Coding Memorandum
  • ホーム
機械学習

Borutaによる特徴量の選択を理解する

2019年1月2日 yaaku
Coding Memorandum
ディープラーニング

DropoutとDropconnectでモデルの汎化性能を向上させる!

2018年12月19日 yaaku
Coding Memorandum
ディープラーニング

Cyclical Learning Ratesによる学習率の設定を勉強したのでまとめていく

2018年12月1日 yaaku
Coding Memorandum
機械学習

グリッドサーチによるパラメータ決定の最適化

2018年10月14日 yaaku
Coding Memorandum
機械学習

交差検証(Cross Validation)で過学習を抑える

2018年10月13日 yaaku
Coding Memorandum
機械学習

ロジスティック回帰の基本的なことをわかりやすくまとめてみた

2018年9月22日 yaaku
Coding Memorandum
機械学習

線形回帰分析について基本的なことをまとめた

2018年9月18日 yaaku
Coding Memorandum
  • 1
  • 2
  • 3
自己紹介

Kaggle, Atcoderに取り組む中で勉強したことをまとめておきます。

最近の投稿
  • Numerai新データにおける分類モデルによる順位予測
  • Union FindをPythonで実装して基本的な事を理解する
  • LightGBMでFocal lossを実装してcustom objective functionを理解する
  • DropoutをBatchNormalizationの前に置いてはいけない理由について理解する
  • hydraを使用した機械学習のパラメータ管理方法について理解する
カテゴリー
  • kaggle
  • Numerai
  • ディープラーニング
  • 未分類
  • 機械学習
  • 競プロ
  • 統計学
  • HOME
プライバシーポリシー 免責事項  2018–2022  Coding Memorandum