u++の備忘録

【遊戯王デュエルリンクス】無課金&社会人だけど全キャラのレベルMAX達成した

デュエルリンクス

無料でこんなに楽しめるし、神ゲーだと思う。あと就活生各位には自分の時間が確保できる仕事を強くおすすめしたい。

Why People Think "AI" Can Do Everything?

随筆 English

f:id:upura:20171021073837p:plain

Japanese version:

upura.hatenablog.com

Definition

In this article, "experts" is defined as the following, and "general" as not experts.

  • "experts" are those who have the knowledge that the term "artificial intelligence (AI)" is used as a collective concept of various technical elements.

Background

Recently, I had a lot of chances to talk with someone outside the company. I often talked to them about fashionable "AI", but in almost all cases the talk did not mesh well. I will illustrate and verify the result of my thinking what the reason is.

Misunderstanding that one "AI" is doing everything

The figure at the beginning shows a summary. From the conclusion, I think that there must be a misunderstanding that one "AI" is doing everything.

Researchers / developers (=experts) deliver many deliverables to the world by using various kinds of techniques like speech recognition, image recognition and natural language processing. People (=general) often know them through media such as TV, newspaper and SNS. In that case, labels "artificial intelligence (AI)" are often affixed to arbitrary deliverables. As a result, it seems that all deliverables are understood to be done by (only one) AI.

Due to such misunderstandings, the excessive discourse "human being VS artificial intelligence (AI)" spreads out

Conclusion

Conscious of this composition, I feel that communication with a lot of people will be smooth. There are various ways ... correct the understanding or give up talking seriously.

東大・中川先生の最終講義に行って来た

随筆

上のツイートで書いた通り、僕が「機械学習」に惹かれるキッカケとなった中川先生が本年度で定年退職されるとのことで、昨日開催の最終講義に参加してきました。

f:id:upura:20180302080648j:plain

150ページ以上にも及ぶスライドで2時間講演されました。通常の最終講義だと、先生が博士課程辺りからご自身のことを振り返る形式が一般的かと思っていましたが、中川先生は（従来主眼を置いていた自然言語処理には一切触れず）近年の研究テーマである「プライバシー✕機械学習」周辺の議論を怒涛のごとく展開されていたのが印象的でした。上の講義資料は、今後の社会を生きていく中で、たびたび読み返す一冊になる気がしています。

聴講者も、例えば杉山将先生やPFN岡野原副社長など、産官学から錚々たるメンバーが詰めかけていました。100人以上入るであろう工学部2号館1階213講義室が満席で、中川先生のこれまでの幅広い貢献が感じられました。

ふと、当時の講義資料をもう一度読み直そうかなとも思ったり。

統計的機械学習入門 | 中川研究室

[追記 180304]

資料が公開されました。

www.slideshare.net

2変数関数の極小値・極大値・鞍点の求め方

その他

はじめに

先日話題になっていた下記の記事を読んで、大学1年次に勉強した極小値・極大値・鞍点の求め方を復習しようと思った。
qiita.com

例題と解法

下記サイトから引用。
mathtrain.jp

例題

f(x,y)=x3+2xy+y2−xの極値をできる限り求めよ。

解法（方針）

  1. 極値のための必要条件として偏微分=0を解き、候補の組を得る
  2. ヘッセ行列を導出する
  3. 候補の組をヘッセ行列 Hにそれぞれ代入し、形状から極小値・極大値・鞍点のいずれであるかを判定する

（詳細は引用の範囲を超えるので、上記リンクへ）

解説

下記の書籍の「6.3.2　２変数関数の極値問題」から抜粋。

www.shoeisha.co.jp

テイラーの公式を n=3まで展開し、以下を導く（ただしは Hはヘッセ行列、 R(x,y)は剰余項）。

f(x,y) - f(x_0,y_0) = \frac{1}{2}H \left( \begin{array}{rr} x-x_0 \\ y-y_0 \\ \end{array} \right)+R(x,y)

ここで、候補の組 (x_0,y_0)をヘッセ行列 Hに代入した際に常に H>0であれば、（剰余項を無視すると）常に f(x,y) - f(x_0,y_0)>0であるため、その組 (x_0,y_0)は極小値である。同様に常に H<0であれば、その組 (x_0,y_0)は極大値である。どちらとも言えなければ、鞍点である。

