichi/introduction-torandomforest-tokyor「R言語によるRandomForest徹底入門-集団学習による分類・予測-」-#TokyoR#1128709Jan 29 2011
    https://www.slideshare.net/nlab_utokyo/deep-learning-49182466DeepLearningによる画像認識革命 ー歴史・最新理論から実践応用までー28004Jun 9 2015
    https://www.slideshare.net/kisa12012/sgd-future-best-27314417SGD+α:確率的勾配降下法の現在と未来27180Oct 17 2013
    http://www.slideshare.net/devsumi/17e3【17-E-3】オンライン機械学習で実現する大規模データ処理26734Feb 20 2012
    https://www.slideshare.net/takahirokubo7792/ss-65413290機械学習で泣かないためのコード設計26379Aug 27 2016
    https://www.slideshare.net/FukushimaNorishige/opencv-67214568画像処理ライブラリOpenCVで出来ること・出来ないこと26247Oct 15 2016
    https://www.slideshare.net/hadoopxnttdata/spark-m-llib-nttdataSparkMLlibではじめるスケーラブルな機械学習25773Dec 18 2014
    https://www.slideshare.net/shoheihido/jubatus-casual2-anomalyJubatusCasualTalks#2異常検知入門25622Dec 13 2013
    https://www.slideshare.net/hamadakoichi/dena-deep-learningDeNAの機械学習・深層学習活用した 体験提供の挑戦25219Apr 28 2016
    https://www.slideshare.net/ngkry/ss-51045351機械学習を用いた東西日本の境界線決定25183Jul 29 2015
    https://www.slideshare.net/sfchaos/ss-33703018機械学習を用いた予測モデル構築・評価25137Apr 19 2014
    https://www.slideshare.net/motivic/machine-learning-causal-talk-2-lt素人がDeepLearningと他の機械学習の性能を比較してみた24349Aug 26 2014
    https://www.slideshare.net/imaifactory/amazon-machine-learning-47400147AmazonMachineLearning23949Apr 25 2015
    https://www.slideshare.net/sfchaos/ss-11307051不均衡データのクラス分類23343Jan 28 2012
    https://www.slideshare.net/nobu_k/elasticsearch-59627321Elasticsearchと機械学習を実際に連携させる23175Mar 16 2016
    https://www.slideshare.net/matsukenbook/rev012数学カフェ確率・統計・機械学習回「速習確率・統計」23148Apr 15 2017
    https://www.slideshare.net/yasuyukisugai/deep-learningcaffeDeepLearningハンズオン勉強会「Caffeで画像分類を試してみようの会」22847Jul 25 2015
    https://www.slideshare.net/nagayoshi3/2-23-8464248パターン認識と機械学習(PRML)第2章確率分布2.3ガウス分布22149Jun 29 2011
    https://www.slideshare.net/KentaOono/20141209sigmodjDeepLearning技術の最近の動向とPreferredNetworksの取り組み22118Dec 17 2014
    https://www.slideshare.net/iranainanimosuteteshimaou/ss-55173144ようやく分かった!最尤推定とベイズ推定21578Nov 16 2015
    https://www.slideshare.net/shuyo/introduction-to-active-learning-25787487ActiveLearning入門20963Aug 31 2013
    https://www.slideshare.net/sesejun/ss-24923282バイオインフォマティクスによる遺伝子発現解析20959Aug 4 2013
    https://www.slideshare.net/beam2d/learning-generator生成モデルのDeepLearning20489Feb 25 2016
    https://www.slideshare.net/yukaraikemiya/6-15415589パターン認識と機械学習6章(カーネル法)20451Nov 29 2012
    https://www.slideshare.net/stairlab/ss-61806151深層学習による自然言語処理の研究動向20086May 9 2016
    https://www.slideshare.net/metaps_JP/deep-learning-50383383Deeplearningを用いた画像から説明文の自動生成に関する研究の紹介19976Jul 10 2015
    https://www.slideshare.net/moa108/20130715-lt-scikitlearn2013.07.15はじパタltscikit-learnで始める機械学習19364Jul 16 2013
    https://www.slideshare.net/yasuyukisugai/io-t-deeplearningIoTとDeepLearningで自宅警備員を育ててみる19268Jun 18 2015
    https://www.slideshare.net/pfi/iibmp2016-okanohara-deep-generative-models-for-representation-learningIIBMP2016深層生成モデルによる表現学習19210Sep 29 2016
    https://www.slideshare.net/unnonouno/ss-21254386情報抽出入門〜非構造化データを構造化させる技術〜19004May 16 2013
    https://www.slideshare.net/ssusere55c63/variational-autoencoder-64515581猫でも分かるVariationalAutoEncoder18687Jul 29 2016
    http://www.slideshare.net/masakazusano75/sano-tokyowebmining-201625v04Sanotokyowebmining201625_v0418465Jun 24 2016
    https://www.slideshare.net/parosky0/av-ut-startup-gymAV画像認識とその周辺-UTStartupGym講演資料18233Feb 9 2013
    https://www.slideshare.net/atelierhide/tokyo-webmining42-slideshareディープラーニング徹底活用-画像認識編-18108Jan 23 2015
    https://www.slideshare.net/sleepy_yoshi/dsirnlp1DSIRNLP#1ランキング学習ことはじめ18060Jul 23 2011
    https://www.slideshare.net/at_grandpa/chapter5-50042838機械学習プロフェッショナルシリーズ輪読会#2Chapter5「自己符号化器」資料17877Jul 1 2015
    https://www.slideshare.net/KazukiFujikawa/dena-techcon-for-student-2016-64836562DeNAにおける機械学習・深層学習活用17786Aug 9 2016
    https://www.slideshare.net/lewuathe/auto-encoder-v2AutoEncoderで特徴抽出17582Jan 30 2015
    https://www.slideshare.net/shuyo/ss-6587177機械の代わりに人間が学習入門17532Jan 16 2011
    https://www.slideshare.net/hamadakoichi/tree-basedmodelsandrandomforests「樹木モデルとランダムフォレスト-機械学習による分類・予測-」-データマイニングセミナー17457Oct 8 2010
    https://www.slideshare.net/hamadakoichi/prml-3983027パターン認識と機械学習(PRML)第1章-「多項式曲線フィッティング」「確率論」17312May 5 2010
    https://www.slideshare.net/TakashiKato2/ss-57966067コンピュータ将棋・囲碁における機械学習活用16775Feb 7 2016
    https://www.slideshare.net/kazumakadomae/ss-58502369機械学習に取り組んでいる企業の紹介16662Feb 20 2016
    https://www.slideshare.net/kwp_george/ss-45978508全脳アーキテクチャ若手の会強化学習16613Mar 18 2015
    https://www.slideshare.net/shoheihido/cross-30115506機械学習CROSS前半資料16511Jan 16 2014
    https://www.slideshare.net/TokorotenNakayama/kpi-ab-cwt2016データ分析グループの組織編制とその課題マーケティングにおけるKPI設計の失敗例ABテストの活用と、機械学習の導入#CWT201616479Nov 9 2016
    https://www.slideshare.net/unnonouno/ss-59660836子供の言語獲得と機械の言語獲得16474Mar 17 2016
    https://www.slideshare.net/beam2d/chainer-64567959深層学習フレームワークChainerの開発と今後の展開16391Aug 1 2016
    https://www.slideshare.net/takanorig/storm-31157560デブサミ2014-Stormで実現するビッグデータのリアルタイム処理プラットフォーム~ストリームデータ処理から機械学習まで~16272Feb 13 2014
    https://www.slideshare.net/NVIDIAJapan/gpu-51812528なぜGPUはディープラーニングに向いているか16023Aug 19 2015
    https://www.slideshare.net/masayuki1986/azure-machine-learning-49034325推薦システムを構築する手順書withAzureMachineLearning15997Jun 5 2015
    https://www.slideshare.net/RecruitLifestyle/cet-capture-everythingCET(CaptureEveryThing)プロジェクトにおける機械学習・データマイニング最前線15988Dec 14 2015
    https://www.slideshare.net/unnonouno/20140606-mlctJubatusにおける機械学習のテスト@MLCT15881Jun 6 2014
    https://www.slideshare.net/syou6162/ss-3001118半教師あり学習15812Jan 27 2010
    https://www.slideshare.net/shakezo/mlct4プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方 #MLCT415399Dec 21 2015
    https://www.slideshare.net/trinmu/stochasticoptim2013機械学習におけるオンライン確率的最適化の理論15302Jul 3 2013
    https://www.slideshare.net/masayuki1986/recommendation-ml協調フィルタリングを利用した推薦システム構築14794Apr 22 2015
    https://www.slideshare.net/enakai/it-pandasPython機械学習プログラミングデータ分析演習編14743Nov 25 2015
    https://www.slideshare.net/YoshitakaUshiku/ss-57148161画像キャプションの自動生成14707Jan 17 2016
    https://www.slideshare.net/ryotat/20111128-10460799行列およびテンソルデータに対する機械学習(数理助教の会2011/11/28)14640Dec 4 2011
    https://www.slideshare.net/takmin/20141008-4001986120141008物体検出器14412Oct 8 2014
    https://www.slideshare.net/hajimexi/101813-hesitatefinal-fixedWEB閲覧時における無意識な行動のデータマイニングbyZenClerk14218Oct 19 2013
    https://www.slideshare.net/chezou/ruby-28923469Rubyと機械学習の現状14178Dec 5 2013
    https://www.slideshare.net/MasayukiIsobe/ss-35851169第二回機械学習アルゴリズム実装会-LDA14149Jun 13 2014
    https://www.slideshare.net/siritori/6-35685092正則化つき線形モデル(「入門機械学習第6章」より)14070Jun 10 2014
    https://www.slideshare.net/imaimasahiro/20130727-cv-machinelearning-2466957920130727cvmachine_learning@tokyowebmining14000Jul 26 2013
    https://www.slideshare.net/nishio/kaggle-otto実践多クラス分類KaggleOttoから学んだこと13565May 29 2015
    https://www.slideshare.net/irrrrr/2015-46395273機械学習とその理論(情報オリンピック2015春合宿講義資料)13427Mar 28 2015
    https://www.slideshare.net/seijitakahashi92/gunosy-44530766機械学習で大事なことをミニGunosyをつくって学んだ╭(・ㅂ・)و̑̑ 13415Feb 10 2015
    https://www.slideshare.net/pfi/ibis2016okanohara-69230358Ibis2016okanohara13400Nov 18 2016
    https://www.slideshare.net/SeiichiUchida/ss-71479583深層学習の非常に簡単な説明13377Jan 28 2017
    https://www.slideshare.net/TakashiKato2/ss-52335846コンピュータ将棋について~機械学習を用いた局面学習への道~13038Sep 2 2015
    https://www.slideshare.net/shuyo/ss-35785798猫に教えてもらうルベーグ可測12889Jun 12 2014
    https://www.slideshare.net/enakai/machine-learning-theroy-handson-20150420ソフトウェアエンジニアのための「機械学習理論」入門・ハンズオン演習ガイド12833Apr 24 2015
    https://www.slideshare.net/takahirokubo7792/ss-63166784「人工知能」をあなたのビジネスで活用するには12830Jun 17 2016
    http://www.slideshare.net/MapR_Japan/mahoutsolr-hadoop-conference-japan-2014実践機械学習—MahoutとSolrを活用したレコメンデーションにおけるイノベーション-2014/07/08HadoopConferenceJapan201412317Jul 8 2014
    https://www.slideshare.net/ssuserb5817c/python-66169435Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう12307Sep 19 2016
    https://www.slideshare.net/tottokug/azure-ml-43641782AzureMLで機械学習をやってみよう12297Jan 18 2015
    https://www.slideshare.net/shima__shima/2011-mtokyoscipy1Pythonによる機械学習実験の管理12228Oct 27 2011
    https://www.slideshare.net/hamukazu/python-62836565Pythonで機械学習入門以前12125Jun 8 2016
    https://www.slideshare.net/nobu_k/ss-56810268機械学習を利用したちょっとリッチな検索11763Jan 8 2016
    https://www.slideshare.net/canard0328/ss-51632037機械学習によるデータ分析実践編11515Aug 14 2015
    https://www.slideshare.net/shotarosano5/chapter7-50542830再帰型ニューラルネットin機械学習プロフェッショナルシリーズ輪読会11443Jul 15 2015
    https://www.slideshare.net/NVIDIAJapan/ss-71043984これから始める人の為のディープラーニング基礎講座11424Jan 16 2017
    https://www.slideshare.net/sesejun/ss-10104027次世代シーケンサが求める機械学習11333Nov 10 2011
    https://www.slideshare.net/TokorotenNakayama/mlctプロダクション環境でオンラインで機械学習を動かすにあたってツライ話#MLCT11189May 1 2015
    http://www.slideshare.net/maruyama097/ss-53314018機械学習技術の現在11181Sep 29 2015
    https://www.slideshare.net/hamukazu/python-62212519Pythonによる機械学習11136May 20 2016
    https://www.slideshare.net/JubatusOfficial/20140629-36495050Jubatusで始める機械学習10969Jul 1 2014
    https://www.slideshare.net/myui/hdj2014-myuiHcj2014myui10926Jul 7 2014
    https://www.slideshare.net/yamakatu/aws-casual-talks2ltSpotInstance+Spark+MLlibで実現する簡単低コスト機械学習10887Apr 18 2014
    https://www.slideshare.net/torotoki/ss-14069592質問応答システム入門10805Aug 25 2012
