ブログトップ 記事一覧 ログイン 無料ブログ開設

hamadakoichi blog このページをアンテナに追加 RSSフィード Twitter

2016-10-29

[][] 第57回 データマイニング+WEB @東京( #TokyoWebmining 57th )ー ビジネス活用 祭りーを開催しました  第57回 データマイニング+WEB @東京( #TokyoWebmining 57th )ー ビジネス活用 祭りーを開催しましたを含むブックマーク  第57回 データマイニング+WEB @東京( #TokyoWebmining 57th )ー ビジネス活用 祭りーを開催しましたのブックマークコメント

2016/10/29 "第57回 データマイニング+WEB @東京( #TokyoWebmining 57th ) ー ビジネス活用 祭りー" を開催しました。

会場提供して下さった FreakOut さん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。

参加者ID・バックグラウンド一覧:

f:id:hamadakoichi:20161029223410j:image

参加者セキココ:第57回 データマイニング+WEB @東京 セキココ

(作成してくれた @ さんに感謝)


以下、全講師資料、関連資料、ツイートまとめです。

AGENDA:

■Opening Talk

O1.「データマイニング+WEB@東京 について」

講師:@

O2.「参加者全員 自己紹介 (興味・活動)」(進行:@)


1.「計量経済学機械学習の交差点徹底入門」(講師: @) (発表: 30分+議論: 35分)

近年経済学において機械学習存在感が増してきています。特に米国webサービス関連の企業では既存の計量経済学手法機械学習によって改善されており、「大量にデータがある状態での因果推論モデルの提案」と「予測精度を担保しつつ因果関係を示せるモデルの提案」の二つにおいて進歩を出しつつあります。今回の発表では主にSusan Atheyの発表している研究内容を踏襲しながら、この分野への入門を行います。

参考文献:


2.「金融機関におけるデータ活用徹底入門」(講師: @ ) (発表: 30分+議論: 35分)

【資料】:確認後 公開予定

近年のビッグデータAIブームのおかげで、大手ベンダーからベンチャー企業まで様々なデータ分析技術が提供されています。一方、銀行を中心とする伝統的な金融機関はデータを持ってはいますが、データ分析技術の専門家は少なく、活用が遅れている分野も多く残っています。このミスマッチを解消すべく、分析技術を持った方々に、金融機関にあるデータと課題、すでに取り組んでいる事を知って頂くことで、金融サービスの向上に協力して頂ければと思います。

参考文献:


3.「TVision Insights - TV視聴行動データ解析 最新ケーススタディ」(講師: @)(発表: 30分+議論: 35分)

半年ぶりのTVISION INSIGHTSのテレビ視聴質データです。

前回と同じように、方法論は他の諸賢に任せ、もぎたてのデータから見えてきたことをお見せし、みなさんの「こういう分析がしたい」という想像の空間を広げることができればと思います。

わりとデータのカバレッジが広がってきました。

参考文献:


ツイートまとめ (Togetter)

「第57回 データマイニング+WEB @東京( #TokyoWebmining 57th ) ービジネス活用 祭りー」に関するツイートTogetter にまとめました。みなさん、たくさんのツイートありがとうございました。("誰でも編集可能"に設定してあります)


■講師募集

データマイニング+WEB勉強会東京 (#TokyoWebmining) を今後も、講師、参加者、双方にとってよりよい会としていきたいと思います。講師を募集していますので私の TwitterGoogle Group へのメールへぜひご連絡下さい。

連絡先:

Wiki

振返り:

振返りホワイトボード(Keep/Try/Talk候補):

f:id:hamadakoichi:20161029223411j:image


■過去開催内容:

2016-09-03

[][] 第56回 データマイニング+WEB @東京( #TokyoWebmining 56th )ー 機械学習サービス活用 祭り ーを開催しました  第56回 データマイニング+WEB @東京( #TokyoWebmining 56th )ー 機械学習サービス活用 祭り ーを開催しましたを含むブックマーク  第56回 データマイニング+WEB @東京( #TokyoWebmining 56th )ー 機械学習サービス活用 祭り ーを開催しましたのブックマークコメント

2016/9/3 "第56回 データマイニング+WEB @東京( #TokyoWebmining 56th ) ー 機械学習サービス活用 祭り ー" を開催しました。

会場提供して下さった SmartNews さん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。

参加者ID・バックグラウンド一覧

f:id:hamadakoichi:20160903224407j:image

参加者セキココ:第56回 データマイニング+WEB @東京 セキココ

(作成してくれた @ さんに感謝)