剰余項を考慮した場合の議論は上の書籍参照。

PDF無料公開の「マーケティング×(経済理論＆機械学習)」書籍 "Introduction to Algorithmic Marketing"

書籍メモ

Twitterで見かけて良さげだったので、自分で土日に読み込むためのまとめ。


書籍概要

公式ページ

algorithmicweb.wordpress.com

Introduction to Algorithmic Marketing is a comprehensive guide to advanced marketing automation for marketing strategists, data scientists, product managers, and software engineers. It summarizes various techniques tested by major technology, advertising, and retail companies, and it glues these methods together with economic theory and machine learning. The book covers the main areas of marketing that require micro-decisioning – targeted promotions and advertisements, eCommerce search, recommendations, pricing, and assortment optimization.

日本語訳

『Introduction to Algorithmic Marketing』は、マーケティングストラテジスト、データサイエンティスト、プロダクトマネージャー、ソフトウェアエンジニアのための高度なマーケティングオートメーションの包括的なガイドです。主要なIT・広告・小売企業で実践された、経済理論や機械学習と紐づくさまざまなテクニックをまとめました。本書では、ターゲットプロモーション・広告・eコマース検索・推薦・価格設定・品揃えの最適化など、マイクロデシジョンを必要とするマーケティングの主要分野について説明します。

目次

1 introduction 1

1.1 The Subject of Algorithmic Marketing . . . . . . . . . . . 2
1.2 The Definition of Algorithmic Marketing . . . . . . . . . . 4
1.3 Historical Backgrounds and Context . . . . . . . . . . . . 5

1.3.1 Online Advertising: Services and Exchanges . . . . . 5
1.3.2 Airlines: Revenue Management . . . . . . . . . . . . . 7
1.3.3 Marketing Science . . . . . . . . . . . . . . . . . . . . . 10

1.4 Programmatic Services . . . . . . . . . . . . . . . . . . . . 11
1.5 Who Should Read This Book? . . . . . . . . . . . . . . . . 15
1.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 review of predictive modeling 19

2.1 Descriptive, Predictive, and Prescriptive Analytics . . . . 19
2.2 Economic Optimization . . . . . . . . . . . . . . . . . . . . 20
2.3 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . 25

2.4.1 Parametric and Nonparametric Models . . . . . . . . 26
2.4.2 Maximum Likelihood Estimation . . . . . . . . . . . . 27
2.4.3 Linear Models . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.3.1 Linear Regression . . . . . . . . . . . . . . . . . . 30
2.4.3.2 Logistic Regression and Binary Classification . . 31
2.4.3.3 Logistic Regression and Multinomial Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.3.4 Naive Bayes Classifier . . . . . . . . . . . . . . . . 34
2.4.4 Nonlinear Models . . . . . . . . . . . . . . . . . . . . . 36
2.4.4.1 Feature Mapping and Kernel Methods . . . . . . 36
2.4.4.2 Adaptive Basis and Decision Trees . . . . . . . . 40

2.5 Representation Learning . . . . . . . . . . . . . . . . . . . 41

2.5.1 Principal Component Analysis . . . . . . . . . . . . . 42
2.5.1.1 Decorrelation . . . . . . . . . . . . . . . . . . . . . 42
2.5.1.2 Dimensionality Reduction . . . . . . . . . . . . . 46
2.5.2 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . 49

2.6 More Specialized Models . . . . . . . . . . . . . . . . . . . 52

2.6.1 Consumer Choice Theory . . . . . . . . . . . . . . . . 52
2.6.1.1 Multinomial Logit Model . . . . . . . . . . . . . . 54
2.6.1.2 Estimation of the Multinomial Logit Model . . . 57
2.6.2 Survival Analysis . . . . . . . . . . . . . . . . . . . . . 58
2.6.2.1 Survival Function . . . . . . . . . . . . . . . . . . 60
2.6.2.2 Hazard Function . . . . . . . . . . . . . . . . . . . 62
2.6.2.3 Survival Analysis Regression . . . . . . . . . . . . 64
2.6.3 Auction Theory . . . . . . . . . . . . . . . . . . . . . . 68

2.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

3 promotions and advertisements 75

3.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.2 Business Objectives . . . . . . . . . . . . . . . . . . . . . . 80

