SlideShare uma empresa Scribd logo
1 de 40
Baixar para ler offline
~手を動かしながら学ぶ!~
エンジニアのための
データサイエンス・ハンズオン
株式会社リクルートコミュニケーションズ
尾崎 隆 (Takashi J. OZAKI, Ph. D.)
2015/2/4
今更ですが、自己紹介を…
ブログやってます
2015/2/4 1
ついでに、宣伝を…
夏に本出しました(もうそろそろ売り切った気がしないでもない)
2015/2/4 2
2015/2/4 3
序
今回のハンズオンの
目的・目指すもの
今回のハンズオンが目指すもの
 データ分析の「雰囲気」を知る
 どんな「手法」があるかを眺める
 実際にエンジニアとして実装する時に何をすれば
良いのかイメージできるようになってもらう
 このハンズオンではRを使いますが、実際には他の言語
(Python, Javaなど)で実装するはず
2015/2/4 4
2015/2/4 5
0
今回のハンズオンで最低限
必要なR上でのデータ操作
最低限これだけ覚えておきましょう(1)
2015/2/4 6
データを外部から読み込む場合
# RStudioであれば右上ウィンドウの “Import Dataset” で
対話的にやれる
# 外部ファイルを読み込む
data<-read.table(file,header=T,sep=',', ...)
# クリップボードから読み込む(Win)
data<-read.table("clipboard",header=T)
最低限これだけ覚えておきましょう(2)
2015/2/4 7
データテーブルの中身を操作する
# as.factor関数でnumeric型からfactor型に変換する
d$cat<-as.factor(d$cat)
# 行・列を抽出or削除する
d<-d[,-5] # 5列目を削除する
d<-d[,1:15] # 1-15列目のみ抽出する
d<-d[,-c(2,4,7)] # 2,4,7列目を削除する
d<-d[2,] # 2行目だけを抽出する
d<-d[idx,] # which関数などで特定した行のみ抽出する
d<-d[d$cat==‘hoge’,] # cat列がhogeの行のみ抽出する
その他については…
2015/2/4 8
適宜ハンズオンの途中で
説明していきます(手抜き)
サンプルデータセットについて
2015/2/4 9
以下のGitHubリポジトリをクローンしてください
https://github.com/ozt-
ca/tjo.hatenablog.samples/tree/master/r_samples/public_lib/hikalabo20150205
2015/2/4 10
1
統計学的検定をやってみよう
「検定」とは何か
2015/2/4 11
Aの平均
Bの平均
2つの重なり
ラフに言えば「2つの分布の重なりに基づいて、2つの変数が
異なるかどうか」を統計学的に判断するということ
ここでは以下の統計学的検定を扱います
 t検定(Welchの検定)
 カイ二乗検定
 Wilcoxonの順位和検定
 おまけ:いつまでサンプルを集めれば良い?
2015/2/4 12
t検定(Welchの検定)
2015/2/4 13
# ワーキングフォルダを移動する
setwd(“./hptest")
# データを読み込む
d1<-read.table("hyptest1.csv",header=T,sep=',')
d2<-read.table("hyptest2.csv",header=T,sep=',')
# データの先頭部を眺める
head(d1)
head(d2)
# 箱ひげ図で全体像を見る
boxplot(d1)
boxplot(val~id,d2)
# t検定を行ってみる
t.test(d1$x1,d1$x2)
t.test(val~id,d2)
カイ二乗検定(独立性の検定)
2015/2/4 14
# データを読み込む
mx1<-read.table("chisq1.csv",sep=',')
mx1<-as.matrix(mx1)
mx2<-read.table("chisq2.csv",sep=',')
mx2<-as.matrix(mx2)
mx3<-read.table("chisq3.csv",sep=',')
mx3<-as.matrix(mx3)
mx4<-read.table("chisq4.csv",sep=',')
mx4<-as.matrix(mx4)
# カイ二乗検定orフィッシャーの正確確率検定
chisq.test(mx1)
fisher.test(mx1)
chisq.test(mx2)
fisher.test(mx2)
chisq.test(mx3)
fisher.test(mx3)
chisq.test(mx4)
fisher.test(mx4)
順位和検定(Mann-Whiteny / Wilcoxon検定)
2015/2/4 15
# データを読み込む
d<-read.table("ranksum.csv",header=T,sep=',')
# 箱ひげ図で全体像を見る
boxplot(d)
# t検定を行ってみる
t.test(d$x1,d$x2)
# Wilcoxon検定を行ってみる
wilcoxon.test(d$x1,d$x2)
サンプルサイズと効果量の関係を知る
2015/2/4 16
# データを読み込む
d<-read.table("effectsize_samplesize.csv",header=T,sep=',')
# 箱ひげ図で全体像を見る
boxplot(d)
# 30サンプルでt検定を行ってみる
t.test(d$x1[1:30],d$x2[1:30])
# 全サンプルで検定を行ってみる
t.test(d$x1,d$x2)
# 効果量を計算してみる
e_size<-(mean(d$x2)-mean(d$x1))/3000
2015/2/4 17
2
クラスタリングをやってみよう
クラスタリングとは
2015/2/4 18
サンプル同士の「距離」に基づいて似たものをまとめていくこと
サンプルデータについて
“The data was obtained from 20 different
perfumes by using a handheld odor meter(OMX-GR