    https://www.slideshare.net/hayatomaki9/litmachinelearning機械学習入門10769Nov 27 2015
    https://www.slideshare.net/mmktakahashi/ss-15231807機械学習の応用例にみる認知症診断と将来の発症予測10585Nov 18 2012
    https://www.slideshare.net/syou6162/ss-63417714今日からできる構造学習(主に構造化パーセプトロンについて)10524Jun 24 2016
    https://www.slideshare.net/pfi/session4-14461913Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平10429Sep 25 2012
    https://www.slideshare.net/pfi/jubatus-16050975Jubatus:分散協調をキーとした大規模リアルタイム機械学習プラットフォーム10417Jan 18 2013
    https://www.slideshare.net/Cloudera_jp/data-science-toward-big-data-cwt2016大規模データに対するデータサイエンスの進め方#CWT201610409Nov 9 2016
    https://www.slideshare.net/TokorotenNakayama/mlbussinessヒューレットパッカード社の 社員の離職リスク予測第一回機械学習ビジネス研究会#ml_business10317Aug 28 2016
    https://www.slideshare.net/keisukeosone/ss-64685474いまさら聞けない機械学習の評価指標10206Aug 4 2016
    https://www.slideshare.net/shima__shima/mldm-relatedconferences2014データマイニング・機械学習関連の国際会議10079Feb 5 2015
    http://www.slideshare.net/recruitcojp/ss-42745505「機械学習:技術的負債の高利子クレジットカード」のまとめ9956Dec 16 2014
    https://www.slideshare.net/takahirokubo7792/python-openai-gymPythonではじめるOpenAIGymトレーニング9852Sep 22 2016
    https://www.slideshare.net/ashitanoken/machine-learning-apache-mahoutmachinelearning&apachemahout9821Nov 30 2010
    https://www.slideshare.net/yukinoi/python-auto-sklearnPythonで機械学習を自動化autosklearn9750Oct 24 2015
    https://www.slideshare.net/pfi/pfi-seminar-20120315PFISeminar2012/03/15カーネルとハッシュの機械学習9697Mar 15 2012
    https://www.slideshare.net/JunichiNoda/spark-mllib機械学習ライブラリ「SparkMLlib」で作るアニメレコメンドシステム9596Feb 27 2016
    https://www.slideshare.net/tak9029/tensorflow-67483532深層学習とTensorFlow入門9526Oct 21 2016
    https://www.slideshare.net/issei_sato/ss-12125104統計的機械学習における量子アニーリング9357Mar 23 2012
    https://www.slideshare.net/hirsoshnakagawa3/kernel1aクラシックな機械学習の入門  5.サポートベクターマシン9334Mar 13 2014
    https://www.slideshare.net/masayuki1986/azure-ml-46562993AzureMachineLearning gettingstarted9094Apr 1 2015
    https://www.slideshare.net/NorihikoNakabayashi/ss-64497195JupyterNotebookでscikit-learnを使った機械学習・画像処理の基本9089Jul 29 2016
    https://www.slideshare.net/JSUXDesign/2-51367666ジャストシステムの形態素解析技術その2機械学習編9083Aug 7 2015
    https://www.slideshare.net/ww24jp/ss-57975202機械学習を用いたパターンロック認証の強化手法8779Feb 7 2016
    https://www.slideshare.net/palloc/ss-68285327機械学習を用いた異常検知入門8746Nov 7 2016
    https://www.slideshare.net/kermit123/45-web45分で理解するwebクローリング入門斉藤之雄8547Jul 2 2012
    https://www.slideshare.net/unnonouno/ss-75153601予測型戦略を知るための機械学習チュートリアル8425Apr 19 2017
    https://www.slideshare.net/hamadakoichi/cross2012-11646114データマイニングCROSS第2部-機械学習・大規模分散処理8334Feb 18 2012
    https://www.slideshare.net/ttpooh/tokyo-data-night-tokyodnアドテクにおける機械学習技術@TokyoDataNight#tokyodn8189Jul 24 2015
    https://www.slideshare.net/pfi/ipab2017-72723336IPAB2017深層学習を使った新薬の探索から創造へ8171Mar 2 2017
    https://www.slideshare.net/piroyoung/ss-42686014自然言語処理のための機械学習入門1章8140Dec 14 2014
    https://www.slideshare.net/yokkuns/ss-12901795異常行動検出入門(改)8100May 11 2012
    https://www.slideshare.net/langstat/tokyowebmining16-10346267TokyoWebmining_16:機械学習を使った英語習熟度の推定8098Nov 26 2011
    https://www.slideshare.net/pika_shi/machine-learning-13446072機械学習8087Jun 25 2012
    https://www.slideshare.net/minoruchikamune/20160325-60094117有名論文から学ぶディープラーニング2016.03.258065Mar 28 2016
    https://www.slideshare.net/hoxo_m/ss-66381190シンギュラリティを知らずに機械学習を語るな7942Sep 24 2016
    https://www.slideshare.net/sady_nitro/ss-17680859みんな大好き機械学習7836Mar 25 2013
    https://www.slideshare.net/YuyaKato3/tensorflow-58795721TensorFlowを使ってテキストをクラス分類してみた7827Feb 27 2016
    https://www.slideshare.net/kazoo04/ss-56821735自然言語処理の仕組みと手順7814Jan 8 2016
    https://www.slideshare.net/unnonouno/ella-24077958ICML2013読み会ELLA:AnEfficientLifelongLearningAlgorithm7688Jul 9 2013
    https://www.slideshare.net/takahirokubo7792/ss-48083463機械学習技術の紹介7515May 13 2015
    https://www.slideshare.net/hagino_3000/2-59125622スパース性に基づく機械学習2章データからの学習7460Mar 5 2016
    https://www.slideshare.net/sleepy_yoshi/prm11-715計算論的学習理論入門-PAC学習とかVC次元とか-7441Jun 23 2013
    https://www.slideshare.net/shoheihido/nips2013NIPS2013読み会:MoreEffectiveDistributedMLviaaStaleSynchronousParallelParameterServer7366Jan 22 2014
    https://www.slideshare.net/yasutomo57jp/pythondeep-learning-60544586Pythonによる機械学習入門〜基礎からDeepLearningまで〜7297Apr 6 2016
    https://www.slideshare.net/shotayasui/ss-67818872計量経済学と機械学習の交差点入り口(公開用)7289Oct 29 2016
    https://www.slideshare.net/katsuhiromorishita/ss-57762976初めての機械学習7273Feb 2 2016
    https://www.slideshare.net/mooopan/a3c-62170605A3Cという強化学習アルゴリズムで遊んでみた話7195May 19 2016
    https://www.slideshare.net/nishio/ss-66840545勾配降下法の 最適化アルゴリズム7187Oct 7 2016
    https://www.slideshare.net/masakazusano75/sano-hmm-20150512Sanohmm201505127186May 15 2015
    https://www.slideshare.net/issei_sato/ppmlBayesianNonparametrics入門-点過程と統計的機械学習の接点-7139Jul 5 2013
    https://www.slideshare.net/codeblue_jp/by-clarence-chio-code-blue-2015現実世界での機械学習によるアノマリ検知システムの構築と回避byClarenceChio-CODEBLUE20157051Mar 18 2016
    https://www.slideshare.net/JubatusOfficial/jubatus-59619986Jubatusハンズオン機械学習はじめてみた7031Mar 16 2016
    https://www.slideshare.net/hamadakoichi/10-web-tokyowebmining10回開催記念「データマイニング+WEB~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー#TokyoWebmining6980Feb 27 2011
    https://www.slideshare.net/TokorotenNakayama/ss-63521614機械学習ビジネス研究会(未踏研究会)6957Jun 28 2016
    https://www.slideshare.net/yuukiiwabuchi9/mathematica-57969027Mathematicaで 機械学習してみた6881Feb 7 2016
    https://www.slideshare.net/pfi/ss-75251599エッジヘビーコンピューティングと機械学習6876Apr 21 2017
    https://www.slideshare.net/x1ichi/spark-51164327広告配信現場で使うSpark機械学習6757Aug 1 2015
    https://www.slideshare.net/hirsoshnakagawa3/ss-32275026クラシックな機械学習の入門  11.評価方法6757Mar 13 2014
    https://www.slideshare.net/shoheihido/pmmlpfa機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA6702Oct 20 2016
    https://www.slideshare.net/ffri/mr201306-machine-learningforcomputersecurityjpnMr201306機械学習のセキュリティ技術応用6682Oct 7 2013
    https://www.slideshare.net/hirsoshnakagawa3/ss-32274390クラシックな機械学習の入門  8.クラスタリング6672Mar 13 2014
    https://www.slideshare.net/dsuket/ss-57488780いまさら聞けない機械学習のキホン6666Jan 26 2016
    http://www.slideshare.net/bonprosoft/ss-60197661それっぽく感じる機械学習6649Mar 30 2016
    https://www.slideshare.net/KMC_JP/p-45994744Topologicaldataanalysis6602Mar 18 2015
    https://www.slideshare.net/recruitcojp/hadoop-sourcecodereading-20150521Spark/MapReduceの機械学習ライブラリ比較検証6546Jun 4 2015
    https://www.slideshare.net/unnonouno/ss-72070828深層学習による機械とのコミュニケーション6465Feb 13 2017
    https://www.slideshare.net/enakai/tensorflow-69157740TensorFlowによるニューラルネットワーク入門6443Nov 17 2016
    https://www.slideshare.net/KeisukeSugawara/slide0629PRML第6章「カーネル法」6179Jun 29 2015
    https://www.slideshare.net/issei_sato/ss-37837949点過程と統計的機械学習の数理20146119Aug 9 2014
    https://www.slideshare.net/hamadakoichi/mobage-ibis-2012『Mobageの大規模データマイニング活用と意思決定』-#IBIS2012-ビジネスと機械学習の接点-6111Jan 23 2014
    https://www.slideshare.net/id774net/web-14142819Webシステムにおける自動分類器を利用した機械学習と顧客購買行動の予測6094Sep 2 2012
    https://www.slideshare.net/enakai/tensorflowdqnTensorFlowで学ぶDQN6064Jun 20 2016
    https://www.slideshare.net/JunichiNoda/2015-ai-azureml-amazonml最新!2015年クラウドAIプラットフォーム比較AzureML&AmazonML6008Sep 29 2015
    https://www.slideshare.net/at_grandpa/5-chapter-1-2機械学習プロフェッショナルシリーズ輪読会#5異常検知と変化検知Chapter1&2資料5994Aug 21 2015
    https://www.slideshare.net/alembert2000/prml-at-1PRML上巻勉強会at東京大学 資料 第1章前半5975Nov 20 2013
    https://www.slideshare.net/shoheihido/cross-ml-kouhen機械学習CROSS後半資料5959Jan 19 2014
    https://www.slideshare.net/hoxo_m/perplexityトピックモデルの評価指標Perplexityとは何なのか?5955Mar 29 2016
    https://www.slideshare.net/yutakashino/01-65431175機械学習ビジネス研究会第01回5849Aug 28 2016
    https://www.slideshare.net/TokorotenNakayama/vector-converter特徴ベクトル変換器を作った話5834Jan 21 2015
    https://www.slideshare.net/hirsoshnakagawa3/ss-32274089クラシックな機械学習の入門7.オンライン学習5790Mar 13 2014
    https://www.slideshare.net/hirsoshnakagawa3/intro1-32159425クラシックな機械学習入門 1 導入5735Mar 11 2014
    https://www.slideshare.net/enakai/web-65150969Webアプリケーションにおける機械学習活用の基礎5723Aug 19 2016
    https://www.slideshare.net/ssuser4b29b7/ss-66793390ディープラーニングで株価予測をやってみた5713Oct 6 2016
    https://www.slideshare.net/yuishikawa/20151117-apache-spark2015-11-17きちんと知りたいApacheSpark~機械学習とさまざまな機能群5663Nov 16 2015
    https://www.slideshare.net/satonaoki/20161219teratail[teratailStudy~機械学習編#2~]MicrosoftAzureのAI関連サービス5613Dec 19 2016
    https://www.slideshare.net/akira_11/r-01-48529517R実践機械学習による異常検知015495May 24 2015
    https://www.slideshare.net/dcubeio/hr-tech-xHRTechx機械学習導入事例紹介5466Feb 27 2017
    https://www.slideshare.net/eguchiakifumi/qsar-57118213子どもたちの未来を支える機械学習:定量的構造活性相関(QSAR)による有機ハロゲン化合物の母子間移行率予測5423Jan 16 2016
    https://www.slideshare.net/chezou/hajipata-juliaJuliaを使った機械学習5417Feb 18 2014
    https://www.slideshare.net/recruitcojp/ai-69855582リクルートテクノロジーズが語る企業における、「AI/ディープラーニング」活用のリアル5409Dec 6 2016
    https://www.slideshare.net/levelfour/shrift文字認識システムShrift5388Aug 29 2014
    https://www.slideshare.net/satonaoki/20151201dev-festaazureml[DevelopersFestaSapporo2015]AzureMachineLearningで機械学習を始めよう5375Dec 1 2015
    http://www.slideshare.net/yaju88/shizu-dev-r静岡Developers勉強会 入門機械学習5325Oct 20 2013
    https://www.slideshare.net/hirsoshnakagawa3/linea-r1クラシックな機械学習の入門3.線形回帰および識別5301Mar 13 2014
    https://www.slideshare.net/techblogyahoo/devsumi-58688249ヤフオク!における機械学習~深層学習、分散表現~#devsumi5266Feb 25 2016