3.2.1 Manufacturers and Retailers . . . . . . . . . . . . . . . 80
3.2.2 Costs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2.3 Gains . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

3.3 Targeting Pipeline . . . . . . . . . . . . . . . . . . . . . . . 85

3.4 Response Modeling and Measurement . . . . . . . . . . . 88
3.4.1 Response Modeling Framework . . . . . . . . . . . . . 89
3.4.2 Response Measurement . . . . . . . . . . . . . . . . . 93

3.5 Building Blocks: Targeting and LTV Models . . . . . . . . 94

3.5.1 Data Collection . . . . . . . . . . . . . . . . . . . . . . 95
3.5.2 Tiered Modeling . . . . . . . . . . . . . . . . . . . . . . 96
3.5.3 RFM Modeling . . . . . . . . . . . . . . . . . . . . . . 98
3.5.4 Propensity Modeling . . . . . . . . . . . . . . . . . . . 99
3.5.4.1 Look-alike Modeling . . . . . . . . . . . . . . . . 100
3.5.4.2 Response and Uplift Modeling . . . . . . . . . . . 104
3.5.5 Segmentation and Persona-based Modeling . . . . . . 107
3.5.6 Targeting by using Survival Analysis . . . . . . . . . . 109
3.5.7 Lifetime Value Modeling . . . . . . . . . . . . . . . . . 113
3.5.7.1 Descriptive Analysis . . . . . . . . . . . . . . . . . 113
3.5.7.2 Markov Chain Models . . . . . . . . . . . . . . . . 116
3.5.7.3 Regression Models . . . . . . . . . . . . . . . . . . 119

3.6 Designing and Running Campaigns . . . . . . . . . . . . . 120

3.6.1 Customer Journeys . . . . . . . . . . . . . . . . . . . . 121
3.6.2 Product Promotion Campaigns . . . . . . . . . . . . . 123
3.6.2.1 Targeting Process . . . . . . . . . . . . . . . . . . 123
3.6.2.2 Budgeting and Capping . . . . . . . . . . . . . . . 126
3.6.3 Multistage Promotion Campaigns . . . . . . . . . . . 131
3.6.4 Retention Campaigns . . . . . . . . . . . . . . . . . . . 133
3.6.5 Replenishment Campaigns . . . . . . . . . . . . . . . 136

3.7 Resource Allocation . . . . . . . . . . . . . . . . . . . . . . 137

3.7.1 Allocation by Channel . . . . . . . . . . . . . . . . . . 138
3.7.2 Allocation by Objective . . . . . . . . . . . . . . . . . . 142

3.8 Online Advertisements . . . . . . . . . . . . . . . . . . . . 144

3.8.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . 144
3.8.2 Objectives and Attribution . . . . . . . . . . . . . . . . 146
3.8.3 Targeting for the CPA-LT Model . . . . . . . . . . . . 149
3.8.3.1 Brand Proximity . . . . . . . . . . . . . . . . . . . 151
3.8.3.2 Ad Response Modeling . . . . . . . . . . . . . . . 152
3.8.3.3 Inventory Quality and Bidding . . . . . . . . . . 152
3.8.4 Multi-Touch Attribution . . . . . . . . . . . . . . . . . 154

3.9 Measuring the Effectiveness . . . . . . . . . . . . . . . . . 157

3.9.1 Randomized Experiments . . . . . . . . . . . . . . . . 157
3.9.1.1 Conversion Rate . . . . . . . . . . . . . . . . . . . 157
3.9.1.2 Uplift . . . . . . . . . . . . . . . . . . . . . . . . . 160
3.9.2 Observational Studies . . . . . . . . . . . . . . . . . . 163
3.9.2.1 Model Specification . . . . . . . . . . . . . . . . . 166
3.9.2.2 Simulation . . . . . . . . . . . . . . . . . . . . . . 169

3.10 Architecture of Targeting Systems . . . . . . . . . . . . . . 172

3.10.1 Targeting Server . . . . . . . . . . . . . . . . . . . . . . 172
3.10.2 Data Management Platform . . . . . . . . . . . . . . . 174
3.10.3 Analytics Platform . . . . . . . . . . . . . . . . . . . . 174
3.11 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

4 search 179

4.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . 180
4.2 Business Objectives . . . . . . . . . . . . . . . . . . . . . . 183

