Earlier when you trained for extra epochs you had an issue where your loss might change. It might have taken a bit of time for you to wait for the training to do that, and you might have thought ‘wouldn’t it be nice if I could stop the training when I reach a desired value?’ – i.e. 95% accuracy might be enough for you, and if you reach that after 3 epochs, why sit around waiting for it to finish a lot more epochs….

Decorator パターン既存のオブジェクトに新しい機能や振る舞いを動的に追加することを可能にする。 関数Aに一つの関数Bのタイプを引数として渡して、関数Aに機能追加した後に、同じタイプの関数を返す仕組み。 したのコードは文字列を処理するために、一個の機能を追加する（文字列を小文字にする）。 package main import ( // "encoding/base64" "fmt" "strings" ) type StringManipulator func(string) string func ToLower(m StringManipulator) StringManipulator { return func(s string) string { lower := strings.ToLower(s) return m(lower) } } func ident(s string) string { return s } func main() { s := "Hello Playground" var fn StringManipulator = ident fmt.Println(fn(s)) fn = ToLower(fn) fmt.Println(fn(s)) } https://stackoverflow.com/questions/45944781/decorator-functions-in-go

We flip the coin 30 times and observe 10 head. We can use R to tell us the probability of getting 10 or fewer heads using the pbinom function. pbinom(10, size=30, prob=0.5) 0.0493685733526945 The way we determined the probability of getting exactly 10 heads is by using the probability formula for Bernoulli trials. The probability of getting k successes in n trials is equal to: $$\binom{n}{k}p^k(1-p)^{n-k}$$ rnorm is the R function that simulates random variates having a specified normal distribution.

women is a built-in data set in R, which holds the height and weight of 15 American women from ages 30 to 39. print(head(women)) height weight 1 58 115 2 59 117 3 60 120 4 61 123 5 62 126 6 63 129 str(women) 'data.frame': 15 obs. of 2 variables: $ height: num 58 59 60 61 62 63 64 65 66 67 ... $ weight: num 115 117 120 123 126 129 132 135 139 142 .

最近自分のHugoで作られたブログがGoogle検索エンジンに検索できないことが気づいて、それを解決しました。 まずwww.google.comにアクセスして、site:https://pizi.netlify.comで検索する。もちろん検索結果はないですが、下のような情報が出ていました。 Try Google Search Console www.google.com/webmasters/ Do you own https/pizinetlify.com? Get indexing and ranking data from Google. 調べてみると、Google Search Consoleにアクセスしてsitemap.xmlをsubmitする必要があります。 私の場合sitemap.xmlはhttps://pizi.netlify.com/sitemap.xmlにあります。Hugoが自動的に作られています。 Submitして、しばらく待つとgoogle.comにsite:https://pizi.netlify.comは検索できるようになりました。

ggplot2()の基礎 install.packages("tidyverse") install.packages("dplyr") Updating HTML index of packages in '.Library' Making 'packages.html' ... done Updating HTML index of packages in '.Library' Making 'packages.html' ... done ggplot2 is one of the core members of the tidyverse package. library(tidyverse) ── Attaching packages ─────────────────────────────────────── tidyverse 1.2.1 ── ✔ ggplot2 3.0.0 ✔ purrr 0.2.5 ✔ tibble 1.4.2 ✔ dplyr 0.7.7 ✔ tidyr 0.8.1 ✔ stringr 1.3.1 ✔ readr 1.1.1 ✔ forcats 0.3.0 ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ── ✖ dplyr::filter() masks stats::filter() ✖ dplyr::lag() masks stats::lag() mpgデータセットの説明

Rの入門2,　簡単にdata frameを操作する mtcarsデータセット 特にロードする必要もなく、デフォルトで入っている。 mtcars mpg cyl disp hp drat wt qsec vs am gear carb Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 Hornet Sportabout 18.

Rの入門 # modulus operator (remainder of 5 divided by 2) print(5 %% 2) [1] 1 要素は偶数個なので、medianは真ん中の二つの数字の平均を取る median(c(3, 7, 6, 10, 3, 7)) [1] 6.5 var <- 10. print(var^2) print(var/3) [1] 100 [1] 3.333333 lang.domain <- "statistics" lang.domain <- toupper(lang.domain) print(lang.domain) [1] "STATISTICS" # # substitutes every "i" for "I" lang.domain <- "statistics" print(gsub("i", "I", lang.domain) ) [1] "statIstIcs" lang.domain <- "statistics" print(substr(lang.domain, 1,4)) [1] "stat" # combines character strings lang.

500回コインを投げるとします。毎回表と裏のどれかをシミュレートする。 sample関数はTRUEになっていますが、これは毎回0と1の中からランダムに選ぶという意味、１回選んだら、それを除いて、残りから選ぶではない。 link > # 表が出る確率0.5 > pHeads = 0.5 > # 0(裏)と1(表)二種類の可能性しかない。裏がでる確率が 1-pHeads > flipSequence = sample( x=c(0,1), prob=c(1-pHeads,pHeads), size=N, replace=TRUE) > # 実際にシミュレートした結果 > flipSequence [1] 1 0 0 1 1 0 1 0 1 0 1 0 0 1 0 1 1 0 1 0 0 0 0 1 1 1 1 [28] 0 1 0 1 0 1 0 0 0 1 0 0 0 0 0 1 0 1 1 1 0 0 0 0 0 0 1 [55] 1 0 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 0 0 0 1 0 0 1 0 0 1 [82] 0 1 0 0 0 1 1 0 1 1 1 1 0 1 0 1 1 0 0 0 0 1 1 0 1 0 1 .

Hands on Machine Learning の第3章で、モデルの精度を評価する際にいろんな方法があるが、分類問題には適していない評価方法もあって、適している評価方法もある。 from sklearn.datasets import fetch_mldata import numpy as np # $HOME/scikit_learn_dataディレクトリにデータがダウンロードされる mnist = fetch_mldata('MNIST original') X, y = mnist["data"], mnist["target"] X_train, X_test, y_train, y_test = X[:60000], X[60000:], y[:60000], y[60000:] shuffle_index = np.random.permutation(60000) X_train, y_train = X_train[shuffle_index], y_train[shuffle_index] y_train_5 = (y_train == 5) y_test_5 = (y_test == 5) print("y_train_5: {}\ny_test_5: {}\ny_train_5.shape: {}".format(y_train_5, y_test_5, y_train_5.shape)) y_train_5: [False False False ... False False False] y_test_5: [False False False ... False False False] y_train_5.