    https://www.slideshare.net/shiraco/techcirclepepperTech-CirclePepperで機械学習体験ハンズオン勉強会inアトリエ秋葉原5217Jul 23 2015
    https://www.slideshare.net/Shiroyagicorp/19d1-58461598【19-D-1】人間と機械学習のはざま:どこまでアルゴリズムに任せるか5194Feb 19 2016
    https://www.slideshare.net/KazufumiOhkawa/12-20049278入門機械学習1,2章5125Apr 26 2013
    https://www.slideshare.net/matsukenbook/4-53640134異常検知と変化検知第4章近傍法による異常検知5017Oct 7 2015
    https://www.slideshare.net/hatenatech/ss-4942250はてなインターン「機械学習」5010Aug 11 2010
    https://www.slideshare.net/hijiki_s/20150418-tokyo-webminingLHCにおける素粒子ビッグデータの解析とROOTライブラリ(BigDataAnalysisatLHCandROOT)4885Apr 18 2015
    https://www.slideshare.net/issei_sato/big-datastochastic-gradient-langevin-dynamicsBigData時代の大規模ベイズ学習 -StochasticGradientLangevinDynamics を中心として4883Aug 9 2014
    https://www.slideshare.net/TakeshiHasegawa1/ikalog20161125nsstudy#IkaLogによるスプラトゥーンの画像解析と機械学習4818Nov 25 2016
    https://www.slideshare.net/cloretsblack/ss-58917656機械学習によるリモートネットワークの異常検知4809Mar 1 2016
    https://www.slideshare.net/beeEaMa/chapter-02-49488411Chapter02#ml-professional4789Jun 17 2015
    https://www.slideshare.net/Prunus1350/prml-62パターン認識と機械学習§6.2カーネル関数の構成4786Mar 9 2013
    https://www.slideshare.net/HirokazuNishio/ss-65620579機械学習アルゴリズムの絵本4727Sep 2 2016
    https://www.slideshare.net/KojiSekiguchi/ss-13451390自然言語処理における機械学習による曖昧性解消入門4711Jun 25 2012
    https://www.slideshare.net/HitoshiHabe/ss-58784126機械学習とコンピュータビジョン入門4690Feb 27 2016
    https://www.slideshare.net/nkjm/iot-58447760鳥肌必至のニューラルネットワークによる近未来の画像認識技術を体験し、IoTの知られざるパワーを知る4683Feb 19 2016
    https://www.slideshare.net/shirakiya/web-67545440経験ゼロのWeb企業が機械学習に取り組んだ話4658Oct 23 2016
    https://www.slideshare.net/masakazuishihata/ishihata-koudaisai121006forpdf機械学習でお小遣いを稼ぐ!-本推薦Twitterbotの紹介-4649Oct 9 2012
    https://www.slideshare.net/haradaatsea4/web-66507955普通のwebエンジニアでも出来る、ド素人からの機械学習のはじめ方4611Sep 28 2016
    https://www.slideshare.net/DATAHOTEL/ss-55804225機械学習を学ぶための準備 その3(行列について)試験問題4590Dec 4 2015
    https://www.slideshare.net/ttpooh/ss-64890255セレンディピティと機械学習4582Aug 11 2016
    https://www.slideshare.net/TeruyukiSakaue/ss-63441067機械学習による積極的失業〜オウンドメディアの訪問予測4551Jun 25 2016
    https://www.slideshare.net/pfi/security-ml-20130628kashiharaJubatusで始める機械学習/セキュリティと機械学習4534Aug 19 2014
    https://www.slideshare.net/maruyama097/ss-42587994エンタープライズと機械学習技術4531Dec 10 2014
    https://www.slideshare.net/satonaoki/microsoft-azure-machine-learning-69700998MicrosoftAzureの機械学習サービス(AzureMachineLearning/MicrosoftCognitiveServices)4518Nov 30 2016
    https://www.slideshare.net/shoheihido/kdd-25788780今年のKDDベストペーパーを実装・公開しました4509Sep 1 2013
    https://www.slideshare.net/takahirokubo7792/machine-learningbootstrap-47179613MachineLearningBootstrap4425Apr 20 2015
    https://www.slideshare.net/rakutentech/ecommerce-15078624E-commerce企業におけるビッグデータへの挑戦と課題‐機械学習への期待について‐4345Nov 8 2012
    https://www.slideshare.net/from2001/ss-29919349勉強会資料:プログラムもアルゴリズム理解も不要な機械学習テキストマイニング4243Jan 11 2014
    http://www.slideshare.net/nowokay/20151121-55359989機械学習プロ生201511214175Nov 21 2015
    https://www.slideshare.net/babaroa/code-blue-2016-webCODEBLUE2016-機械学習でWebアプリケーションの脆弱性を見つける方法4059Oct 23 2016
    https://www.slideshare.net/itakigawa/ss-69269618科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性4058Nov 18 2016
    https://www.slideshare.net/softlayerjp/ibm-bluemix-siosSIOSiQ:機械学習ITOAVMware仮想環境の性能問題の原因分析迅速な問題解決と未然防止を実現3940Sep 9 2015
    https://www.slideshare.net/AmazonWebServicesJapan/aws-70254977データレイクを基盤としたAWS上での機械学習サービス構築3876Dec 19 2016
    https://www.slideshare.net/shuyo/ai-vsmlpublic-72939220人工知能と機械学習の違いって?3814Mar 8 2017
    https://www.slideshare.net/mamoruk/ss-24918858ウェブマイニングを用いた英語学習支援3808Aug 4 2013
    https://www.slideshare.net/oxy919/yyoshida-20150611forslideshareGreedisGood:劣モジュラ関数最大化とその発展3785Jun 12 2015
    https://www.slideshare.net/nkjm/database-cloud実はDatabasecloudだけで実現できる巷で噂の機械学習とは?3776Mar 15 2016
    https://www.slideshare.net/tamushun/sirok-4【SIROK技術勉強会#4】機械学習と線形代数の基礎3774Aug 19 2015
    https://www.slideshare.net/hirsoshnakagawa3/ss-32274787クラシックな機械学習の入門  10.マルコフ連鎖モンテカルロ法3744Mar 13 2014
    https://www.slideshare.net/pecorarista/prml04PRML第4章3739May 15 2015
    http://www.slideshare.net/DATAHOTEL/ss-56039579機械学習を学ぶための準備 その3(行列について)試験問題 解答3725Dec 11 2015
    https://www.slideshare.net/Erika_Fujita/ss-50118591全脳アーキテクチャ若手の会機械学習勉強会ベイジアンネットワーク3715Jul 3 2015
    http://www.slideshare.net/DATAHOTEL/ss-56039864機械学習を学ぶための準備 その4(行列について)試験問題3702Dec 11 2015
    https://www.slideshare.net/pjxiao/php-37624749PHPによる機械学習3682Aug 3 2014
    https://www.slideshare.net/hagino_3000/9-55242143異常検知と変化検知9章部分空間法による変化点検知3653Nov 18 2015
    https://www.slideshare.net/yoheinaruse3/java-37147537Javaで始める機械学習3636Jul 19 2014
    https://www.slideshare.net/mp_mrk/rtoaster6-dmpRtoaster特徴6最先端の機械学習アルゴリズム3613Feb 17 2015
    https://www.slideshare.net/YoshitakaUshiku/20150530-kantocv-curriculumlearningCurriculumLearning(関東CV勉強会)3608May 30 2015
    https://www.slideshare.net/maraigue/ss-59765112関数の最小値を求めることから機械学習へ3602Mar 19 2016
    https://www.slideshare.net/hijiki_s/akira-shibata-at-developer-summit-2016-58449436Akirashibataatdevelopersummit20163551Feb 19 2016
    https://www.slideshare.net/hirsoshnakagawa3/bias-variance1aクラシックな機械学習の入門4.学習データと予測性能3442Mar 13 2014
    https://www.slideshare.net/y-ken/real-estate-tech-with-hivemallHivemallで始める不動産価格推定サービス3398Oct 21 2015
    https://www.slideshare.net/ryokuta/deep-learning-64339091DeepLearningを用いたロボット制御3379Jul 25 2016
    https://www.slideshare.net/unnonouno/20130518-twitterTwitter分析のためのリアルタイム分析基盤@第4回Twitter研究会3329May 16 2013
    https://www.slideshare.net/ItaruOtomaru/prml-45271788[PRML勉強会資料]パターン認識と機械学習第3章線形回帰モデル(章頭-3.1.5)(p.135-145)3306Feb 28 2015
    https://www.slideshare.net/takahirokubo7792/ss-71453093画像認識モデルを作るための鉄板レシピ3290Jan 27 2017
    https://www.slideshare.net/akira_11/r-02-48529612R実践機械学習による異常検知023286May 24 2015
    https://www.slideshare.net/junya100/jubatus-18540677機械学習とJubatus3225Apr 10 2013
    https://www.slideshare.net/takumahatano18/tokyo-r-06201億5000万円欲しい(ロト6のデータで遊ぶ)3138Jun 20 2015
    https://www.slideshare.net/suzuki333333333/ss-55355797とりあえず機械学習をやってみた3102Nov 21 2015
    https://www.slideshare.net/aknow3373/ss-55841517「お手軽な機械学習サービス」で、ルーティンワークに立ち向かおう!3092Dec 5 2015
    https://www.slideshare.net/AmazonWebServicesJapan/amazonaws-67527573Amazonでのレコメンド生成における深層学習とAWS利用について3043Oct 22 2016
    https://www.slideshare.net/hirsoshnakagawa3/opt-algorithm1クラシックな機械学習の入門6.最適化と学習アルゴリズム3027Mar 13 2014
    https://www.slideshare.net/hirsoshnakagawa3/bayes1クラシックな機械学習の入門 2.ベイズ統計に基づく推論2994Mar 12 2014
    https://www.slideshare.net/jaisalmer992/cd-driveprml2-4-d0703C:\DDrive\Prml\プレゼン\パターン認識と機械学習24章D07032939Jul 7 2010
    https://www.slideshare.net/takashijozaki1/ss-56464495直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する2902Dec 27 2015
    https://www.slideshare.net/TsuyoshiHirayama/ibm-watson-machine-learning-and-watson-knowledge-stuido-20160827Ibmwatsonmachinelearningandwatsonknowledgestuido201608272787Aug 27 2016
    https://www.slideshare.net/hirsoshnakagawa3/ss-33841006クラシックな機械学習入門:付録:よく使う線形代数の公式2782Apr 23 2014
    https://www.slideshare.net/kiyoshi_iwabuchi/20150329-final-ver1020150329SAPInfiniteInsight(SAPが提供する機械学習エンジン)2774Mar 31 2015
    https://www.slideshare.net/takahirokubo7792/ss-47094972機械学習を用いた会議診断システムの開発2695Apr 16 2015
    https://www.slideshare.net/uesaka/azure-machine-learning-52041107AzureMachineLearningによるレコメンデーションの設計&実装を公開!~朝日カルチャーセンターの事例から~2685Aug 25 2015
    https://www.slideshare.net/maruyama097/tensolflow-white-paper機械学習技術の現在+TensolFlowWhitePaper2624Dec 23 2015
    https://www.slideshare.net/KatsukiOhto/ss-66400465大富豪に対する機械学習の適用+α2616Sep 25 2016
    https://www.slideshare.net/TeppeiMurakami/chainer-keras-68860442機械学習フレームワーク横断、Chainer,Keras2604Nov 14 2016
    https://www.slideshare.net/MasatoNakai1/4-70284613機械学習の全般について42559Dec 19 2016
    https://www.slideshare.net/unnonouno/jubatus-21133522Jubatusにおける大規模分散オンライン機械学習@先端金融テクノロジー研究会2544May 13 2013
    http://www.slideshare.net/maruyama097/ss-39731666人間の思考、機械の思考2524Sep 30 2014
    https://www.slideshare.net/enakai/google-73393814Googleにおける機械学習の活用とクラウドサービス2494Mar 21 2017
    https://www.slideshare.net/techblogyahoo/yahoo-japan-streamctjpYahoo!JAPANにおけるオンライン機械学習実例#streamctjp2494Jul 25 2016
    https://www.slideshare.net/hirsoshnakagawa3/9-32274608クラシックな機械学習の入門  9.モデル推定2477Mar 13 2014
    http://www.slideshare.net/ToshihikoYamasaki/ss-66138771【FIT2016チュートリアル】ここから始める情報処理~機械学習編~2461Sep 18 2016
    https://www.slideshare.net/TakeshiHasegawa1/ikalog-data-collector-for-splatoon-and-machine-learning-jan-2017-softbankIkaLog:DataCollectorforSplatoon andMachineLearning (Jan2017@Softbank)2446Jan 16 2017
    https://www.slideshare.net/yuishikawa/2016-0615-spark2016-06-15Sparkの機械学習の開発と活用の動向2438Jun 15 2016
    https://www.slideshare.net/mogiken1/ss-46833284実践:今日から使えるビックデータハンズオンあなたはタイタニック号で生き残れるか?知的生産性UPのための機械学習超入門2438Apr 9 2015
    https://www.slideshare.net/hamukazu/python-71462844Pythonを使った機械学習の学習2422Jan 27 2017
    https://www.slideshare.net/kivantium/ss-49738333機械学習勉強会資料2377Jun 23 2015
    https://www.slideshare.net/shoheihido/software-for-edge-heavy-computing-interop-2016-tokyoSoftwareforEdgeHeavyComputing@INTEROP2016Tokyo2342Jun 9 2016
    https://www.slideshare.net/AtsuoAoki/microsoftaiMicrosoft機械学習の簡単な紹介2332Apr 27 2016
    https://www.slideshare.net/mitsukioga/ss-36876390パターン認識と機械学習〜指数型分布族とノンパラメトリック〜2229Jul 11 2014
    https://www.slideshare.net/sfchaos/julia-47433829Juliaによる予測モデル構築・評価2218Apr 26 2015