4.2.1 Relevance Metrics . . . . . . . . . . . . . . . . . . . . . 185
4.2.2 Merchandising Controls . . . . . . . . . . . . . . . . . 190
4.2.3 Service Quality Metrics . . . . . . . . . . . . . . . . . . 191

4.3 Building Blocks: Matching and Ranking . . . . . . . . . . 193

4.3.1 Token Matching . . . . . . . . . . . . . . . . . . . . . . 194
4.3.2 Boolean Search and Phrase Search . . . . . . . . . . . 195
4.3.3 Normalization and Stemming . . . . . . . . . . . . . . 196
4.3.4 Ranking and the Vector Space Model . . . . . . . . . 198
4.3.5 TFIDF Scoring Model . . . . . . . . . . . . . . . . . . 201
4.3.6 Scoring with n-grams . . . . . . . . . . . . . . . . . . . 205

4.4 Mixing Relevance Signals . . . . . . . . . . . . . . . . . . . 206

4.4.1 Searching Multiple Fields . . . . . . . . . . . . . . . . 207
4.4.2 Signal Engineering and Equalization . . . . . . . . . . 209
4.4.2.1 One Strong Signal . . . . . . . . . . . . . . . . . . 209
4.4.2.2 Strong Average Signal . . . . . . . . . . . . . . . . 212
4.4.2.3 Fragmented Features and Signals . . . . . . . . . 213
4.4.3 Designing a Signal Mixing Pipeline . . . . . . . . . . 215

4.5 Semantic Analysis . . . . . . . . . . . . . . . . . . . . . . . 218

4.5.1 Synonyms and Hierarchies . . . . . . . . . . . . . . . 219
4.5.2 Word Embedding . . . . . . . . . . . . . . . . . . . . . 222
4.5.3 Latent Semantic Analysis . . . . . . . . . . . . . . . . 224
4.5.4 Probabilistic Topic Modeling . . . . . . . . . . . . . . 231
4.5.5 Probabilistic Latent Semantic Analysis . . . . . . . . . 232
4.5.5.1 Latent Variable Model . . . . . . . . . . . . . . . . 233
4.5.5.2 Matrix Factorization . . . . . . . . . . . . . . . . . 236
4.5.5.3 pLSA Properties . . . . . . . . . . . . . . . . . . . 237
4.5.6 Latent Dirichlet Allocation . . . . . . . . . . . . . . . . 237
4.5.7 Word2Vec Model . . . . . . . . . . . . . . . . . . . . . 240

4.6 Search Methods for Merchandising . . . . . . . . . . . . . 247

4.6.1 Combinatorial Phrase Search . . . . . . . . . . . . . . 249
4.6.2 Controlled Precision Reduction . . . . . . . . . . . . . 253
4.6.3 Nested Entities and Dynamic Grouping . . . . . . . . 255

4.7 Relevance Tuning . . . . . . . . . . . . . . . . . . . . . . . . 258

4.7.1 Learning to Rank . . . . . . . . . . . . . . . . . . . . . 260
4.7.2 Learning to Rank from Implicit Feedback . . . . . . . 265
4.8 Architecture of Merchandising Search Services . . . . . . 269
4.9 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

5 recommendations 273

5.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . 275

5.1.1 Properties of Customer Ratings . . . . . . . . . . . . . 277

5.2 Business Objectives . . . . . . . . . . . . . . . . . . . . . . 279
5.3 Quality Evaluation . . . . . . . . . . . . . . . . . . . . . . . 280

5.3.1 Prediction Accuracy . . . . . . . . . . . . . . . . . . . 282
5.3.2 Ranking Accuracy . . . . . . . . . . . . . . . . . . . . . 284
5.3.3 Novelty . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
5.3.4 Serendipity . . . . . . . . . . . . . . . . . . . . . . . . . 286
5.3.5 Diversity . . . . . . . . . . . . . . . . . . . . . . . . . . 286
5.3.6 Coverage . . . . . . . . . . . . . . . . . . . . . . . . . . 287
5.3.7 The Role of Experimentation . . . . . . . . . . . . . . 288

5.4 Overview of Recommendation Methods . . . . . . . . . . 288
5.5 Content-based Filtering . . . . . . . . . . . . . . . . . . . . 291

