#機械学習
scikit-learnとyellowbrickを用いた機械学習入門 （授業）Part 2 多クラス分類
scikit-learnとyellowbrickを用いた機械学習について講義で話しました．今回はPart 2の多クラス分類です． #scikit -learn #yellowbrick #Python #プログラミング言語 #多クラス分類
@サプライ・チェイン最適化チャンネル（MIKIO KUBO)
https://youtube.com/@kubomikio
scikit-learnとyellowbrickを用いた機械学習入門 （授業）
scikit-learnとyellowbrickを用いた機械学習について講義で話しました． #plotlyvisualization #Python #プログラミング言語
@サプライ・チェイン最適化チャンネル（MIKIO KUBO)
https://youtube.com/@kubomikio
ML/MO研究部会HP（仮）
研究部会の原案ができた．
第0回 ML/MO研究部会 (仮）zoomによるオンライン
8/3（木）13:00- 16:00
13:00-14:00 久保 幹雄 東京海洋大 教授 数理最適化と機械学習の融合アプローチ-分類と新しい枠組み -
14:00-15:00 高野 祐一 筑波大学 准教授
S. Ikeda, N. Nishimura, N. Sukegawa, and Y. Taka
数理最適化と機械学習の融合アプローチ-分類と新しい枠組み--応用編-
数理最適化と機械学習を融合した新しいフレームワークの「応用」について語っています．
応用は，動的ロットサイズ決定問題，起動停止問題，動的配送計画，長距離輸送問題，動的修理人問題などです． #機械学習 #数理最適化 #融合 #MIPlearn #ConstraintLearn
@サプライ・チェイン最適化チャンネル（MIKIO KUBO)
https://youtube.com/@kubomikio
予測と在庫管理の融合
従来の需要予測の研究と在庫管理の研究は別々に行われてきた． 予測では，非定常な需要を仮定し，在庫管理では定常な分布を仮定する場合が多い． これらの2つの（おそらくサプライ・チェインに対して最も重要かつ最も多くの研究が行われてきた）モデルを構築することは，永年の研究者たちの夢であったが，いまだに実務的で納得するものは出ていない．
従来の研究の多くは，以下の２つに分類される．
1. 綺麗な解析がで
Sonyの予測システム
Sonyが予測システムを無料で公開したので試してみた．
PM2.5の予測を入れてみた．計算時間は10分程度でニューラルネットとAda Boostを色々試した後に「あと1分です」という表示のところで止まってしまった．
そこで小さい住宅価格の例題を入れてみた．ここにあるrent.csvだ．
今度は無事に計算できた．特徴ベクトルの寄与度に興味があったので，それを表示させてみたのが，冒頭の図だ．住宅
訓練データと検証(開発，テスト）データの乖離
常識的なことだが，訓練用のデータと検証(開発とも呼ばれる）ならびにテストデータは似たものを選ばなければならない．
日本語の手書き文字データセットを高精度で読み取ることができるというニュースがたまに流れるが，これは「お手本を元に書いてもらった」データセットを用いているためである．ほとんどが産総研が集めたデータセットを使用しているが，これだと高精度が出るのがあたりまえで，本当の人が適当に書いた癖のあ
前処理
実務におけるデータに対しては前処理が重要になる。Pythonだとscipy.statsかscikit-learnのpreprocessingを使う。
以前使ったPM2.5のデータを用いて解説する。
import pandas as pd
%matplotlib inline
df = pd.read_csv("http://logopt.com/data/PRSA.csv")
df.head(
機械学習のイラスト解説
最近，図とかイラストで機械学習を解説するという本がたくさん出てきた．図があればわかりやすいかというと，そうでもない本が多いようだ．イラストレーターが描いたキャラが，図の横で何か説明しているだけでは，captionとかわりがない．
本当に分かりやすい図というのは，対象とする問題に対する理解度に依存する．たとえば，AndrewやJeremyの図は汚いが，理解の補助になるものが多い．
絵を描くのが上