    https://www.slideshare.net/junsakuma/ss-47311911キノコ狩りで収穫100倍増を 機械学習で実現する方法2125Apr 22 2015
    https://www.slideshare.net/ToshihikoYamakami/2017-71233526サルでもわかるディープラーニング入門(2017年) (InJapanese)2045Jan 20 2017
    https://www.slideshare.net/biatunky/azure-machine-learning-45549499AzureMachineLearningを触ってみた!2003Mar 7 2015
    https://www.slideshare.net/tnoborio/grcarry-ver2GR-CARRYでジェスチャーの機械学習-かぎーぱみゅぱみゅVer.21963Oct 15 2015
    https://www.slideshare.net/yasuyukisugai/3nnkeras第3回機械学習勉強会「色々なNNフレームワークを動かしてみよう」-Keras編-1916Jul 6 2016
    https://www.slideshare.net/MasatoTaruishi/tfug3-retty-2200-72489223TFUG#3Retty流「2200万ユーザさんを支える機械学習基盤」の作り方1884Feb 23 2017
    https://www.slideshare.net/babaroa/web-reflected-xss機械学習でWebアプリの脆弱性を見つける-ReflectedXSS編-1874Jul 25 2016
    https://www.slideshare.net/tetutaro/rco-62374167機械学習向けプログラミング言語の使い分け-RCOの場合1874May 25 2016
    https://www.slideshare.net/Prunus1350/prml-834パターン認識と機械学習§8.3.4有向グラフとの関係1848Jul 21 2013
    https://www.slideshare.net/YutaKoga/coursera-machine-learning-week2CourseraMachineLearningWeek2まとめ 1835Jan 7 2016
    https://www.slideshare.net/satonaoki/20161126ml15minazureml[第6回MachineLearning15minutes!]機械学習サービス「AzureMachineLearning」(+MicrosoftCognitiveToolkit(CNTK)も少しだけ)1807Nov 26 2016
    http://www.slideshare.net/shotarosano5/in-54205735サポートベクトルデータ記述法による異常検知in機械学習プロフェッショナルシリーズ輪読会1789Oct 21 2015
    https://www.slideshare.net/jaisalmer992/14-d0912-5345854パターン認識と機械学習14章d09121784Oct 3 2010
    https://www.slideshare.net/jimaoka/einsteinherokupredictionioEinsteinってどんなもの?Heroku+PredictionIOを使って機械学習をわかった気になってみよう!1772Oct 25 2016
    https://www.slideshare.net/techblogyahoo/yjdsw1-56331419ヤフートップページでの機械学習#yjdsw11763Dec 21 2015
    https://www.slideshare.net/owllearnbiz/lagrange-50543837機械学習を理解するための数学テクニック勉強会Lagrange未定乗数法1752Jul 15 2015
    https://www.slideshare.net/IchiroMaruta/ss-72903584データでみる機械学習と制御理論の類似点と相違点1749Mar 7 2017
    https://www.slideshare.net/KazufumiOhkawa/ss-21870268入門機械学習読書会二回目1748May 24 2013
    https://www.slideshare.net/takahirokubo7792/2016-ncm対話破綻検出チャレンジ2016:NCMを用いた対話と破綻の同時学習1656Oct 5 2016
    https://www.slideshare.net/SASJapan/sas-enterprise-miner-51897950SASEnterpriseMinerを使用した機械学習1648Aug 21 2015
    https://www.slideshare.net/kenjioda/prml-48807374PRML 機械学習超入門 使える教材まとめ1612May 31 2015
    https://www.slideshare.net/ToruUenoyama/tensorflowsummer-editionTensorFlowで機械学習ことはじめ(summeredition)1601Aug 27 2016
    https://www.slideshare.net/nishio/01-68382174機械学習キャンバス0.11573Nov 8 2016
    https://www.slideshare.net/optim_internship/optim-66539382Optimインターンシップ機械学習による画像の領域分割1567Sep 29 2016
    https://www.slideshare.net/__john_smith__/5-481565365分でわかる怖くない機械学習1528May 14 2015
    https://www.slideshare.net/stealthinu/gcetensorflowGCEをTensorFlowの「計算エンジン」にする1516Jul 26 2016
    https://www.slideshare.net/cancolle/lt-2-65972250機械学習するな機会学習しろ-データサイエンスLT祭り2夜目1471Sep 13 2016
    https://www.slideshare.net/kazuakitanida/kerasKerasで深層学習を実践する1457Oct 27 2016
    https://www.slideshare.net/rumisbern/ss-58901767機械学習基礎(2)(パラメータ推定)1447Mar 1 2016
    https://www.slideshare.net/rumisbern/ss-58028512機械学習基礎(1)(基礎知識編-最適化問題)1446Feb 8 2016
    https://www.slideshare.net/utatakiyoshi/2013-joi-62013JOI春合宿講義6機械学習入門1437Mar 23 2013
    https://www.slideshare.net/kazk1018/ml-pipelineMLPipelineで実践機械学習1398Jun 23 2015
    https://www.slideshare.net/NaoyukiSakai/short-ver-47316085ブラックボックスなアドテクを機械学習で推理してみたShortver1392Apr 22 2015
    https://www.slideshare.net/hirokiyamamoto969/tpot面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜1376Sep 7 2016
    https://www.slideshare.net/tmprcd12345/machine-learning-15minutes新事業で目指す自然言語処理ビジネス、その未来MachineLearning15minutes! 発表資料1333Dec 18 2016
    https://www.slideshare.net/babaroa/introduce-stealing-machine-learning-models-via-prediction-apisintroduce"StealingMachineLearningModelsviaPredictionAPIs"1323Dec 6 2016
    https://www.slideshare.net/Gushi/step-by-step-62972831StepbyStepで学ぶ自然言語処理における深層学習の勘所1308Jun 12 2016
    http://www.slideshare.net/xushengbo/ss-56078407でも、機械学習ってお難しいんでしょ?1302Dec 12 2015
    https://www.slideshare.net/babaroa/ss-69560578機械学習を使ったハッキング手法1290Nov 27 2016
    https://www.slideshare.net/cimadai/it81ITエンジニアのための機械学習理論入門8.1ベイズ推定1275Jun 26 2016
    https://www.slideshare.net/enakai/prlm-432-436第12回機械学習勉強会・説明用ノート1238Feb 22 2015
    https://www.slideshare.net/yukaraikemiya/ss-62735812音声にまつわる技術の基礎1235Jun 5 2016
    https://www.slideshare.net/DATAHOTEL/hadoop-x-spark-xHadoopxsparkx機械学習を利用した実践的活用術最新1220Oct 27 2016
    https://www.slideshare.net/k_yone/machine-learning-40067037Machinelearning1216Oct 9 2014
    http://www.slideshare.net/masuwo3/amazon-machine-learingAmazonMachineLearingと機械学習1189Oct 28 2015
    https://www.slideshare.net/krk85/pythonhelloworldPython&機械学習にHelloWorldして旦那候補を探す1155May 22 2016
    https://www.slideshare.net/techblogyahoo/yjdsw1-56331439ヤフオク!と機械学習#yjdsw11150Dec 21 2015
    https://www.slideshare.net/nowokay/netbeans-72028561NetBeansのメモリ使用ログから機械学習できしだが働いてるかどうか判定する1141Feb 11 2017
    https://www.slideshare.net/MasayukiTanaka2/ss-43095436機械学習で名古屋っぽいを判定する1140Dec 30 2014
    https://www.slideshare.net/MasayukiIsobe/ss-37144237第三回機械学習アルゴリズム実装会イントロダクション1137Jul 18 2014
    https://www.slideshare.net/ShutoSuzuki/1azuremachinelearningtweetかんたん機械学習はじめの1歩AzureMachineLearningでTweetをレコメンド1120Apr 15 2016
    https://www.slideshare.net/enakai/prlm-533546第15回機械学習勉強会・説明用ノート1120Jun 29 2015
    https://www.slideshare.net/kagamiwari/nseg39NSEG#39将棋ソフトと機械学習1113Jun 8 2013
    https://www.slideshare.net/hiroakikudo77/1-56144834機械学習・自然言語処理の今年1年間を振り返ってみて1104Dec 15 2015
    https://www.slideshare.net/zakktakk/chapter3-62337101機械学習プロフェッショナルシリーズ深層学習chapter3確率的勾配降下法1103May 24 2016
    https://www.slideshare.net/ooyabuy/pp080パターン認識と機械学習 pp0801100Dec 13 2012
    https://www.slideshare.net/tmprcd12345/ss-66361547最近の機械学習テクノロジーとビジネスの応用先 自然言語処理を中心に1097Sep 24 2016
    https://www.slideshare.net/yappy0625/ss-55124683ゲームと機械学習1082Nov 15 2015
    http://www.slideshare.net/takemiohama/x-ietty-64095981実践的!人工知能X機械学習〜iettyの場合〜1050Jul 17 2016
    https://www.slideshare.net/KazufumiOhkawa/6-24670662入門機械学習6章1041Jul 26 2013
    https://www.slideshare.net/stairlab/4-63932628群衆の知を引き出すための機械学習(第4回ステアラボ人工知能セミナー)1034Jul 12 2016
    https://www.slideshare.net/ssuser1adf7f/de-60161483タコスDe機械学習~パーセプトロンを実装してみよう~1015Mar 29 2016
    https://www.slideshare.net/kazunaritakaki/aitc-57510657AITCオープンラボ_機械学習の為の事前準備1012Jan 26 2016
    https://www.slideshare.net/sum1kawa/dsirnlp5コード最適化と機械学習. DSIRNLP5 2014/1/11996Jan 12 2014
    https://www.slideshare.net/TakeshiAkutsu/s06-t1-python4S06t1python学習奮闘記#4994Nov 10 2015
    https://www.slideshare.net/KazukiHarada/bluemix-travelbot-52190289Bluemix&Azureで機械学習する自動応答チャットで旅行提案するアプリをAPIフル活用で実装してみた993Aug 29 2015
    https://www.slideshare.net/ttpooh/2015autumn機械学習でデジタル広告を変える!@デブサミ2015autumn971Oct 15 2015
    https://www.slideshare.net/kumadasu/ss-59125948ディープラーニングを活用したジェスチャー認識955Mar 5 2016
    https://www.slideshare.net/SORACOM/ifup-2017-b1if-up2017|B1:エッジヘビーコンピューティングと機械学習955Apr 20 2017
    https://www.slideshare.net/__john_smith__/ss-65778297初心者向けに機械学習のハンズオンセミナーをしてわかったこと907Sep 7 2016
    https://www.slideshare.net/yuki0116/20160408-lt20160408機械学習lt大会902Apr 20 2016
    https://www.slideshare.net/YuusukeIwasawa/dl-hacks-unifying-distillation-and-privileged-informationDlhacks輪読:"Unifyingdistillationandprivilegedinformation"898Mar 18 2016
    http://www.slideshare.net/KazufumiOhkawa/9-25539906入門機械学習読書会9章874Aug 23 2013
    https://www.slideshare.net/utsuro_lab/20151203-reversi-for-slideshare機械学習による球面リバーシ(オセロ)AIの開発864Dec 3 2015
    https://www.slideshare.net/ShutoYano/ss-62380794機械学習+ニューラルネット入門855May 25 2016
    https://www.slideshare.net/hirokiyamamoto969/python-64288862「Python機械学習プログラミング」 の挫折しない読み方837Jul 22 2016
    https://www.slideshare.net/updateitjp/crossnote-64698777crossnoteの機械学習で文章から作者を判別する814Aug 4 2016
    https://www.slideshare.net/keikurakawa/ipsj-annual75slideskurakawa機械学習を用いたWeb上の産学連携関連文書の抽出808Mar 7 2013
    https://www.slideshare.net/shinyorke/hackpython-bpstudy野球Hack!(続き)~Pythonを用いた野球サービス構築#bpstudy804Nov 30 2015
    https://www.slideshare.net/hiromu1996/ss-38476138機械学習コン講評797Aug 28 2014
    https://www.slideshare.net/takahirokubo7792/kintone-cafe-japan-2016-kintone-xkintoneCafeJapan2016:kintonex機械学習で実現する簡単名刺管理787Nov 11 2016
    http://www.slideshare.net/shiraco/techcircle007welcomeTech-CirclePepperで機械学習体験ハンズオン勉強会inアトリエ秋葉原764Jul 23 2015
    https://www.slideshare.net/updateitjp/crossnotewikipediacrossnoteの機械学習でWikipediaの記事を分類する744Aug 4 2016
    https://www.slideshare.net/updateitjp/crossnotecrossnoteの機械学習でパブリックコメントを分類する744Aug 4 2016
    https://www.slideshare.net/ssuserc768a6/ss-51188324入門パターン認識と機械学習 1章 2章728Aug 2 2015
    http://www.slideshare.net/KosukeFujimoto1/teratail-study-1TeratailStudy  ~機械学習編#1~719Nov 12 2016
    https://www.slideshare.net/ooyabuy/108-15623744パターン認識と機械学習 演習1.08713Dec 13 2012
    http://www.slideshare.net/techblogyahoo/yjdsw4-60944543「これはヤフオク!に機械学習を導入する男たちの戦いの物語である」#yjdsw4668Apr 15 2016
    https://www.slideshare.net/satonaoki/20161218dotsbigdataazureai[ビッグデータオールスターズ]クラウドサービス最新情報機械学習/AIでこんなことまでできるんです!(Microsoft編)657Dec 18 2016
    https://www.slideshare.net/JunIio1/ss-71706122社会科学研究者からみた機械学習655Feb 3 2017
    https://www.slideshare.net/taikaitakeda/mlp-svm-chapter-7-decomposingMLPSVMChapter7分割法648Sep 5 2015
    https://www.slideshare.net/techblogyahoo/yjdsw1-56331336爆速機械学習サービス応用:実践編#yjdsw1645Dec 21 2015