5.5.1 Nearest Neighbor Approach . . . . . . . . . . . . . . . 294
5.5.2 Naive Bayes Classifier . . . . . . . . . . . . . . . . . . 296
5.5.3 Feature Engineering for Content Filtering . . . . . . . 301

5.6 Introduction to Collaborative Filtering . . . . . . . . . . . 303

5.6.1 Baseline Estimates . . . . . . . . . . . . . . . . . . . . 305

5.7 Neighborhood-based Collaborative Filtering . . . . . . . . 309

5.7.1 User-based Collaborative Filtering . . . . . . . . . . . 310
5.7.2 Item-based Collaborative Filtering . . . . . . . . . . . 316
5.7.3 Comparison of User-based and Item-based Methods 317
5.7.4 Neighborhood Methods as a Regression Problem . . 318
5.7.4.1 Item-based Regression . . . . . . . . . . . . . . . 319
5.7.4.2 User-based Regression . . . . . . . . . . . . . . . 322
5.7.4.3 Fusing Item-based and User-based Models . . . 323

5.8 Model-based Collaborative Filtering . . . . . . . . . . . . . 324

5.8.1 Adapting Regression Models to Rating Prediction . . 325
5.8.2 Naive Bayes Collaborative Filtering . . . . . . . . . . . 327
5.8.3 Latent Factor Models . . . . . . . . . . . . . . . . . . . 331
5.8.3.1 Unconstrained Factorization . . . . . . . . . . . . 335
5.8.3.2 Constrained Factorization . . . . . . . . . . . . . 339
5.8.3.3 Advanced Latent Factor Models . . . . . . . . . . 342

5.9 Hybrid Methods . . . . . . . . . . . . . . . . . . . . . . . . 346

5.9.1 Switching . . . . . . . . . . . . . . . . . . . . . . . . . . 346
5.9.2 Blending . . . . . . . . . . . . . . . . . . . . . . . . . . 347
5.9.2.1 Blending with Incremental Model Training . . . 349
5.9.2.2 Blending with Residual Training . . . . . . . . . . 350
5.9.2.3 Feature-weighted Blending . . . . . . . . . . . . . 351
5.9.3 Feature Augmentation . . . . . . . . . . . . . . . . . . 354
5.9.4 Presentation Options for Hybrid Recommendations . 356

5.10 Contextual Recommendations . . . . . . . . . . . . . . . . 357

5.10.1 Multidimensional Framework . . . . . . . . . . . . . . 358
5.10.2 Context-Aware Recommendation Techniques . . . . . 360
5.10.3 Time-Aware Recommendation Models . . . . . . . . . 364
5.10.3.1 Baseline Estimates with Temporal Dynamics . . 364
5.10.3.2 Neighborhood Model with Time Decay . . . . . . 366
5.10.3.3 Latent Factor Model with Temporal Dynamics . 367

5.11 Non-Personalized Recommendations . . . . . . . . . . . . 368

5.11.1 Types of Non-Personalized Recommendations . . . . 368
5.11.2 Recommendations by Using Association Rules . . . . 370

5.12 Multiple Objective Optimization . . . . . . . . . . . . . . . 373
5.13 Architecture of Recommender Systems . . . . . . . . . . . 377
5.14 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379

6 pricing and assortment 383

6.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . 384
6.2 The Impact of Pricing . . . . . . . . . . . . . . . . . . . . . 386
6.3 Price and Value . . . . . . . . . . . . . . . . . . . . . . . . . 388

6.3.1 Price Boundaries . . . . . . . . . . . . . . . . . . . . . 388
6.3.2 Perceived Value . . . . . . . . . . . . . . . . . . . . . . 390

6.4 Price and Demand . . . . . . . . . . . . . . . . . . . . . . . 393

6.4.1 Linear Demand Curve . . . . . . . . . . . . . . . . . . 394
6.4.2 Constant-Elasticity Demand Curve . . . . . . . . . . . 395
6.4.3 Logit Demand Curve . . . . . . . . . . . . . . . . . . . 397

6.5 Basic Price Structures . . . . . . . . . . . . . . . . . . . . . 399

6.5.1 Unit Price . . . . . . . . . . . . . . . . . . . . . . . . . 399
6.5.2 Market Segmentation . . . . . . . . . . . . . . . . . . . 401
6.5.3 Multipart Pricing . . . . . . . . . . . . . . . . . . . . . 406
6.5.4 Bundling . . . . . . . . . . . . . . . . . . . . . . . . . . 410

