07032010 Python machinelearning
EM Algorithmとkd-Tree
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)内容はPRMLのほうが詳しい。Machine Leaningのほうはコードを読んで実装を理解するって感じだな。
kd-Treeは使ったことなかったけど、近傍探索はよく使うので、覚えておいて自由に使えるようにしようかな。
去年の夏に購入したまま積んであったMixed-Effects Models in S and S-PLUSを読んでいる。
Mixed-Effects Models in S and S-PLUS (Statistics and Computing)Rのnlmeパッケージの使い方もほとんど一緒なので、手動かしながら読めていい。内容は結構ハードでなかなか読み進まないが。
読みながら色々調べてたら生態学のデータ解析 - ランダム効果とは?というページを見つけて、固定効果それともランダム効果?のガイドラインが便利そうだったのでチャートにしてみた。
最初pygraphvizで描こうと四苦八苦してたんだけど、unicodeはadd_nodeできんのにadd_edgeとかget_nodeとか出来なくてあきらめた(直接dot書いた)。
他にはMixed-Effects Models in S and S-PLUSは和訳がでるっていう情報も見つけた。これはちょっと凹む。まぁ、和訳の本は職場で入れてもらって、会社ではそっち読めばいいかな。
06032010 Python
BoostingとBaggingの章。
AdaBoostのPython実装は参考になった。
でも、AdaBoostはRにあるのは知っているので、そっちを使ってみる。
パターン認識と機械学習 下 - ベイズ理論による統計的予測
library(ada)
data(iris)
iris[iris$Species!="setosa",]->iris
n<-dim(iris)[1]
trind<-sample(1:n,floor(.6*n),FALSE)
teind<-setdiff(1:n,trind)
iris[,5]<- as.factor((levels(iris[,5])[2:3])[as.numeric(iris[,5])-1])
gdis<-ada(Species~.,data=iris[trind,],iter=20,nu=1,type="discrete")
gdis=addtest(gdis,iris[teind,-5],iris[teind,5])
plot(gdis,TRUE,TRUE)
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)儲かるかどうかっていうよりは社内コミュニケーションにどう生かすかって感じの内容だった。内容もゆるい感じで、少し薄い感じがした。
他の新書がBlogなら、この本はそのリアルタイム性と薄めの内容からtwitter的みたいな。こういう内容に興味がある層は、社内Wikiだイントラブログだ、シャベルだといろいろトライアンドエラーを繰り返しているだろうから、書いてある内容は大体理解しているだろうからなおさら、薄く感じるのかもしれないけど。
敢えて言えば、組織のトップが理解して実践するとどうなるか、つまり「メリット２ 組織のベクトルが揃う(p.74)」ってところが印象に残ったが、組織のトップだったらメッセージを発するってのはミッションそのものだから、強いメッセージ手段と比べてどうなのかとかそういう話も入れて欲しかったけど。
社長のtwitter見てない社員は組織のベクトルが揃わないので、すぐやめるとか、やめさせることで（略）みたいな。
5章以降はちょっといまいちだったな。iPhoneよりもスマートフォン一般の未来についての内容だと思ってたら、普通にiPhone使うって話だった。
05032010 chemoinformatics DMPK
Pharmacokinetic-Pharmacodynamic Modeling of Biomarker Response and Tumor Growth Inhibition to an Orally Available cMet Kinase Inhibitor in Human Tumor Xenograft Mouse Models という論文が良かった。というか、最近ボトムのあたりを這っていた僕のモチベーションがかなり上がった。
ケモインフォマティストとして、このレベルのPK-PD解析を出来るようにしたい。
この本の23,24章に最適化フェーズにおけるPK-PDモデリングとかPBPKモデリングの意義とかがあって、その内容が良い。
Preclinical Development Handbook: ADME and Biopharmaceutical Properties (Pharmaceutical Development Series)そして、ケモインフォマティストなのでSASとかNONMEMではなくてRを使う。
「非線形混合モデルを理解するために」というpdfも見つけた。
05032010 Python
決定木。ID3アルゴリズムの説明と実装をPythonで。
Machine Learning: An Algorithmic Perspective (Chapman & Hall/Crc Machine Learning & Patrtern Recognition)C4.5とかCARTの説明はあまりしていない、触りだけ。
CARTは統計的にテキスト解析(14) 〜テキストの分類分析1〜を読むのが良い。
C4.5とかはwekaの作者の本がよいらしい。
Data Mining, Second Edition: Practical Machine Learning Tools and Techniques, Second Edition (The Morgan Kaufmann Series in Data Management Systems)05032010 Scala
早くこないかな
04032010 chemoinformatics
単にIDをキーにしてsdf呼び出すだけだったらKVSで良くね？と思ったところ、そういえばTokyoCabinetのPythonバインディングがあることを思い出したので、ちょっと試してみた。
データはこの時に落としておいたsdf
iPhoneとツイッターで会社は儲かる (マイコミ新書)
Scalaプログラミング入門import pybel
import pytc
sdffile = "pc_sample.sdf"
db = pytc.HDB('compounds.db', pytc.HDBOWRITER | pytc.HDBOCREAT)
mols = pybel.readfile("mol",sdffile)
for mol in mols:
title = mol.OBMol.GetTitle()
db[title] = mol.write("mol")
100万化合物くらいなら全部メモリに載せられそうな感じ。そしたら速いよねー、CouchDBも気になってきた。
普段Emacsを使うのだけど、autoinsertでスクリプト書くときの最初の二行は自動的に入るようにした。
;;auto insert (require 'autoinsert) (add-hook 'find-file-hooks 'auto-insert) (setq auto-insert-directory "~/.emacs.d/insert/") (setq auto-insert-query nil) ;自動的に挿入 (setq auto-insert-alist (append '(("\\.py$" . "pyheader.txt") ) auto-insert-alist))
pyheader.txt
1 2 3 4 | #!/usr/bin/env python # -*- encoding:utf-8 -*- # kzfm <kerolinq@gmail.com> |
これでOK
Software Design ( ソフトウェアデザイン ) 2010年 02月号 [雑誌]