    https://www.slideshare.net/tdev1/243-697873002値分類・多クラス分類629Dec 3 2016
    https://www.slideshare.net/ssuser77b8c6/1-71256266劣モジュラ最適化と機械学習1章626Jan 22 2017
    http://www.slideshare.net/HirokiKitano1/azure-machine-learning-64111017/6機械学習はじめの一歩!AzureMachineLearningで気軽に始めよう!626Jul 18 2016
    https://www.slideshare.net/HirokiKitano1/azure-machine-learning-64111017機械学習はじめの一歩!AzureMachineLearningで気軽に始めよう!625Jul 18 2016
    https://www.slideshare.net/halueda/spark-58539319自動的なビッグデータ機械学習技術:Spark上で複数の学習アルゴリズムの自動選択が可能に617Feb 22 2016
    https://www.slideshare.net/yutosuzu/lt-32333948統計勉強会LT機械学習とは596Mar 14 2014
    https://www.slideshare.net/rumisbern/ss-58902081機械学習基礎(3)(クラスタリング編)583Mar 1 2016
    https://www.slideshare.net/ShunsukeNakamura2/ss-65575087データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで569Sep 1 2016
    https://www.slideshare.net/TakeshiIshita/ss-35153703第一回機械学習アルゴリズム実装会559May 27 2014
    https://www.slideshare.net/MikaFukushige/ss-52450500気楽に等身大☆初めての機械学習558Sep 5 2015
    https://www.slideshare.net/takahirokatagiri58/a-tand-bigdata201507hp2自動チューニングとビックデータ:機械学習の適用の可能性554Jul 23 2015
    https://www.slideshare.net/dena_tech/gameai-denatechcon強化学習を利用した自律型GameAIの取り組み~高速自動プレイによるステージ設計支援~#denatechcon553Feb 27 2017
    https://www.slideshare.net/businessanalytics/ba-frd20140516機械学習の枠組みによる不正アカウント検知552May 22 2014
    https://www.slideshare.net/DDBJslide/ddbj-challenge-2016[DDBJChallenge2016]機械学習と予測モデルコンペティション538Jul 13 2016
    https://www.slideshare.net/itakigawa/ss-72983543道具としての機械学習:直感的概要とその実際532Mar 9 2017
    https://www.slideshare.net/s-cubism-recruit/tensorflow-60654000機械学習ライブラリ:TensorFlow520Apr 8 2016
    https://www.slideshare.net/MasatoNakai1/ss-66579130機械学習の全般について511Sep 29 2016
    https://www.slideshare.net/ketancho/3-38282577機械学習勉強会#3508Aug 23 2014
    https://www.slideshare.net/techblogyahoo/yjdsw4「なぜビッグデータが選挙の予測を可能にするのか」#yjdsw4498Apr 15 2016
    https://www.slideshare.net/ssuser0d6ccf/rss-40140703機械学習を取り入れたRSS拡張489Oct 11 2014
    https://www.slideshare.net/ssuserc768a6/ss-53648197入門パターン認識と機械学習3章471Oct 7 2015
    https://www.slideshare.net/f-hasegawa/ss-58416740[機械学習]文章のクラス分類467Feb 18 2016
    https://www.slideshare.net/businessanalytics/rank20140729機械学習の枠組みによる検索表示ランク最適化464Jul 31 2014
    https://www.slideshare.net/DDBJslide/ddbj-challenge-2016-63977094[DDBJChallenge2016]機械学習コンペティションにおける予測モデリング手法の傾向461Jul 13 2016
    https://www.slideshare.net/Club86_Startup_School/1it-iot-fintech【新春特別無料セミナー】【学生も歓迎】1時間でITの流行を理解する!機械学習IoT人工知能ビッグデータFinTechてんこ盛り448Jan 27 2016
    https://www.slideshare.net/tomohirogoya1/ss-64208475レゴと機械学習を組み合わせた438Jul 20 2016
    https://www.slideshare.net/ErikoNomoto/4-71020209続・わかりやすいパターン認識4章(関西機械学習勉強会発表スライド)437Jan 14 2017
    https://www.slideshare.net/katsuhiromorishita/ss-73022699機械学習と主成分分析436Mar 10 2017
    https://www.slideshare.net/KosukeNakago/seranetSeRanet433Jun 23 2016
    http://www.slideshare.net/DaikiHiraoka1/ss-63662351より身近になった機械学習427Jul 2 2016
    https://www.slideshare.net/Ysumie/dotslt-63122025dots.女子部 機械学習勉強会LT427Jun 16 2016
    https://www.slideshare.net/palloc/ss-75386701機械学習×セキュリティ425Apr 25 2017
    https://www.slideshare.net/HadoopSummit/business-innovation-cases-driven-by-ai-and-bigdata-technologiesBusinessInnovationcasesdrivenbyAIandBigDatatechnologies420Oct 31 2016
    https://www.slideshare.net/ssuser77b8c6/1-70932963スパース性に基づく機械学習(機械学習プロフェッショナルシリーズ)1章411Jan 12 2017
    https://www.slideshare.net/taichinishimura2/ss-66913521初心者機械学習:アーティスト推薦システム382Oct 9 2016
    http://www.slideshare.net/ooyabuy/107-15623664パターン認識と機械学習 演習1.07369Dec 13 2012
    http://www.slideshare.net/ooyabuy/208-15623821パターン認識と機械学習 演習2.08364Dec 13 2012
    https://www.slideshare.net/HirotoYamatsuka/python-60161853タコスで機械学習Python編337Mar 29 2016
    https://www.slideshare.net/kz-takahashi/aws-cloudtrail機械学習を用いたAWSCloudTrailログの積極的活用327Jul 25 2016
    https://www.slideshare.net/dcubeio/x86-64-20170212機械学習を支えるX8664の拡張命令セットを読む会20170212319Feb 20 2017
    http://www.slideshare.net/ooyabuy/224-15623862パターン認識と機械学習 演習2.24318Dec 13 2012
    https://www.slideshare.net/ooyabuy/206-15623801パターン認識と機械学習 演習2.06306Dec 13 2012
    https://www.slideshare.net/NAIST_IS/2016-63635391サマーセミナー2016:機械学習入門と脳インターフェイスへの応用304Jul 1 2016
    http://www.slideshare.net/ooyabuy/117-15623768パターン認識と機械学習 演習1.17301Dec 13 2012
    https://www.slideshare.net/ssuser77b8c6/2325-71012245スパース性に基づく機械学習(機械学習プロフェッショナルシリーズ)2.3節〜2.5節296Jan 14 2017
    https://www.slideshare.net/codeblue_jp/cb16-takaesu-ja[CB16]機械学習でWebアプリケーションの脆弱性を見つける方法by高江須勲293Nov 8 2016
    https://www.slideshare.net/ssuser77b8c6/3334-71005251スパース性に基づく機械学習(機械学習プロフェッショナルシリーズ)3.3節と3.4節287Jan 14 2017
    https://www.slideshare.net/babaroa/it5-68198572ITエンジニアのための機械学習理論入門 第5章284Nov 4 2016
    https://www.slideshare.net/ssuserc768a6/12-56401037入門パターン認識と機械学習12章284Dec 23 2015
    https://www.slideshare.net/hajimesaito35728/dtm-58812236メタデータを活用した機械学習によるDTMでの音色づくりの効率化282Feb 28 2016
    https://www.slideshare.net/moguranosenshi/ss-46207887機械学習を用いたニ格深層格の自動付与の検討269Mar 24 2015
    https://www.slideshare.net/ssuser77b8c6/42-71005279スパース性に基づく機械学習(機械学習プロフェッショナルシリーズ)4.2節267Jan 14 2017
    https://www.slideshare.net/LaboratoryOfHiThinkCorporation/ss-72262849機械学習とこれを支える並列計算:ディープラーニング・スーパーコンピューターの応用について257Feb 17 2017
    https://www.slideshare.net/takaoleparadoxe/tensor-flow-lt20170118Tensorflowと機械学習に必要な数学を基礎から学ぶ会lt_20170118246Jan 24 2017
    https://www.slideshare.net/s-cubism-recruit/azure-57647604Azureで動いている機械学習のいろいろについて236Jan 29 2016
    https://www.slideshare.net/HidetoMasuoka/deep-learning-72184817「機械学習とは?」から始めるDeeplearning実践入門220Feb 15 2017
    https://www.slideshare.net/ssuserc768a6/15-57009319入門パターン認識と機械学習15章219Jan 13 2016
    https://www.slideshare.net/ssuser77b8c6/3-71715148劣モジュラ最適化と機械学習3章212Feb 3 2017
    https://www.slideshare.net/myui/7bdi機械学習のデータ並列処理@第7回BDI研究会196Mar 30 2017
    https://www.slideshare.net/ShinobuKimura/20161028-6777994820161028_最近流行りの機械学習を紹介してみる184Oct 28 2016
    https://www.slideshare.net/hajimesaito35728/dtm-58812092メタデータを活用した機械学習によるDTMでの音色づくりの効率化180Feb 28 2016
    https://www.slideshare.net/jimaoka/1-661967341日で分かった気になる機械学習179Sep 20 2016
    https://www.slideshare.net/ssuserc768a6/13-57823208入門パターン認識と機械学習13章169Feb 3 2016
    https://www.slideshare.net/shouheitai/web-62652426Webエンジニアが初めて機械学習に触れてみた話168Jun 2 2016
    https://www.slideshare.net/ItaruOtomaru/ss-69828781勉強会資料 トピック紹介「音楽と機械学習」167Dec 5 2016
    https://www.slideshare.net/ssuser77b8c6/1-69496657【機械学習プロフェッショナルシリーズ】グラフィカルモデル1章163Nov 24 2016
    http://www.slideshare.net/ssuser77b8c6/25-71714920劣モジュラ最適化と機械学習2.5節158Feb 3 2017
    https://www.slideshare.net/babaroa/ss-72616162機械学習関連情報の収集方法156Feb 27 2017
    https://www.slideshare.net/ShintaroNomura/2-70023698言語処理のための機械学習入門#2155Dec 11 2016
    http://www.slideshare.net/ssuser77b8c6/24-71715085劣モジュラ最適化と機械学習2.4節144Feb 3 2017
    https://www.slideshare.net/LaboratoryOfHiThinkCorporation/ss-72123769機械学習とこれを支える並列計算:並列計算の現状と産業応用について137Feb 14 2017
    https://www.slideshare.net/yuukinakajima794/machine-learning-studiojazug1Machinelearningstudioで機械学習にトライ!(jazug信州1周年記念)137Feb 3 2016
    https://www.slideshare.net/1yamakyo/rss-63683063機械学習を取り入れたRss拡張135Jul 3 2016
    https://www.slideshare.net/hajimesaito35728/dtmfor-fit2016DTMでの音色検索を対象とした機械学習アルゴリズムの提案(forFIT2016)131Sep 2 2016
    https://www.slideshare.net/kitora/ss-68054431機械学習とデータ分析プロセス123Nov 2 2016
    https://www.slideshare.net/ssuserb20aae/python-62351332Python機械学習入門106May 24 2016
    https://www.slideshare.net/itakigawa/94-71669875多数のグラフからの統計的機械学習(人工知能学会第94回人工知能基本問題研究会招待講演)96Feb 2 2017
    https://www.slideshare.net/KosukeSugahara/wacker-8-69308235Wacker8機械学習85Nov 20 2016
    https://www.slideshare.net/ayatoshimada/4-71715916『劣モジュラ最適化と機械学習』4章83Feb 3 2017
    https://www.slideshare.net/Hironsan/kintone-handsonkintonex機械学習で実現する簡単名刺管理81Nov 14 2016
    https://www.slideshare.net/y-uti/python-3-75891881分類問題-機械学習ライブラリscikit-learnの活用73May 11 2017
    https://www.slideshare.net/ekaminuma/20161201-ddbj[2016-12-01]DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定64Dec 2 2016
    https://www.slideshare.net/ubilab_naist/dicomo20160704-70952804通行量センシングと機械学習に基づく飲食店用不動産賃料推定61Jan 12 2017
    https://www.slideshare.net/dasoran/ss-70256483現場で機械学習を使うまで58Dec 19 2016
    https://www.slideshare.net/hajimesaito35728/dtm-72482125機械学習を利用したDTM音色検索フィルタの提案と音色づくり支援システムへの適用46Feb 23 2017
    https://www.slideshare.net/ssuser77b8c6/ss-70016485【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章37Dec 10 2016
    https://www.slideshare.net/AtsuhiroNarita/rtb-73451331RTBにおける機械学習システムの実装と運用16Mar 22 2017
    http://pt.slideshare.net/hamukazu/python-62212519?nomobile=truePythonによる機械学習NA20 de mai de 2016
    http://pt.slideshare.net/SASJapan/sas-51892130?nomobile=trueSASによる機械学習入門NA21 de ago de 2015
    https://pt.slideshare.net/shotarosano5/in-62843951ディリクレ過程に基づく無限混合線形回帰モデルin機械学習プロフェッショナルシリーズ輪読会NA8 de jun de 2016
    https://pt.slideshare.net/mobile/techblogyahoo/devsumi-58688249ヤフオク!における機械学習~深層学習、分散表現~#devsumiNA25 de fev de 2016
    https://fr.slideshare.net/issei_sato/bayesian-nonparametrics?ref=“基礎”からのBayesianNonparametrics-点過程と機械学習の数理-NA21 déc. 2012
    https://pt.slideshare.net/ssuserb5817c/python-66169435Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみようNA19 de set de 2016
    https://pt.slideshare.net/mobile/tkm2261/scikit-learnScikitlearnで学ぶ機械学習入門NA1 de dez de 2014
    http://pt.slideshare.net/devsumi/17e3?smtNoRedir=1【17-E-3】オンライン機械学習で実現する大規模データ処理NA20 de fev de 2012