sensor).
Names of these perfumes are: ajayeb, ajmal,
amreaj, aood, asgar_ali, bukhoor, burberry,
dehenalaod, junaid, kausar, rose, solidmusk,
TeaTreeOil, raspberry, RoseMusk, strawberry,
constrected2, carolina_herrera, oudh_ma'alattar,
constrected1.
Each column represent a measurement and there
were 28 takes (one each second) .“
(https://archive.ics.uci.edu/ml/datasets/Perfume+Data)
2015/2/4 19
Ward法による階層的クラスタリングを実践してみる
2015/2/4 20
# データを読み込む
d<-read.table("perfume.csv",header=T,sep=',')
mx<-as.matrix(d[,-1]) # マトリクス形式に直す
row.names(mx)<-as.vector(d[,1]) # 行名を与える
# 距離行列を算出する
mx.dist<-dist(mx)
# Ward法で階層的クラスタリングを演算する
# R 3.1.0以上では “ward.D2” を選択すること
mx.hcl<-hclust(mx.dist,method = "ward")
# デンドログラム(樹状図)をプロットしてみる
plot(mx.hcl)
2015/2/4 21
3
統計モデリングをやってみよう
正規線形回帰モデル(いわゆる重回帰分析)
2015/2/4 22
𝑓(𝑦𝑖)~𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + 𝛽3 𝑥3𝑖 + 𝛽4 𝑥4𝑖 + ⋯ 𝛽 𝑛 𝑥 𝑛𝑖 + 𝜀𝑖
CV数を適切に数理的
に変換してモデルの精
度を上げる
102
78
91
84
110
CV数
1
2
0
1
3
広告1
3
0
2
1
4
広告2
0
1
0
0
1
広告3
2
1
2
1
2
広告4
1
3
3
2
3
広告n
このβたちを推定する
サンプルデータについて
For more information, read [Cortez et al., 2009].
Input variables (based on physicochemical tests):
1 - fixed acidity
2 - volatile acidity
3 - citric acid
4 - residual sugar
5 - chlorides
6 - free sulfur dioxide
7 - total sulfur dioxide
8 - density
9 - pH
10 - sulphates
11 - alcohol
Output variable (based on sensory data):
12 - quality (score between 0 and 10)
(https://archive.ics.uci.edu/ml/datasets/Wine+Quality)
2015/2/4 23
重回帰分析による統計モデリングを行ってみる(1)
2015/2/4 24
# データを読み込む
dr_train<-read.table("wine_red_train.csv",header=T,sep=',')
dr_test<-read.table("wine_red_test.csv",header=T,sep=',')
dw_train<-read.table("wine_white_train.csv",header=T,sep=',')
dw_test<-read.table("wine_white_test.csv",header=T,sep=',')
# データを眺める
head(dr_train)
head(dw_train)
# 目的変数の分布を確認する
# ここで正規分布に従っていない場合は別の方法が必要
# (例えば一般化線形モデルなど)
hist(dr_train$quality)
hist(dw_train$quality)
重回帰分析による統計モデリングを行ってみる(2)
2015/2/4 25
# lm関数で線形回帰モデルを推定する
dr.lm<-lm(quality~.,dr_train) # 赤ワイン
dw.lm<-lm(quality~.,dw_train) # 白ワイン
# 推定した線形回帰モデルの内容を確かめる
summary(dr.lm)
summary(dw.lm)
# 推定結果の当てはまりをチェックする
cor(dr_test$quality,predict(dr.lm,newdata=dr_test[,-12]))^2
plot(dr_test$quality,predict(dr.lm,newdata=dr_test[,-12]))
cor(dw_test$quality,predict(dw.lm,newdata=dw_test[,-12]))^2
plot(dw_test$quality,predict(dw.lm,newdata=dw_test[,-12]))
2015/2/4 26
4
機械学習をやってみよう
機械学習とは?
2015/2/4 27
SVMとは
2015/2/4 28
ランダムフォレストとは
2015/2/4 29
サンプルデータ “chess” について
“The format for instances in this database is a sequence of 37 attribute
values. Each instance is a board-descriptions for this chess endgame. The
first 36 attributes describe the board. The last (37th) attribute is the
classification: "win" or "nowin". There are 0 missing values. A typical