以下、全講師資料、関連資料、ツイートまとめです。

AGENDA:

■Opening Talk

O1.「データマイニング+WEB@東京 について」

講師:@

O2.「参加者全員 自己紹介 (興味・活動)」(進行:@)


1.「Recommendation Systems Handbook 2nd - 全 28 章 1000 page を 30 分で紹介」(講師: @)

情報推薦技術の最近の研究動向を広く浅く紹介します。去年末に発行された推薦システムのハンドブック(全28章、約1000ページ)を参考に、汎用的な推薦手法から、ケースごとに固有なテクニック、人間心理にもとづく考え方など、いろんなトピックをお話します。

参考文献:


2.「広告配信における不正クリックとの戦い」(講師: @ )(発表:30分 + 議論:35分)

インターネット広告業界において、Ad FraudやClick Fraudが問題として取り挙げられる事が増えました。Click Fraud(クリック詐欺)とはクリック報酬型広告(Pay Per Click)において、人間では無いボットによるクリックや、パブリッシャー(広告掲載サイト運営者)が自身の利益のために行なうクリックを指します。これは広告主にとって価値が無く、無駄なコストとなるため、広告ネットワーク事業者はこれを検出して無効化する対応を求められています。

本発表では、Click Fraud検出の歴史と共にその手法、現在のモバイル広告における課題を解説します。

参考文献:


3.「アンカンファレンス」(進行: @ ) (全体合計:60分)

アンカンファレンスとは、参加者が自分の議論したいトピックに関して話し、参加者が全員で議論・課題解決を行い、作りあげるカンファレンスです。TokyoWebmining には、データ・機械学習の各領域での実活用を行っているメンバーが集まっています。日頃、議論したいトピックをぜひ議論しましょう。


ツイートまとめ (Togetter)

「第56回 データマイニング+WEB @東京( #TokyoWebmining 56th ) ー機械学習サービス活用 祭り ー」に関するツイートTogetter にまとめました。みなさん、たくさんのツイートありがとうございました。("誰でも編集可能"に設定してあります)


■講師募集

データマイニング+WEB勉強会東京 (#TokyoWebmining) を今後も、講師、参加者、双方にとってよりよい会としていきたいと思います。講師を募集していますので私の TwitterGoogle Group へのメールへぜひご連絡下さい。

連絡先:

Wiki

振返り:

振返りホワイトボード(Keep/Try/Talk候補):

f:id:hamadakoichi:20160903224409j:image

■過去開催内容:

2016-07-23

[][] 第55回 データマイニング+WEB @東京( #TokyoWebmining 55th )ー IoT x AI 祭り ーを開催しました  第55回 データマイニング+WEB @東京( #TokyoWebmining 55th )ー IoT x AI 祭り ーを開催しましたを含むブックマーク  第55回 データマイニング+WEB @東京( #TokyoWebmining 55th )ー IoT x AI 祭り ーを開催しましたのブックマークコメント

2016/7/23 "第55回 データマイニング+WEB @東京( #TokyoWebmining 55th ) ーIoT x AI 祭りー" を開催しました。

会場提供して下さった SmartNews さん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。

参加者ID・バックグラウンド一覧

f:id:hamadakoichi:20160723224724j:image

参加者セキココ:第55回 データマイニング+WEB @東京 セキココ

(作成してくれた @ さんに感謝)


以下、全講師資料、関連資料、ツイートまとめです。

AGENDA:

■Opening Talk:

O1.「データマイニング+WEB@東京 について」

講師:@

O2.「参加者全員 自己紹介 (興味・活動)」(進行:@)


1.「投資会社から見た人工知能(AI)の事業トレンド」(講師: @ )(発表:30分 + 議論: 35分)

米国を中心とした 人工知能(AI)の事業トレンドを紹介する.“AI”というと私がリードしたドコモの 「しゃべって コンシェル」やApple SiriAmazon Echo, Microsoft Cortanaなどの擬人化エージェント,あるいはロボットを想起することが多いが,米国ではより一般的にAI農業や交通,流通など各産業における自動化,効率化技術のマーケティング用語として用いられる場合が多い.実質はデータに基づく機械学習を用いた最適化である.基盤となる実装アルゴリズムの多くは急速にコモンディティ化して行く.画像解析,パーソナル化,音声対話マーケティングオートメーションの多くは商用化段階にありレッドオーシャン化が進みつつある.農業,教育,医療法律福祉防災などこれまでIT化が進んでいなかった領域での動きを含めてAI事業化動向を解説する.