    一応、SlideShareのURLのCSVファイル(N行1列のデータ)があれば取得できるPythonコード(2系)を載せておきます。

    Japan.R 2016のスライドまとめ

    まだ手に入れていないスライドもあるので随時更新しますが、Japan.R 2016(connpass)のスライドをまとめています。後日、登場したパッケージなどのサンプルコードも載せていく予定です。

    目次

    ・石田基広さんのキーノート
    ・ホクソエムとは何だったのか(ホクソエムさん)
    ・Rと探索的データ分析で、国連での日本の立ち位置を可視化する(安田洋介さん)
    ・マウス操作でかんたん予測分析(鈴木了太さん)
    ・高速・省メモリにlibsvm形式でダンプする方法を研究してみた(@hskksk)
    ・Rでてんしょくかつどう(@Med_KU)
    ・RStudio vs Emacs(@y__mattu)
    ・randomforestで高次元の変数重要度見る(@siero5335)
    ・Rで本を作りたい(前田和寛さん)
    ・28歳でプログラミングを始めた話(市川太祐さん)
    ・LDA-Visパッケージのご紹介(@doradora09)
    ・【e2d3R】E2D3からDot-Bar-Chartのご紹介(楠本一哲さん)
    ・このIRのグラフがすごい!上場企業2016(@ito_yan)
    ・Rでカルマンフィルタをしたい(@tetsuroito)
    ・PPAP(仮)(@yutannihilation)
    ・スライド未公開、ユーザーの状態遷移に関する分析のお話(@sanoche16)
    ・私とR(高栁慎一さん)
    ・めくってもめくってもサンプル画像(服部恵美さん)
    ・木と電話と選挙(causalTree)(安井翔太さん)
    ・スライド未公開、dplyrの話(@tomomoto)
    ・てかLINEやってる?(仮)(@wonder_zone)
    ・心理学における「再現性」の問題とBayes Factor(@NSushi)

    ・石田基広さんのキーノート

    スライド未公開です。

    ・Linux使い
    ・ヘブライ語の意味構造を代数学でやっていた
    ・S/R言語の生みの親はJohn Chambers
     以下の二つは最近書かれた本だそうです。
     Software for Data Analysis: Programming with R (Statistics and Computing)
     Extending R (Chapman & Hall/CRC The R Series)
    ・S→S-plus→Rの順番で発展
    ・purrrを最近使い始めたそうです。
    ・XLConnectパッケージを使って、大学教員の採点活動を効率化しているそうです。

    ・ホクソエムとは何だったのか(ホクソエムさん)

    匿名技術者集団ホクソエムの2016年の成果
    ・densratio( densratio: Density Ratio Estimation
    ・githubinstall
    githubinstall: A Helpful Way to Install R Packages Hosted on GitHub
    ・healthplanet( Wrapper package for healthplanet api
    ・RODBCDBI
    RODBCDBI: Provides Access to Databases Through the ODBC Interface
    ・jpmesh( jpmesh: Utilities for Japanese Mesh Code

    起業されたとのことです。懸命に頑張って下さい!
    株式会社ホクソエム

    awesomeな人材が必要とのことで、awesomeな方はアプライしてみてはいかがでしょうか。

    ・Rと探索的データ分析で、国連での日本の立ち位置を可視化する(安田洋介さん)

    スライド未公開です。
    国連のデータを使って、Exploratoryを用いた探索的データ分析の実演をされていました。

    ・マウス操作でかんたん予測分析(鈴木了太さん)

    R AnalyticFlow
    Rで実践!データサイエンス~初めの一歩から高度な応用まで~

    ・高速・省メモリにlibsvm形式でダンプする方法を研究してみた(@hskksk)

    ・Rでてんしょくかつどう(@Med_KU)

    Rmd でreveal.js のhtml スライドプレゼンテーション

    ・RStudio vs Emacs(@y__mattu)

    RStudio vs Emacs Japan.R 2016

    ・randomforestで高次元の変数重要度見る(@siero5335)

    ・Rで本を作りたい(前田和寛さん)

    Rで本を作りたい

    ・28歳でプログラミングを始めた話(市川太祐さん)

    ・医療関連のアプリ開発でデータサイエンスを駆使しようとしているそうです。

    スライド未公開です。
    スライドがシェアされ次第載せます。

    ・LDA-Visパッケージのご紹介(@doradora09)

    ・【e2d3R】E2D3からDot-Bar-Chartのご紹介(楠本一哲さん)

    スライドは未公開です。
    E2D3をRで表示する試みのようです。
    Experiments with e2d3 in R

    ・このIRのグラフがすごい!上場企業2016(@ito_yan)

    スライド未公開です。後日シェアしていただけるようです。

    ・Rでカルマンフィルタをしたい(@tetsuroito)

    ・PPAP(仮)(@yutannihilation)

    ・スライド未公開、ユーザーの状態遷移に関する分析のお話(@sanoche16)

    スライドがシェアされ次第載せます。

    ・私とR(高栁慎一さん)

    RjpWiki
    統計・データ解析
    統計解析フリーソフト R の備忘録頁 ver.3.1
    seekR(R限定の検索エンジン)
    からだにいいもの
    アブラタニブログってなんでしょう。油谷さんのブログ?