board-description is
f,f,f,f,f,f,f,f,f,f,f,f,l,f,n,f,f,t,f,f,f,f,f,f,f,t,f,f,f,f,f,f,f,t,t,n,won
The names of the features do not appear in the board-descriptions. Instead,
each feature correponds to a particular position in the feature-value list.
For example, the head of this list is the value for the feature "bkblk".
The following is the list of features, in the order in which their values
appear in the feature-value list:
[bkblk,bknwy,bkon8,bkona,bkspr,bkxbq,bkxcr,bkxwp,blxwp,bxqsq,cntxt,dso
pp,dwipd,hdchk,katri,mulch,qxmsq,r2ar8,reskd,reskr,rimmx,rkxwp,rxmsq,s
impl,skach,skewr,krxp,spcop,stlmt,thrsk,wkcti,wkna8,wknck,wkovl,wkpos,
wtoeg]
In the file, there is one instance (board position) per line.”
(https://archive.ics.uci.edu/ml/machine-learning-databases/chess/king-
rook-vs-king-pawn/kr-vs-kp.names)
2015/2/4 30
“chess”データに対して機械学習を行ってみる(1)
2015/2/4 31
# データを読み込む
# 学習データ
d_train<-read.table("chess_train.csv",header=T,sep=',')
# テストデータ
d_test<-read.table("chess_test.csv",header=T,sep=',')
# パッケージを読み込む
library(randomForest)
library(e1071)
# データを眺める
summary(d_train)
summary(d_test)
head(dr_train)
head(dw_train)
“chess”データに対して機械学習を行ってみる(2)
2015/2/4 32
# パラメータチューニングをしながら機械学習を行う
# SVM
d.tune<-tune.svm(label~.,data=d_train)
d.tune$best.model
d.svm<-
svm(label~.,d_train,cost=d.tune$best.model$cost,gamma=d.tun
e$best.model$gamma)
# ランダムフォレスト
tuneRF(d_train[,-36],d_train[,36],doBest=T)
d.rf<-randomForest(label~.,d_train,mtry=20)
“chess”データに対して機械学習を行ってみる(3)
2015/2/4 33
# 推定してみたモデルで予測を行ってみる
# テストデータの1サンプル目を眺めてみる
d_test$label[1]
# SVMで予測してみる
predict(d.svm,newdata=d_test[1,-36])
# ランダムフォレストで予測してみる
predict(d.rf,newdata=d_test[1,-36])
# それぞれテストデータ全体に対して予測してみる
# Confusion matrix(予測結果の比較行列)を出してみる
table(d_test$label,predict(d.svm,newdata=d_test[,-36]))
table(d_test$label,predict(d.rf,newdata=d_test[,-36]))
サンプルデータ “tennis” について
“Player 1 Name of Player 1
Player 2 Name of Player 2
Result Result of the match (0/1) - Referenced on Player 1 is Result = 1 if Player 1 wins (FNL.1>FNL.2)
FSP.1 First Serve Percentage for player 1 (Real Number)
FSW.1 First Serve Won by player 1 (Real Number)
SSP.1 Second Serve Percentage for player 1 (Real Number)
SSW.1 Second Serve Won by player 1 (Real Number)
ACE.1 Aces won by player 1 (Numeric-Integer)
DBF.1 Double Faults committed by player 1 (Numeric-Integer)
WNR.1 Winners earned by player 1 (Numeric)
UFE.1 Unforced Errors committed by player 1 (Numeric)
BPC.1 Break Points Created by player 1 (Numeric)
BPW.1 Break Points Won by player 1 (Numeric)
NPA.1 Net Points Attempted by player 1 (Numeric)
NPW.1 Net Points Won by player 1 (Numeric)
TPW.1 Total Points Won by player 1 (Numeric)
ST1.1 Set 1 result for Player 1 (Numeric-Integer)
ST2.1 Set 2 Result for Player 1 (Numeric-Integer)