参考文献:


2.「物体認識 IoT サービスを支える技術 〜クラウドアーキテクチャから組込み深層学習まで〜」(講師: @ )(発表:40分 + 議論:40分)

Future Standard では、IoTを活用したインストアマーケティングのサービス開発を行っており、その仕組みを支える技術についてお話をさせて頂きます。前半では、AWSサーバー側の仕組みを構築した際に、どのような設計思想に基づいてアーキテクチャを構築したのかといったポイントを中心に説明します。また、Azureとの比較についても言及する予定です。後半は、東京大学の山崎研究室と共同で行っている、NVIDIAのJetsonという組み込みコンピューターを使った、Faster R-CNN を使ったエッジでのリアルタイム物体認識の取り組みについてお話させて頂きます。

参考文献:


3.「IoT時代のスマートビルにおけるデータサイエンス」(講師: @ ) (発表:30分+議論:35分)

【資料】非公開

建設分野においてもIoT適用事例が増えています。具体的にはセンサネットワークや人流センシングの情報を建物側にフィードバックをすることなどがありますが、建物制御の高度化には、それらの情報のリアルタイム処理や、機械学習による予測、異常検知が欠かせません。今回は建物におけるIoT機械学習トレンドと事例を紹介いたします。



■Try 進行状況共有

TokyoWebmining データ分析ハッカソン開催告知 ( @ )


ツイートまとめ (Togetter)

「第55回 データマイニング+WEB @東京( #TokyoWebmining 55th ) ー IoT x AI 祭り ー」に関するツイートTogetter にまとめました。みなさん、たくさんのツイートありがとうございました。("誰でも編集可能"に設定してあります)


■講師募集

データマイニング+WEB勉強会東京 (#TokyoWebmining) を今後も、講師、参加者、双方にとってよりよい会としていきたいと思います。講師を募集していますので私の TwitterGoogle Group へのメールへぜひご連絡下さい。

連絡先:

Wiki

振返り:

振返りホワイトボード(Keep/Try/Talk候補):

f:id:hamadakoichi:20160723224725j:image

■過去開催内容:

2016-06-25

[][] 第54回 データマイニング+WEB @東京( #TokyoWebmining 54th )ー深層学習・機械学習 祭りーを開催しました  第54回 データマイニング+WEB @東京( #TokyoWebmining 54th )ー深層学習・機械学習 祭りーを開催しましたを含むブックマーク  第54回 データマイニング+WEB @東京( #TokyoWebmining 54th )ー深層学習・機械学習 祭りーを開催しましたのブックマークコメント

2016/6/25 "第54回 データマイニング+WEB @東京( #TokyoWebmining 54th ) ー深層学習・機械学習 祭りー" を開催しました。

会場提供して下さったFreakOutさん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。

参加者ID・バックグラウンド一覧

f:id:hamadakoichi:20160625180155j:image

参加者セキココ:第54回 データマイニング+WEB @東京 セキココ

(作成してくれた @ さんに感謝)


以下、全講師資料、関連資料、ツイートまとめです。

AGENDA:

■Opening Talk:

O1.「データマイニング+WEB@東京 について」

講師:@

O2.「参加者全員 自己紹介 (興味・活動)」(進行:@)


1.「深層学習の進展・体験提供活用事例」( 講師: @ )

DeNA機械学習・深層学習活用した 体験提供の挑戦」

深層学習の進展、深層学習活用した各種体験提供での活用事例 (ファッション・マンガ・画像生成・対話、等) 等、紹介します。


2.「深層学習フレームワーク概論と活用方法」(講師: @)

「Deep Learning Implementations and Frameworks (Very short version of PAKDD 2016 tutorial) 」

「VAE-type Deep Generative Models」

深層学習の研究と深層学習フレームワークの開発はお互いに影響しあいながら発展してきています。それぞれのフレームワークは様々なコンセプトで開発され、研究者や開発者の様々な要求に答えるように設計されています。そのため、深層学習を用いた課題解決には適切なフレームワーク選択が重要です。本講演では、まずフレームワークごとの共通点・相違点について解説します。次にフレームワークを用いた深層学習モデルの実装方法例を、近年提案されたモデルを用いて紹介します。

本講演の一部は今年4月に開催された会議PAKDDでのチュートリアルの内容を一部に含みます。

参考文献:

3.「広告機械学習最前線」(講師: @)