    ・めくってもめくってもサンプル画像(服部恵美さん)

    Rのサンプルコードはあるけれども、どんな図ができるのかはわからない。そこで、サンプルコードとグラフを大量にまとめているサイトを作ったそうです。検索性は未知数ですが、暇なときに眺めておきたいですね。
    R Graphical Manual

    ・木と電話と選挙(causalTree)(安井翔太さん)

    ・スライド未公開、dplyrの話(@tomomoto)

    スライドがシェアされ次第載せます。

    ・てかLINEやってる?(仮)(@wonder_zone)

    ・心理学における「再現性」の問題とBayes Factor(@NSushi)

    スライドは後日公開とのことです。

    scikit-learnのモジュールのGitHubでの利用頻度を調べてみた

    『Python機械学習プログラミング』を読んで、scikit-learnのモジュールは充実しているなぁと感じたんですが、実際にWebサイトでUser Guide( http://scikit-learn.org/stable/user_guide.html )を見た所、この本に載り切らないような数多くの機械学習手法に応じたモジュールが用意されていました。そこで、世のデータサイエンティストはどのモジュールを良く使っているのだろうと気になったので、GitHubのSearchでヒットしたCodeの数を各モジュール単位で集計してみました。検索クエリは「scikit-learn + モジュール名」なので、正確なものではないのですが、相対的な利用頻度を見るぶんには使えるのではないかと思われます。

    データ集計方法

    ・User Guideに登場するscikit-learnのモジュール名を集めています。
    ・教師付き学習か教師無し学習かどうかの判断は、User Guideで紹介されているモジュールかどうかで判断しています。
    ・GitHubのSearchで「scikit-learn + モジュール名」でヒットした件数をそのまま使っています。(2016年9月22日時点)

    可視化コード

    Jupyterで実行しています。

    教師付き学習編

    圧倒的に多いのがSVM(Support Vector Machine)を扱っているSVCモジュールで、続いて定番のロジスティック回帰やRandom Forestが使われているようです。統計解析ではメジャーなはずの線形回帰が5位なのは、初歩的なのであまりコードがアップされていないのかもしれません。GBDTのモジュールももう少し上位にくるかと思ったんですが15位でした。DMLCのXGBoostモジュールを使っているのかもしれませんね。私も実際のところXGBoostを使ってますし。

    supervised_module_barplot

    教師無し学習編

    主成分分析やK-mean法など因子分解などのモジュールが上位を占めています。LDA(Latent Dirichlet Allocation)がもっと上位に来ると思ったんですが、思えばGensimの方が充実しているなぁと思うので、このランキングは妥当なのかもしれません。私もLDAなどはGensimを使っていますし。

    unsupervised_module_barplot

    収集を終えて

    ・社内だとデータサイエンティストの方がいないので、scikit-learnのモジュールの利用状況を知れてマニアックな共感をすることができた。
    ・SVMは実践例が豊富そうなので分析事例を探せば良い発見があるかもしれない。
    ・scikit-learnのUser Guideは充実していたので、時間を作って向き合ってみたいと思った。

    XGBoostのパラメータチューニング実践 with Python

    以前の投稿で紹介したXGBoostのパラメータチューニング方法ですが、実際のデータセットに対して実行するためのプログラムを実践してみようと思います。プログラム自体はAnalytics_Vidhya/Articles/Parameter_Tuning_XGBoost_with_Example/XGBoost models.ipynbに載っているのですが、データセットがついていません。そこで、前回の投稿(不均衡なデータの分類問題について with Python)で赤ワインのデータセットを手に入れているので、こちらのデータセットを用います。誤植なのかところどころ、うまく回らなかったところがあったので、手直しをしています。

    以下の工程に従って進みます。結構長いですが、辛抱強く実践してみて下さい。
    ・ライブラリの読み込み
    ・データの読み込み
    ・前処理
    ・学習用データとテスト用データの作成
    ・XGBoostの予測結果をもとに、AUCの数値を返すための関数の定義
    ・モデルの実行
    ・チューニング

    ライブラリの読み込み

    データの読み込み

    前処理

    スクリーンショット 2016-05-15 16.54.58

    学習用データとテスト用データの作成

    XGBoostの予測結果をもとに、AUCの数値を返すための関数の定義

    XGBoostの予測結果から、AUCの数値を返し、特徴量に応じた重要度を出力するためのプログラムです。

    モデルの実行

    feature_importance1

    チューニング

    max_depthとmin_child_weightの数値をチューニングするためのプログラムです。

    より細かい数値で再度最適なパラメータを探します。

    max_depthを8、min_child_weightを1として、他のパラメータチューニングに移ります。
    続いて、gammaのチューニングを行います。

    gammaを0.4と置きます。
    ここで、いままでにチューニングしたパラメータを用いて再度推定を行います。先ほどの0.875よりも高くなっています。

    feature_importance2

    続いて、subsampleとcolsample_bytreeのチューニングを行います。

    より細かい範囲で再度パラメータをチューニングします。

    続いて、reg_alphaをチューニングします。

    範囲が粗かったので、より細かくパラメータをチューニングします。

    これまでにチューニングしてきたパラメータを用いて再度推定を行います。

    feature_importance3

    ブログであるように試行回数を1,000回から5,000回まで増やしてみます。

    88.8%まで向上しました。色々と数値いじっても、1%高めるだけにとどまってしまうのですね。

    feature_importance4

    とにかく、XGBoostをPythonで実行してパラメータチューニングするという一連の試行がこのコードでできそうなので、今後も使いまわしてみようと思います。

    Tokyo.R#53で得たパッケージ情報とその実践

    第53回のTokyo.Rで気になったパッケージの情報と実行例をいくつかあげました。スライドなどもろもろの発表はこちらの方のブログ「第53回R勉強会@東京で発表してきた」が非常に詳しく書かれています。

    【目次】
    ・ggradarパッケージ
    ・proxyパッケージ
    ・因果推論(CBPSパッケージ)
    ・MXNetパッケージ
    ・missForestパッケージ
    ・RFinanceパッケージ

    ggradarパッケージ

    簡単にレーダーチャートを作れるパッケージです。こちらのブログを参考にしています。

    企業の職場環境に関してまとめられた某口コミサイトから4個ほどデータを拝借してきました。

    ggradarをそのまま使おうとすると、Circular Air Lightというフォントが必要だと怒られるので、参考のブログにある通り、OSXの場合はこちらをダブルクリックでインストールして再起動します。

    先ほどのデータに対して、以下のコードを実行すれば非常に簡単にレーダーチャートが作れました。

    company_voice_radar

    proxyパッケージ

    距離や類似度を計算するパッケージです。
    先ほどのデータに対して類似度と距離を計算してみます。

    こんな感じで、類似度や距離の計算ができます。

    因果推論

    こちらはパッケージとかそういうものではなく、既存の関数などで計算できるようです。
    こちらのブログ、「調査観察データにおける因果推論(3) – Rによる傾向スコア,IPW推定量,二重にロバストな推定量の算出」に詳しく書かれています。
    ・glm関数での傾向スコアの算出
    ・傾向スコアを共変量としてlm関数で回帰分析
    ・コードを愚直に書いてIPW推定量の算出
    ・期待値の標準誤差を出すための関数を作成
    ・DR推定量の算出をするための関数を作成
    などで、推定自体は実現できるようです。

    ただし、CBPS(Covariate Balancing Propensity Score)というパッケージがあるらしく、このパッケージを用いれば因果推論の計算を行えるようです。

    Package ‘CBPS’
    以下のようなExampleコードが載っていたので、実行してみましたが、なかなか結果が返ってこなかったので不安になりました。計算が終わるまで10分以上はかかったと思います。

    MXNet

    XGBoostのパッケージを作ったチームが手がけているパッケージで、深層学習を実行できます。

    インストール方法はここに書かれています。
    Deep Learning for R

    あれ、OSXではエラーが返ってきてライブラリが読み込めないですね。どうやら私のためにあるようなブログ「Installing mxnet for R on Yosemite」があったので、時間を見つけてチャレンジしてみようと思います。

    ディープラーニングを用いた回帰分析については、Neural Network with MXNet in Five Minutesにコードがもろもろ載っていますので、チャレンジしてみると良いと思います。

    リンク先に載っているのですが、一応コードを以下に記しておきます。

    missForest

    ランダムフォレストを用いて、欠損値補完を行うためのパッケージです。目的変数が欠損していても適用できるようです。
    詳しくは、スライドを見ていただいた方がいいですが、以下のプログラムで実行できました。ちなみにスライドはこちら、「Imputation of Missing Values using Random Forest

    RFinanceYJ

    Yohei Sato, Nobuaki Oshiro, Shinichi Takayanagiさんたちが作った、Yahoo!ファイナンスの株価データを取得できるパッケージです。だいぶ前からあったようですが、使って分析している人は初めて見ました。どうやらYahoo!ファイナンスの仕様によって書き換えていかないといけないようです。「2015-01-20 Rでチャートを書いてみる(9)」のブログに実行可能なプログラムがあります。以下、実行可能なコードを転載いたします。

    このコードでYahoo!ジャパンの株価を見てみましょう。ちなみに番号は4689です。どうやら上手く取れているようです。

    XGBoostやパラメータチューニングの仕方に関する調査

    【目次】
    ・XGBoostとは
    ・XGBoostで用いるパラメータ一覧
    ・XGBoostのパラメータチューニング
    ・参考文献

    XGBoostとは

    XGBoost (eXtreme Gradient Boosting) は勾配ブースティングアルゴリズムの先進的な実装例で、データサイエンスのコンペであるKaggleで話題となっていた手法です。

    ブースティングアルゴリズムとは、弱識別器(weak learners)の集団を直列的に結合することで、予測における正確性を高めようとするアルゴリズムです。任意のt時点において、モデルの予測は以前のt-1時点での結果に基づき重み付けがなされます。正しく予測されたデータに対しては、重みを小さくし、誤って予測されたデータに対しては重みを大きくします。後で学習する識別器ほど、誤ったデータに集中して学習を進めることになります。

    以下はブースティングのイメージ図です。
    スクリーンショット 2016-04-24 18.40.38

    STEP1では全ての学習データに対して、等しい重み付けで学習を行い、決定境界を引きます。これを弱学習器による学習と言います。このケースでは毒キノコを2つ当てており、キノコを5つ当てています。
    STEP2ではSTEP1で正しく識別されたデータの重みが下げられ、誤って識別されたデータの重みが上げられています。高く重み付けがなされたデータは決定境界で正しく識別されていますが、他のデータは誤って分類されています。
    STEP3においてもSTEP2と同様の傾向があります。このような弱学習器による処理を繰り返すことで識別性能を高めていきます。