ST3.1 Set 3 Result for Player 1 (Numeric-Integer)
ST4.1 Set 4 Result for Player 1 (Numeric-Integer)
ST5.1 Set 5 Result for Player 1 (Numeric-Integer)
FNL.1 Final Number of Games Won by Player 1 (Numeric-Integer)
FSP.2 First Serve Percentage for player 2 (Real Number)
FSW.2 First Serve Won by player 2 (Real Number)
SSP.2 Second Serve Percentage for player 2 (Real Number)
SSW.2 Second Serve Won by player 2 (Real Number)
ACE.2 Aces won by player 2 (Numeric-Integer)
DBF.2 Double Faults committed by player 2 (Numeric-Integer)
WNR.2 Winners earned by player 2 (Numeric)
UFE.2 Unforced Errors committed by player 2 (Numeric)
BPC.2 Break Points Created by player 2 (Numeric)
BPW.2 Break Points Won by player 2 (Numeric)
NPA.2 Net Points Attempted by player 2 (Numeric)
NPW.2 Net Points Won by player 2 (Numeric)
TPW.2 Total Points Won by player 2 (Numeric)
ST1.2 Set 1 result for Player 2 (Numeric-Integer)
ST2.2 Set 2 Result for Player 2 (Numeric-Integer)
ST3.2 Set 3 Result for Player 2 (Numeric-Integer)
ST4.2 Set 4 Result for Player 2 (Numeric-Integer)
ST5.2 Set 5 Result for Player 2 (Numeric-Integer)
FNL.2 Final Number of Games Won by Player 2 (Numeric-Integer)
Round Round of the tournament at which game is played (Numeric-Integer) ”
(https://archive.ics.uci.edu/ml/datasets/Tennis+Major+Tournament+Match+Statistics)
2015/2/4 34
“tennis”データに対して機械学習を行ってみる(1)
2015/2/4 35
# データを読み込む
# 学習データ(USオープン2013年男子)
dm<-read.table("tjo_usopen13men.csv",header=T,sep=',')
# テストデータ(USオープン2013年女子)
dw<-read.table("tjo_usopen13women.csv",header=T,sep=',')
names(dm)
summary(dm)
# Result列をfactor型に直す
dm$Result<-as.factor(dm$Result)
dw$Result<-as.factor(dw$Result)
“tennis”データに対して機械学習を行ってみる(2)
2015/2/4 36
# SVMでチューニングしながら学習させる
dm.tune<-tune.svm(Result~.,data=dm)
dm.tune$best.model
dm.svm<-
svm(Result~.,dm,cost=dm.tune$best.model$cost,gamma=dm.tu
ne$best.model$gamma)
# ランダムフォレストでチューニングしながら学習させる
tuneRF(dm[,-1],dm[,1],doBest=T)
dm.rf<-randomForest(Result~.,dm,mtry=3)
table(dw$Result,predict(dm.svm,newdata=dw[,-1]))
table(dw$Result,predict(dm.rf,newdata=dw[,-1]))
“tennis”データに対して機械学習を行ってみる(3)
2015/2/4 37
# 不適切なパラメータを削除して別のデータセットを作る
dm2<-dm[,-c(2,3)]
dw2<-dw[,-c(2,3)]
# 以下繰り返し
dm2.tune<-tune.svm(Result~.,data=dm2)
dm2.tune$best.model
dm2.svm<-
svm(Result~.,dm2,cost=dm2.tune$best.model$cost,gamma=dm
2.tune$best.model$gamma)
tuneRF(dm2[,-1],dm2[,1],doBest=T)
dm2.rf<-randomForest(Result~.,dm2,mtry=5)
table(dw$Result,predict(dm2.svm,newdata=dw2[,-1]))
table(dw$Result,predict(dm2.rf,newdata=dw2[,-1]))
機械学習についてはPythonなどでも同じライブラリが使える
 SVM
 R: {e1071}パッケージ
 Python, Java, C++など:LIBSVM
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
 ランダムフォレストなど
 scikit-learnパッケージが著名
2015/2/4 38
ということで…
さらに学びたい方は是非拙著をどうぞ!(相変わらず宣伝)
2015/2/4 39

