Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
機械学習を用いた大相撲千秋楽の勝敗予想 / sumo prediction by machin...
Search
Shotaro Ishihara
August 24, 2019
Technology
0
2.1k
機械学習を用いた大相撲千秋楽の勝敗予想 / sumo prediction by machine learning
Sports Analyst Meetup #4 (
https://spoana.connpass.com/event/138392/
) での発表資料。
Shotaro Ishihara
August 24, 2019
Tweet
Share
More Decks by Shotaro Ishihara
See All by Shotaro Ishihara
JAPAN AI CUP Prediction Tutorial
upura
1
540
情報技術の社会実装に向けた応用と課題:ニュースメディアの事例から / appmech-jsce 2025
upura
0
310
日本語新聞記事を用いた大規模言語モデルの暗記定量化 / LLMC2025
upura
0
470
Quantifying Memorization in Continual Pre-training with Japanese General or Industry-Specific Corpora
upura
1
82
JOAI2025講評 / joai2025-review
upura
0
1.3k
AI エージェントを活用した研究再現性の自動定量評価 / scisci2025
upura
1
200
JSAI2025 企画セッション「人工知能とコンペティション」/ jsai2025-competition
upura
0
92
生成的推薦の人気バイアスの分析:暗記の観点から / JSAI2025
upura
0
330
Semantic Shift Stability: 学習コーパス内の単語の意味変化を用いた事前学習済みモデルの時系列性能劣化の監査
upura
0
110
Other Decks in Technology
See All in Technology
30万人の同時アクセスに耐えたい!新サービスの盤石なリリースを支える負荷試験 / SRE Kaigi 2026
genda
1
250
小さく始めるBCP ― 多プロダクト環境で始める最初の一歩
kekke_n
1
340
プロポーザルに込める段取り八分
shoheimitani
0
160
Introduction to Sansan, inc / Sansan Global Development Center, Inc.
sansan33
PRO
0
3k
Databricks Free Edition講座 データサイエンス編
taka_aki
0
290
(金融庁共催)第4回金融データ活用チャレンジ勉強会資料
takumimukaiyama
0
120
FinTech SREのAWSサービス活用/Leveraging AWS Services in FinTech SRE
maaaato
0
120
広告の効果検証を題材にした因果推論の精度検証について
zozotech
PRO
0
100
Introduction to Sansan for Engineers / エンジニア向け会社紹介
sansan33
PRO
6
67k
M&A 後の統合をどう進めるか ─ ナレッジワーク × Poetics が実践した組織とシステムの融合
kworkdev
PRO
1
400
仕様書駆動AI開発の実践: Issue→Skill→PRテンプレで 再現性を作る
knishioka
2
580
Digitization部 紹介資料
sansan33
PRO
1
6.8k
Featured
See All Featured
The innovator’s Mindset - Leading Through an Era of Exponential Change - McGill University 2025
jdejongh
PRO
1
88
Making Projects Easy
brettharned
120
6.6k
What the history of the web can teach us about the future of AI
inesmontani
PRO
1
420
Leading Effective Engineering Teams in the AI Era