    最終的にはこのような決定境界を引くことができるような識別器を求めていきます。
    スクリーンショット 2016-04-24 18.55.53

    勾配ブースティングの勾配とは、ブースティングアルゴリズムにおけるパラメータ推定での最適化手法が勾配降下法に従っているという意味での勾配です。以上が勾配ブースティングモデルの簡素な説明です。

    XGBoostで用いるパラメータ一覧

    XGBoostで用いるパラメータに関して、大きく分けて3つあります。

      1.全体パラメータ・・・XGBoost全体を司る。
      2.ブースターパラメータ・・・各ステップでツリーなどのブースティングを司る。
      3.学習タスクパラメータ・・・最適化タスクを司る。

    以下、3つのパラメータについて、「パラメータ名」・「デフォルトの値」・「役割」・「引数」を表にしています。

    1.全体パラメータ

    パラメータ名 デフォルトの値 役割 引数
    booster gbtree 実行するモデルのタイプをツリーモデルか線形モデルのどちらかを指定できる。 gbtree: ツリーモデル
    gblinear: 線形モデル
    silent 0 モデルの実行結果を出力するかどうかを決めることができる。モデルを理解する上で、0のままにしておく方が良いとされている。 0:出力結果を表示する。
    1:出力結果を表示しない。
    nthread not set 並列処理のためのコア数などを指定できる。フルコアで実行したい場合は何も指定しなければ自動的にフルコアになる。

    2.ブースターパラメータ

    パラメータ名 デフォルトの値 役割 引数
    eta 0.3 学習率を調整できる。
    小さくすることで、モデルの頑健性を高めることができる。
    0.01〜0.2の値になることが多いらしい。
    min_child_weigh 1 子ノードにおいて観察されるデータの重み付けの合計値の最小の値で、過学習を避けるために用いられる。
    高い値にすることで特定のサンプルに観察されるような傾向を学習することを避けられる。ただし、高くし過ぎるとフィッティングが悪くなる。
    max_depth 6 木の深さの最大値
    過学習を制御するために用いられる。
    高いと過学習しやすくなる。
    3〜10の値になることが多いらしい。
    max_leaf_nodes 木の終端ノードの最大値
    max_depthの代わりに用いる
    n本を指定したら、n^2個の枝を生み出す。これが指定された場合は、max_depthは無効化される。
    gamma 0 分割が、損失関数の減少に繋がる場合にのみノードの分割を行う。
    モデルをより保守的にする。
    値は損失関数に応じて大きく変わり、チューニングが必要である。
    max_delta_step 0 各木のウェイトの推定に制約をかけることができる。
    0の場合は制約なしで、正数値を取るとモデルがより保守的になる。
    通常は必要とされないが、不均衡データの分類の際に用いる。
    subsample 1 各木においてランダムに抽出される標本の割合
    小さくすることで、過学習を避けることができるが保守的なモデルとなる。
    0.5〜1の値になることが多いらしい。
    colsample_bytree 1 各木においてランダムに抽出される列の割合 0.5〜1の値になることが多いらしい。
    colsample_bylevel 1 各レベル単位での、分割における列のsubsample比率
    subsampleとcolsample_bytreeで十分なので、あまり使わないが、探索してみるのも良いかもしれない。
    lambda 1 重みに関するL2正則化項
    多くのデータサイエンティストは使わないが、過学習を避けるためには用いられるべき。
    alpha 0 重みに関するL1正則化項
    高次元の場合に用いるらしい。
    scale_pos_weight 1 不均衡データの際に、0以上の値を取ることで、収束を早めることができる。

    3.学習タスクパラメータ

    パラメータ名 デフォルトの値 役割 引数
    objective reg:linear 最小化させるべき損失関数を指定する。 binary:logistic→2項分類で確率を返す。
    multi:softmax→多項分類でクラスの値を返す。
    (num_classでクラス数の指定が必要)
    multi:softprob→softmaxと同じだが、確率を返す。
    eval_metric according to objective 検証を行うためのデータの評価指標 rmse – root mean square error
    mae – mean absolute error
    logloss – negative log-likelihood
    error – Binary classification error rate (0.5 threshold)
    merror – Multiclass classification error rate
    mlogloss – Multiclass logloss
    auc: Area under the curve
    seed 0 ランダムなシード番号。
    再現可能なデータを生み出すために、あるいはパラメータチューニングの際に用いる。

     

     

    XGBoostのパラメータチューニング

    複数のパラメータからなるXGBoostのチューニングは非常に複雑で、理想的なパラメータについてはケースバイケースで何とも言えないそうです。

    参考文献のブログにパラメータチューニングの一般的アプローチについて触れられていたので、紹介します。

      1.相対的に高い学習率を選択する。
      一般的な学習率0.1はうまくいくが、ケースによっては0.05から0.3の間でもうまくいく。学習率を求めるために、クロスバリデーションによって最適な木の数を決定する。
      2.木に関するパラメータをチューニングする。
      固定された学習率や木の数のもとで、max_depth, min_child_weight, gamma, subsample, colsample_bytreeをチューニングする。
      3.正則化パラメータをチューニングする。
      lambda, alphaなどのパラメータをチューニングすることで、モデルの複雑さを減らし、パフォーマンスを高める。
      4.学習率を下げ、最適なパラメータを決定する。

    具体的な実行に関するPythonスクリプトはこちらのGithubで紹介されています。(iPython)
    Analytics_Vidhya/Articles/Parameter_Tuning_XGBoost_with_Example/XGBoost models.ipynb
    この方法に従って、自社で抱えているモデルのチューニングにチャレンジしてみようと思います。

    参考文献

    Quick Introduction to Boosting Algorithms in Machine Learning
    Complete Guide to Parameter Tuning in Gradient Boosting (GBM) in Python
    Complete Guide to Parameter Tuning in XGBoost (with codes in Python)
    勾配ブースティングについてざっくりと説明する
    xgboost のパラメータ
    OS X で XGBoost & xgboost4j をビルドする手順 2016-03-07 版

    GensimのHDP(Hierarchical Dirichlet Process)をクラシック音楽情報に対して試してみる

    HDP(Hierarchical Dirichlet Process)いわゆる階層ディリクレ過程を実行できるモデルがPythonのGensimライブラリにあるという情報から、あまり実行例も見当たらないので、チャレンジしてみました。

    HDP(Hierarchical Dirichlet Process)

    HDP(Hierarchical Dirichlet Process)は文書集合全体のトピック数と文書ごとのトピック数の推定を行うことができる手法で、中華料理店フランチャイズという仕組みを用いています。通常のLDAなどでは、分析者が任意のトピック数を決める必要がありましたが、与えられたデータからその数を推定するため、その必要がないというのがHDPを使うことの利点であると思われます。

    実行までの流れ

    ざっくりですが、
    ・コーパスの準備・文書の分かち書き(名詞のみ)
    ・HDPの実行
    という流れです。

    ちなみに実行環境は
    MacBook Pro
    OS X Yosemite 10.10.5
    2.6 GHz Intel Core i5
    メモリ8GBです。

    コーパスの準備

    今回は、以前手に入れた某辞典サイトのクラシック音楽情報1800件のテキストデータ(1行に1件分の文字列が入っているデータで16MBくらい)があるので、それをコーパスとして使います。参考情報として挙げているブログの助けを借りて、文書単位でMeCabにより形態素解析で分かち書きした結果から、意味を持ちやすい品詞として、「名詞」に該当するもののみを結果として返す以下のPythonスクリプトを用いました。結果はtmep.txtとして出力されます。もっと良いやり方があると思いますが、目的は達成できると思います。ちなみに、MeCab Neologd(ネオログディー)という、固有名詞などに強いシステム辞書を活用してみたかったので、その利用を前提として書いています。MeCab Neologd(ネオログディー)のインストール関連の情報は参考情報にありますので、チャレンジしてみてください。(OSXかUbuntuの方が進めやすいと思います。)

    こちらのスクリプトをターミナルで実行します。(解析するディレクトリ下で実施しています。)

    HDPの実行

    以下のPythonスクリプトで実行しています。

    HDPの結果について

    topic_detail.csvの結果を見たところ、トピックの数が150個もあって、「本当にトピックの数を自動で決めれているのかなぁ」と不安に思ったのですが、実際に各文書に割り当てられているトピックの数は、先ほど出力したtopic_for_corpus.csvで見ると60個でした。そのため、今回、HDPに従って決まったトピック数は60ということになります。さらに不安に思ったので、Stack Over Flowで調べていたんですが、トピックは150個出るけど確率が割り振られていないはずと回答されていました。( Hierarchical Dirichlet Process Gensim topic number independent of corpus size

    出現頻度の高い上位10のトピックは以下の通りです。

    加えて、トピックごとに文書に割り当てられた数を集計してみましたが、topic0が圧倒的に多く、コーパスの特性上、含まれやすい情報がここに集まっているのではないかと思います。幅広いテーマを抽出できるかと期待していたのですが、やたらと個別具体的な「トゥーランドット」や「ワーグナー」や「カルメン」などがトピックの上位単語に上がってきています。実行方法を間違えているかもしれないし、パラメータチューニングなどをもっと頑張れば、幅広いトピックを得ることができるかもしれないので、今後の課題としたいです。

    スクリーンショット 2016-04-10 18.23.37

    参考情報

    ・トピックモデルについて
    machine_learning_python/topic.md at master · poiuiop/machine_learning_python · GitHub

    ・HDP関連
     models.hdpmodel – Hierarchical Dirichlet Process
    Online Variational Inference for the Hierarchical Dirichlet Process

    ・MeCab関連
    mecab-ipadic-NEologd : Neologism dictionary for MeCab
    形態素解析器 MeCab の新語・固有表現辞書 mecab-ipadic-NEologd のご紹介
    テキストマイニングの前処理。名詞抽出、ストップワード除去、珍しい単語の除去

    ・Python関連
    データ分析をやりたいエンジニアにおすすめ!Pythonの入門スライド13選

    OS X YosemiteへのTensorFlowのインストールと簡易な分類モデルの実行

    遅ればせながらTensorFlowをインストールしてみようと思います。
    環境はOSX Yosemite version 10.10.5です。

    まずは、こちらのサイトにあるように、ターミナル(Windowsでいうところのコマンドプロンプト)にて、
    以下のコードを実行します。(前提として、Python2.7とpipが入っているものとします。)

    こちらを実行すれば、インストールされます。

    次に、画像を格納しておくためのディレクトリを作成します。
    同じくターミナルにて以下のコードを実行します。

    次に、こちらのgithubより、MNISTの画像を取得するコードをコピーします。

    コピーしたものを、先ほどのターミナル上で表示されているvimにて、
    i
    を押してからペーストし、Escを押してコマンドモードに移り、
    :wq
    を入力することで上書きしてファイルを閉じます。
    詳しくはvimコマンド一覧をご覧ください。

    そして、ターミナル上でpythonを開き、以下のコードを実行します。

    そうすることで、フォルダが作られデータが格納されていることが確認できると思います。
    だいたい11MBくらいのボリュームです。元の画像は手書き文字で、28×28ピクセルの画素だそうです。

    さて、このデータに対する機械学習による分類の実行ですが、
    TensorFlow 畳み込みニューラルネットワークで手書き認識率99.2%の分類器を構築」こちらで紹介されているコードを丸々引用させていただきます。これの初級者用のロジスティック回帰モデルのものを扱います。(試行回数を1000回から50000回に変更しています。)

    こちらを実行したところ、

    ****MNISTデータ読み込み****
    Extracting MNIST_data/train-images-idx3-ubyte.gz
    Extracting MNIST_data/train-labels-idx1-ubyte.gz
    Extracting MNIST_data/t10k-images-idx3-ubyte.gz
    Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
    ****Start Tutorial****
    ****init****
    ****50000回学習と結果表示****
    0.914

    と試行回数を50000まで増やしても、Qiita初級者向けモデルの1000回試行の0.91と比べてあまり良くなりませんでした。
    紹介されていたQiitaの上級者向けモデルでは0.992まで持って行っていましたので、上級版もチャレンジしてみたいですね。
    勉強しないとここらへんの改良はできないので、今後学習していこうと思います。