Mais conteúdo relacionado

Mais de leverages_event

20171206 tsumugu4 人工知能特集_v1.00_抜粋
20171206 tsumugu4 人工知能特集_v1.00_抜粋20171206 tsumugu4 人工知能特集_v1.00_抜粋
20171206 tsumugu4 人工知能特集_v1.00_抜粋leverages_event
 
【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205
【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205
【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205leverages_event
 
【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121leverages_event
 
【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121leverages_event
 
【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121leverages_event
 
【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121leverages_event
 
【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817
【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817
【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817leverages_event
 
【ヒカ☆ラボ】株式会社ライナフ 登壇資料
【ヒカ☆ラボ】株式会社ライナフ 登壇資料【ヒカ☆ラボ】株式会社ライナフ 登壇資料
【ヒカ☆ラボ】株式会社ライナフ 登壇資料leverages_event
 
【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~
【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~
【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~leverages_event
 
インスタグラムを活用した、マーケティングについて
インスタグラムを活用した、マーケティングについてインスタグラムを活用した、マーケティングについて
インスタグラムを活用した、マーケティングについてleverages_event
 
ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119
ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119
ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119leverages_event
 
ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129leverages_event
 
ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129leverages_event
 
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア leverages_event
 
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー leverages_event
 
初心者向けGo言語勉強会
初心者向けGo言語勉強会初心者向けGo言語勉強会
初心者向けGo言語勉強会leverages_event
 
DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!
DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!
DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!leverages_event
 
Node.js×mongo dbで3年間サービス運用してみた話
Node.js×mongo dbで3年間サービス運用してみた話Node.js×mongo dbで3年間サービス運用してみた話
Node.js×mongo dbで3年間サービス運用してみた話leverages_event
 
株式会社waja 安藤様 登壇資料
株式会社waja 安藤様 登壇資料株式会社waja 安藤様 登壇資料
株式会社waja 安藤様 登壇資料leverages_event
 
株式会社インタースペース 清水様 登壇資料
株式会社インタースペース 清水様 登壇資料株式会社インタースペース 清水様 登壇資料
株式会社インタースペース 清水様 登壇資料leverages_event
 

Mais de leverages_event (20)

