TensorFlow #Regression

これまでのTensorFlowのキーポイントで、だいたい基本的なアルゴリズムを理解して、アレンジすることができるであろう。そこで、まずは、単純なLinear Regressionを書いてみる。 Placeholderの

TensorFlow #Optimizer

MLのTrainingに欠かせないOptimizerクラスについて、整理しておこう。 —————————R

TensorFlowを強力にも、複雑にもしているのが解析サマリー出力のTensorBoardであろう。サマリーは、TensorBoardとして、デフォルトではローカルホストのウェブ上に、URL： http://loca

TensorFlowでは、print命令を使って、標準出力にデータを記載できるが、tf.logging packageを用いれば、５つのログレベル（DEBUG, INFO, WARN, ERROR, FATAL）を含めた

TensorFlowで、Session()で動かすプログラム構造は、Graphである。Graphクラスについて、簡単に整理しておく。デフォルトグラフの指定は、以下のようになる。

TensorFlowのプログラミングは、今までのPythonのプログラミングのスタイルと大きく異なる点がある。Apache SparkののScalaと同様に、分散処理、メモリの有効活用等を考慮に入れた遅延実行型のスタイル

雑務に追われて、久しぶりに記事をアップ。MLにおけるTensorFlowの人気は相当だけど、体系的な知識をまとめたテキストは少ないため、場当たり的なアルゴリズムの利用に終ってしまう傾向にある。もう少し、きちんと整理してお

前回に続いて、23,534件の麻酔データ：エホチール、エフェドリン、ネオシネジンのいずれかを使用したどうかを術前データから予想。今回は、RDDとMLlibを用いる。ーーーーーーーーーーーーーーーーーーーーーーーー ML

自前のデータでPySpark MLに挑戦： 23,534件の麻酔データ：エホチール、エフェドリン、ネオシネジンのいずれかを使用したどうかを術前データから予想。術前データ：ーーーーーーーーーーーーーーーーー昇圧剤 p

MLの流れをもう少し詳しく把握してみよう。で返されたmodelの構造を良く見てみる。