전 세계의 이목이 러시아에 향해 있습니다. 바로 2018년 국제 축구 대회 때문인데요. 오늘은 바로 이 국제 축구 대회에 대한 다양한 데이터를 시각화하고, 지난 대회 결과로부터 어떤 인사이트를 얻을 수 있는지 살펴보고자 합니다! 전 세계 축구팀들은 대회를 위해 얼마나 멀리 이동할까요? 데이터 시각화 리포트가 보이지 않으시면 클릭하세요. 위 보고서는 참가국들이 조별 리그 동안 얼마나 멀리
前回は、SASの「Pipefitter」の基本的な使用方法を紹介しました。続く今回は、基本内容を踏まえ、ひとつの応用例を紹介します。 SAS Viyaのディープラーニング手法の一つであるCNNを「特徴抽出器」として、決定木、勾配ブースティングなどを「分類器」として使用することで、データ数が多くないと精度が出ないCNNの欠点を、データ数が少なくても精度が出る「従来の機械学習手法」で補強するという方法が、画像解析の分野でも応用されています。 以下は、SAS Viyaに搭載のディープラーニング（CNN）で、ImageNetのデータを学習させ、そのモデルに以下の複数のイルカとキリンの画像をテストデータとして当てはめたモデルのpooling層で出力した特徴空間に決定木をかけている例です。 In [17]: te_img.show(8,4) 以下はCNNの構造の定義です。 Build a simple CNN model In [18]: from dlpy import Model, Sequential from dlpy.layers import * from dlpy.applications import * In [19]: model1 = Sequential(sess, model_table='Simple_CNN') Input Layer In [20]: model1.add(InputLayer(3, 224, 224, offsets=tr_img.channel_means)) NOTE: Input
O mundo interconectado. Um mundo inteligente. Onde as empresas/marcas têm acesso a dados que permitem oferecer, aos clientes, soluções/produtos personalizados. Bem-vindos ao mundo (utópico?) da Internet das Coisas. Mas será que esta visão é viável? Como é que as empresas conseguirão atingir este cenário? Falámos com um dos especialistas na