20171206 tsumugu4 人工知能特集_v1.00_抜粋
20171206 tsumugu4 人工知能特集_v1.00_抜粋20171206 tsumugu4 人工知能特集_v1.00_抜粋
20171206 tsumugu4 人工知能特集_v1.00_抜粋
 
【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205
【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205
【ヒカ☆ラボ】アーキテクト養成講座「入門編」 折田 武己 氏 登壇資料 20171205
 
【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 梅森 翔氏 登壇資料 20171121
 
【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 大竹 雅登氏 登壇資料 20171121
 
【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 深尾 もとのぶ氏 登壇資料 20171121
 
【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121
【ヒカ☆ラボ】 dely株式会社 三笠 斉輝氏 登壇資料 20171121
 
【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817
【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817
【ヒカ☆ラボ】 株式会社AMG Solution 山口 博史氏登壇資料 20170817
 
【ヒカ☆ラボ】株式会社ライナフ 登壇資料
【ヒカ☆ラボ】株式会社ライナフ 登壇資料【ヒカ☆ラボ】株式会社ライナフ 登壇資料
【ヒカ☆ラボ】株式会社ライナフ 登壇資料
 
【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~
【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~
【ヒカ☆ラボ】株式会社エアー様~ETLツール活用法について~
 
インスタグラムを活用した、マーケティングについて
インスタグラムを活用した、マーケティングについてインスタグラムを活用した、マーケティングについて
インスタグラムを活用した、マーケティングについて
 
ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119
ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119
ヒカ☆ラボ ユニティ・テクノロジーズ・ジャパン合同会社 安原 祐二氏登壇資料_20170119
 
ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 山田 和広氏登壇資料 20161129
 
ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129
ヒカ☆ラボ 株式会社PR TIMES 新井 隆士氏登壇資料 20161129
 
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」開発エンジニア
 
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー
ヒカラボ「自社サービス開発会社で活躍し続けるために必要な○○とは?」UIデザイナー
 
初心者向けGo言語勉強会
初心者向けGo言語勉強会初心者向けGo言語勉強会
初心者向けGo言語勉強会
 
DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!
DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!
DMM.comラボはなぜSparkを採用したのか?レコメンドエンジン開発の裏側をお話します!
 
Node.js×mongo dbで3年間サービス運用してみた話
Node.js×mongo dbで3年間サービス運用してみた話Node.js×mongo dbで3年間サービス運用してみた話
Node.js×mongo dbで3年間サービス運用してみた話
 
株式会社waja 安藤様 登壇資料
株式会社waja 安藤様 登壇資料株式会社waja 安藤様 登壇資料
株式会社waja 安藤様 登壇資料
 
株式会社インタースペース 清水様 登壇資料
株式会社インタースペース 清水様 登壇資料株式会社インタースペース 清水様 登壇資料
株式会社インタースペース 清水様 登壇資料
 

Último

2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~arts yokohama
 
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見Shumpei Kishi
 
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfTaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfMatsushita Laboratory
 
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法ssuser370dd7
 
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)ssuser539845
 
20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdfAyachika Kitazaki
 
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-LoopへTetsuya Nihonmatsu
 
2024 01 Virtual_Counselor
2024 01 Virtual_Counselor 2024 01 Virtual_Counselor
2024 01 Virtual_Counselor arts yokohama
 

Último (11)

2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
 
2024 03 CTEA
2024 03 CTEA2024 03 CTEA
2024 03 CTEA
 
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
 
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfTaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
 
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
 
What is the world where you can make your own semiconductors?
What is the world where you can make your own semiconductors?What is the world where you can make your own semiconductors?
What is the world where you can make your own semiconductors?
 
2024 04 minnanoito
2024 04 minnanoito2024 04 minnanoito
2024 04 minnanoito
 
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
 
20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf
 
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
 
2024 01 Virtual_Counselor
2024 01 Virtual_Counselor 2024 01 Virtual_Counselor
2024 01 Virtual_Counselor
 

手を動かしながら学ぶエンジニアのためのデータサイエンス!