addyosmani
9
1.6k
30 Presentation Tips
portentint
PRO
1
210
Measuring Dark Social's Impact On Conversion and Attribution
stephenakadiri
1
120
It's Worth the Effort
3n
188
29k
The SEO identity crisis: Don't let AI make you average
varn
0
64
Deep Space Network (abreviated)
tonyrice
0
45
Distributed Sagas: A Protocol for Coordinating Microservices
caitiem20
333
22k
Prompt Engineering for Job Search
mfonobong
0
160
The Cost Of JavaScript in 2023
addyosmani
55
9.5k
Transcript
ػցֶशΛ༻͍ͨ େ૬ઍळָͷউഊ༧ V !VQVSB "VHUI 4QPSUT"OBMZTU.FFUVQ
V ͷඋ • େ૬ͷσʔλऩूʮ4VNP3FGFSFODFʯ͕ศར • ʲՄࢹԽฤʳػցֶशΛ༻͍ͨେ૬ઍळָͷউഊ༧ • ʲϕϯνϚʔΫฤʳػցֶशΛ༻͍ͨେ૬ઍळָͷউ ഊ༧ •
ʲಛྔͷՃฤʳػցֶशΛ༻͍ͨେ૬ઍळָͷউ ഊ༧ (JU)VC • IUUQTHJUIVCDPNVQVSBTVNPQSFEJDUPS ϦϯΫू
࣍ • എܠˍత • σʔλͷऔಘ • ػցֶशϞσϧͷ࡞ • ಛྔͷՃ
• ݁ˍࠓޙͷల
• V !VQVSB • ࣄۀձࣾͷσʔλαΠΤϯςΟετ • TQPBOBӡӦ • ΘΜͺ͘૬໊ݹॴϕετ
࿈ଓ • ,BHHMF.BTUFS "U$PEFS ਫ ࣗݾհ
• ૬ͷσʔλΛ༻͍ͯɺػցֶशͰ ༧ଌϞσϧΛߏஙͰ͖ͳ͍͔ʁ • ૬ͷྗ࢜ใͰͳ͘ɺউͪෛ͚ ͷ࣌ܥྻใ͔Β༧ଌͯ͠Έ͍ͨ • ˞झຯͳͷͰશͳख๏υϦϒϯ ૬
º ,BHHMF
উͪෛ͚ͷ࣌ܥྻใ ˓˔˔˔˓ ˓˔˓˔˔ ˔˓˔˔ʁ ˔˓˓˓˓ ˔˔˓˔˓ ˓˔˔˓ʁ
࣍ • എܠˍత • σʔλͷऔಘ • ػցֶशϞσϧͷ࡞ • ಛྔͷՃ
• ݁ˍࠓޙͷల
• IUUQTVNPECTVNPHBNFTEF • TQPBOB Ͱͬͨ • ૬ͷ֤छσʔλ͕ཧ͞Ε͍ͯΔ • ྗ࢜ •
൪ • औΓΈ ͳͲ 4VNP3FGFSFODF
• 1ZUIPOͰඵ͝ͱʹॴͷσʔλ ΛऔಘɾՃͯ͠DTWͰอଘ • ʙͷσʔλ औಘ
• ྗ໊࢜ • ʙͷউഊ • ઍळָͷରઓྗ࢜ • ॴʢZZZZNNʣ • ઍळָͷউഊʢతมʣ
σʔλ߲
σʔλͷՄࢹԽ
• উഊͷ߹ͷউ͕ʢউഊ উഊͷ߹ʹൺͯʣߴ͍ • ·Ͱʹʙউ͍ͯ͠Δ ߹উ͕ΑΓߴ͍ • ˞ʮീඦʯͷٞΛ͢Δʹ ѻ͍ͬͯΔใྔ͕গͳ͗͢Δ
ߟ
࣍ • എܠˍత • σʔλͷऔಘ • ػցֶशϞσϧͷ࡞ • ಛྔͷՃ
• ݁ˍࠓޙͷల
σʔλͷׂ
• ྗ໊࢜ • ʙͷউഊ • ऴྃ࣌ͷউͪ • ઍळָͷରઓྗ࢜ • ॴʢZZZZNNʣ
• ઍळָͷউഊʢతมʣ ಛྔɾతม
• -JHIU(#.ʢ,BHHMFͰఆ൪ʣ • ܾఆΛେྔʹ࡞Δྨث • ಛྔ͕গͳ͍ͷΛҙࣝͯ͠ɺϋΠ ύʔύϥϝʔλΛखಈͰௐͨ͠ ػցֶशΞϧΰϦζϜ
• $7είΞɺ"6$ • UFTUɺ"6$ "$$ $7UFTUͷྨੑೳ
࣍ • എܠˍత • σʔλͷऔಘ • ػցֶशϞσϧͷ࡞ • ಛྔͷՃ
• ݁ˍࠓޙͷల
• ྗ໊࢜ • ʙͷউഊ • ·Ͱͷউͪ • ରઓྗ࢜ͷ·Ͱͷউͪ • ઍळָͷରઓྗ࢜
• ॴʢZZZZNNʣ • ઍळָͷউഊʢతมʣ ಛྔɾతม
• $7είΞɺ"6$ • UFTUɺ"6$ ɺ"$$ $7UFTUͷྨੑೳ
• ʮ·Ͱͷ࿈উɾ࿈ഊʯ $7UFTUͷྨੑೳͱʹඍ૿ • ͦͷଞͷ࣌ܥྻಛΛ lUTGSFTIzͰ େྔʹੜʢݸऑʣ͠ݸ࠾༻ ˠ$7UFTUͷྨੑೳ͕վળͤͣ ૣʑʹߦ͖٧·Δɾɾɾ
IUUQTUTGSFTISFBEUIFEPDTJPFOMBUFTU
࣍ • എܠˍత • σʔλͷऔಘ • ػցֶशϞσϧͷ࡞ • ಛྔͷՃ
• ݁ˍࠓޙͷల
• ػցֶशΛ༻͍ͯɺେ૬ઍळָͷ উഊΛ༧ͨ͠ • -JHIU(#.ϕʔεͰಛྔΛ૿͠ ͍ͯ͘ํ๏ʹݶք͕͋Γͦ͏ • ˞ͦͦ͜ͷใͰ༧Ͱ͖Δ͔ ୭ʹ͔Βͳ͍
݁
• ผͷػցֶशϞσϧΛࢼ͢ • উͪෛ͚ͷʮʯͷྲྀΕΛ 3//ʹೖΕΔ͜ͱͰɺௐࢠͷΛ ଊ͑ΒΕΔʁ • ࣍ճҎ߱ɺ·ͨൃද͠·͢ ࠓޙͷల