Real-time biddingと呼ばれるオンライン広告配信枠の入札制度上で細やかな広告配信を実現させるためには、clickや購買行動を予測する機械学習による予測モデルと、その予測結果と広告主予算制約などを加味した入札制御を実現しなければなりません。

この発表では特にDSP(Demand Side Platform)の立場でどのように上記を実現させるために機械学習が活用されているのか紹介します。

参考文献

3. 懇親会LT

イノベーション創発資する人工知能基盤技術の創出と統合化」(講師: @ )

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」 (講師: @ )


ツイートまとめ (Togetter)

「第54回 データマイニング+WEB @東京( #TokyoWebmining 54th ) ー深層学習・機械学習 祭りー」に関するツイートTogetter にまとめました。みなさん、たくさんのツイートありがとうございました。("誰でも編集可能"に設定してあります)


■講師募集

データマイニング+WEB勉強会東京 (#TokyoWebmining) を今後も、講師、参加者、双方にとってよりよい会としていきたいと思います。講師を募集していますので私の TwitterGoogle Group へのメールへぜひご連絡下さい。

連絡先:

Wiki

振返り:

振返りホワイトボード(Keep/Try/Talk候補):

f:id:hamadakoichi:20160625190353j:image


■過去開催内容:

2016-04-16

[][] 第53回 データマイニング+WEB @東京( #TokyoWebmining 53rd )ーファッション・コマース 機械学習 祭りーを開催しました  第53回 データマイニング+WEB @東京( #TokyoWebmining 53rd )ーファッション・コマース 機械学習 祭りーを開催しましたを含むブックマーク  第53回 データマイニング+WEB @東京( #TokyoWebmining 53rd )ーファッション・コマース 機械学習 祭りーを開催しましたのブックマークコメント

2016/4/16 "第53回 データマイニング+WEB @東京( #TokyoWebmining 53rd ) ーファッション・コマース 機械学習 祭りー" を開催しました。

会場提供して下さったSmartNewsさん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。

参加者ID・バックグラウンド一覧

f:id:hamadakoichi:20160416233949j:image

参加者セキココ:第53回 データマイニング+WEB @東京 セキココ

(作成してくれた @ さんに感謝)


以下、全講師資料、関連資料、ツイートまとめです。

AGENDA:

■Opening Talk:

O1.「データマイニング+WEB@東京 について」

講師:@

O2.「参加者全員 自己紹介 (興味・活動)」(進行:@)



0. 「ファッションでの深層学習活用した体験提供 」: 実サービスを用いたデモ ( @ )

  • MERYアプリ「関連商品」
    • 体験提供:『ユーザーひとりひとりが自分の好きなスタイル・テイストの商品に出会いファッションを楽しめる』
    • 距離算出に適した空間を構成する構造を持つ Convolutional Neural Networkの構築・学習
    • ファッションのスタイル・テイストが似ている商品をたどれる。
    • 「商品を着用した モデル画像」「商品画像」 区別なく 類似スタイル・テイストの商品をたどれる
      • 例:「サングラスをかけた モデル画像」から、モデルがかけているサングラスとスタイル・テイストが似ている「サングラス画像」をたどれる。
    • アプリ適用されているので実際に体験できる。
  • MERYアプリを実際にさわってみてると深層学習活用した提供体験がよく分かる。
  • 近々、上記内容を含む、"Experience Design Conference 2016" での登壇資料も公開予定です。

  • [開催後追記]:
    • KANEYAMAさんが素敵な体験動画をアップして下さいました。非常にわかりやすい動画なのでぜひご覧下さい(記載了承済)。


1.「Fashion Techのあんちょこ − 機械学習編 − 」(講師:@)(発表:30分 + 議論:45分)

ITを活用したファッション関連サービスの盛り上がりは、Fashion Techという言葉の誕生に象徴されます。Fashion Techが含む数あるテーマのうち、本発表では特に機械学習に焦点をあて、ファッションを対象にした研究事例について紹介します。