6.6 Demand Prediction . . . . . . . . . . . . . . . . . . . . . . 414

6.6.1 Demand Model for Assortment Optimization . . . . 416
6.6.2 Demand Model for Seasonal Sales . . . . . . . . . . . 419
6.6.2.1 Demand Data Preparation . . . . . . . . . . . . . 419
6.6.2.2 Model Specification . . . . . . . . . . . . . . . . . 420
6.6.3 Demand Prediction with Stockouts . . . . . . . . . . . 421

6.7 Price Optimization . . . . . . . . . . . . . . . . . . . . . . . 424

6.7.1 Price Differentiation . . . . . . . . . . . . . . . . . . . 425
6.7.1.1 Differentiation with Demand Shifting . . . . . . . 428
6.7.1.2 Differentiation with Constrained Supply . . . . . 430
6.7.2 Dynamic Pricing . . . . . . . . . . . . . . . . . . . . . 433
6.7.2.1 Markdowns and Clearance Sales . . . . . . . . . . 436
6.7.2.2 Markdown Price Optimization . . . . . . . . . . . 439
6.7.2.3 Price Optimization for Competing Products . . . 441
6.7.3 Personalized Discounts . . . . . . . . . . . . . . . . . . 444

6.8 Resource Allocation . . . . . . . . . . . . . . . . . . . . . . 446

6.8.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . 447
6.8.2 Allocation with Two Classes . . . . . . . . . . . . . . . 450
6.8.3 Allocation with Multiple Classes . . . . . . . . . . . . 453
6.8.4 Heuristics for Multiple Classes . . . . . . . . . . . . . 455
6.8.4.1 EMSRa . . . . . . . . . . . . . . . . . . . . . . . . . 456
6.8.4.2 EMSRb . . . . . . . . . . . . . . . . . . . . . . . . 456

6.9 Assortment Optimization . . . . . . . . . . . . . . . . . . . 457

6.9.1 Store-Layout Optimization . . . . . . . . . . . . . . . . 458
6.9.2 Category Management . . . . . . . . . . . . . . . . . . 460

6.10 Architecture of Price Management Systems . . . . . . . . 466
6.11 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 468

a appendix: dirichlet distribution 471

index 475

bibliography 481

Googleの無料デジタルマーケティング講座「デジタルワークショップ」を修了した

その他

f:id:upura:20180210180458p:plain

Facebookの広告でよく出てきて気になっていた、Googleの無料デジタルマーケティング講座「デジタルワークショップ」を修了した。

デジタルワークショップとは

Googleが無料で提供しているデジタルマーケティングに関するオンライン講座。全23章から成り、体系的に学べる。全ての章の章末問題で全問正解した後に、最終試験で70%以上正解すると、修了証がもらえる。

f:id:upura:20180210181314p:plain

所感

  • 既に業務でデジタルマーケティングに触れているので、教科書的な部分は読まず問題を解いていった。本日14:45にアカウントを作り、4時間後には全章の章末問題をクリア。最終試験は一発でパスできた。
  • 正直基礎的な内容ばかりだが、幅広なトピックが体系立ててまとまっていて、「なんとなくデジタルマーケティングに興味ある」くらいの人が最初に触れる教材として優れていると感じた。
  • 一箇所、章末問題で正解のボタンが押せない（画像が読み込まれていない）現象が発生しており、詰みかけた。開発者ツールからHTMLの要素を直接編集することで突破したが、こういう知見がないと詰んでしまう。。。

Googleの「CNNで糖尿病性網膜症を判定する」研究の論文紹介

python 画像処理 論文メモ 発表資料


はじめに

某所で、下記でまとめた論文について紹介をしてきた。

upura.hatenablog.com

所感

Googleの論文ではあるが、掲載誌が情報系ではなく米医師会による医学系のものであるため、数式が一つも出てこない。むしろ、Deep Learningアルゴリズムを医療適用する場合の「考察」が非常に興味深かった。

簡易的な実装

簡易的な実装もした。TensorFlowのチュートリアルにあったCNNのサンプルを少しいじっただけ。画像200枚で60%程度の精度なので、大規模な画像で殴ってハイパーパラメータを調整すれば、かなりの精度まで行くだろうなあという所感。

github.com