トピック・議論
  • Fashioning Data: A 2015 Update - Data Innovations from the Fashion Industry: Fashioning Data
  • Styloko: The Fashion Discovery Engine - Styloko
    • 柄の似たもの
  • deepomotic:Deepomatic
    • 画像からEC サイトから商品検索。
  • レコメンド
    • 行動、画像特徴、流行
  • Fashion Apparel Detection: The Role of Deep Convolutional Neural Network and Pose-dependent Priors
  • Fashionista: A Fashion-aware Graphical System for Exploring Visually Similar Items
    • 論文PDF
    • 画像検索
    • アマゾン購入(流行に用いる)
    • 画像特徴量: 学習済 CNN
    • Fashion Learner : Matrix Factorizationベースの手法
      • アイテムの魅力についての時間推移:
        • 魅力:購入数
      • 視覚情報にたいするユーザ反応の推移:
        • Ups and Downs: Modeling the Visual Evolution of Fashion Trends with One-Class Collaborative Filtering
        • 論文PDF
      • ユーザごとの趣向の変化
    • 出力
      • アイテム類似度
      • 魅力の推移
  • Hi, magic closet, tell me what to wear!
  • ファッションでの興味の一貫性はどのくらい続くのか。研究あるのか。
    • 全体傾向は11年みられた研究があるが、個人の興味の研究はあまりみない。
  • iQONアプリiOS, Android
参考文献:

2.「人工知能xファッション最前線」(講師: @ )(発表:30分+議論:45分)

最近良くも悪くも話題の人工知能ですが、サービスにどのように応用できるのかファッションを例にご紹介したいと思います。実際にどういうところで上手く活用できていてどういうところに課題があるのかなどをお話しします。技術的には深層学習、画像解析、自然言語処理などの話題を織り交ぜつつ展開していく予定です。

トピック・議論
  • 単品・スナップ・色違い込み
  • CNNを用いて分類
    • 顔のあるなし判定: コーデ画像きれいに
    • 商品のテイスト分類(20種):ストリート、ガーリー、等
    • カテゴリ判定
      • サイトによってはとても粗い分類されている。コーデは特に重要。Tシャツ、シャツ、チュニック等が全てトップスになっていたりする。
  • セグメンテーション: 複数商品の写真から単品商品を取る
    • BING, Selective Search 等
  • 副産物:曖昧な抽出:
    • 例:春物のシャツが欲しい
  • 自然言語処理
    • レビュー・説明
    • つらい:画像に説明文が入れられている。OCRが必要。
      • ブランドロゴを写真に入れているから、ブランド名を文章で入れていない。
  • ファッション固有の問題
  • ファッション自然言語処理の課題
    • 辞書つらい(新ブランド)
    • 名寄厳しい(表記)
    • SEO対策対策(関係ないけど、グッチプラダとか入っている)
  • 他の活動
    • ブランドの距離
      • ブランド単位での共起。アイテムレベルではスパースなので。好き・嫌い行動から。
      • 異性のブランドの評価、厳しい。
    • ファッション統計
      • アイテム・ブランドに対しユーザごとの好き・嫌い(好き判断回数/見られた回数)は数十倍レベルで異なる。
      • 金額に敏感な人は高額なブランドでは嫌い選択する場合が多い
    • コーディネート
      • 白シャツ→選択した 白シャツに合う、アイテムパンツ、小物、等を選択
      • 色の組合せ、目立つものの制限、等
    • コーディネートの方法の議論
      • コーディネートに対しても、ユーザが好き・嫌い評価
      • ユーザがコーディネートするサービスでは、ユーザの作成が使える。このアイテムを用いたコーデを教えて欲しい、等
  • SENSYアプリiOS, Android
参考文献
深層学習 (機械学習プロフェッショナルシリーズ)

深層学習 (機械学習プロフェッショナルシリーズ)

トピックモデル (機械学習プロフェッショナルシリーズ)

トピックモデル (機械学習プロフェッショナルシリーズ)


3.「オークション市場における取引価格予測」(講師: @ )(発表:20分+議論: 35分)

[UST・資料]:【非公開】

オークション市場においては、日々様々な物品が取引されています。本発表で扱う商品(発表時のみ公開)は、その使用期間・商品特性トレンドにより、比較的安定して価格の予測ができることが経験的に知られています。

本発表では、取引価格予測を中心に、発生した問題や解決の方法などの事例を紹介したいと考えています。


ツイートまとめ (Togetter)

「第53回 データマイニング+WEB @東京( #TokyoWebmining 53rd ) ーファッション・コマース 機械学習 祭りー」に関するツイートTogetter にまとめました。みなさん、たくさんのツイートありがとうございました。("誰でも編集可能"に設定してあります)


■講師募集

データマイニング+WEB勉強会東京 (#TokyoWebmining) を今後も、講師、参加者、双方にとってよりよい会としていきたいと思います。講師を募集していますので私の TwitterGoogle Group へのメールへぜひご連絡下さい。

連絡先:

Wiki


振返り:

振返りホワイトボード(Keep/Try/Talk候補):

f:id:hamadakoichi:20160417023228j:image


■過去開催内容: