Traffic Patrol2に集計機能を追加いたしました

2015年10月20日、Webサイトの監視・計測サービス Traffic Patrol2 に「集計機能」を追加いたしました。 計測結果を集計する事により、効率的にボトルネックを見つけることができます(詳細は こちら )。 本サービスのご利用をご検討いただいているお客様に、1週間の無料テスト利用サービスを提供しておりますので、お気軽にお問い合わせください。 今後ともフォワードネットワークをどうぞよろしくお願い申し上げます。
More

『実際動いているIoT&Hadoopシステムから学ぶ会』の講演内容を公開いたしました

2015/8/26(水)に開催された『実際動いているIoT&Hadoopシステムから学ぶ会』にて、弊社が講演したスライドを公開いたしました。 http://www.slideshare.net/FwardNetwork/io-t-hadoop   是非一度目を通していただき、弊社のことをより一層ご理解いただければ幸いです。 今後ともフォワードネットワークをどうぞよろしくお願い申し上げます。
More

『実際動いているIoT&Hadoopシステムから学ぶ会』にて講演いたします

2015/8/26(水)に開催される『実際動いているIoT&Hadoopシステムから学ぶ会』にて、弊社が講演致します(詳細は こちら )。 講演内容は下記で、時間は19:30頃を予定しております。 ■タイトル HBaseとSparkで、センサーデータを有効活用 ■概要 Iot × HBase × Spark で何が出来るのか、何の利点があるのかを 弊社が展開しているIoTセンサー解析ベースシステムを例としてご紹介いたします。   今後ともフォワードネットワークをどうぞよろしくお願い申し上げます。
More

『HBase Meetup Tokyo Summer 2015』の講演内容を公開いたしました

2015/6/25(木)に開催された『HBase Meetup Tokyo Summer 2015』にて、弊社が講演したスライドを公開いたしました。 http://www.slideshare.net/FwardNetwork/hbase-speech-0625   是非一度目を通していただき、弊社のことをより一層ご理解いただければ幸いです。 今後ともフォワードネットワークをどうぞよろしくお願い申し上げます。
More

『HBase Meetup Tokyo Summer 2015』にて講演いたします

2015/6/25(木)に開催される『HBase Meetup Tokyo Summer 2015』にて、弊社が講演いたします(詳細は こちら )。 講演内容は下記で、時間は20:00頃を予定しております。 ■タイトル HBaseとSparkで、センサーデータを有効活用 ■概要 Iot × HBase × Spark で何が出来るのか、何の利点があるのかを 弊社が展開しているIoTセンサー解析ベースシステムを例としてご紹介いたします。   今後ともフォワードネットワークをどうぞよろしくお願い申し上げます。
More

あやしいサイコロと『隠れマルコフモデル』

こんにちは。 今回は、サイコロを使いながら 隠れマルコフモデル(Hidden Markov Model) をテーマにしたいと思います。 隠れマルコフモデルはDNA解析や、音声解析で利用されている基礎テクニックです。   ●ベイズ統計「見えないものをさぐる ―それがベイズ」を出版しました。詳しくはこちらをご覧下さい。 ●画像認識と強化学習(DQN)を中心とした、ディープラーニングの書籍「実装 ディープラーニング」をオーム社から出版しました。詳しくはこちらをご覧下さい。   サイコロゲーム サイコロは、みなさん良くご存じのとおり、1~6 までの目があって、その目の出方(確率)は、どの目をみても「同様に確からしい」というものです。 今回は少し物語風です。 AさんとBさんは、Cさんの家で 3 人でサイコロゲームを行いました。 ゲームはいたって簡単で、それぞれが見えないように数字を紙に書いて、 1 個のサイコロを振って、紙の数字とサイコロの目があっていれば勝ちというものです。 サイコロを振るのはCさんで、Cさんがいわゆる胴元です。 Aさんは、あとでサイコロの目を確認したかったので、出た目をすべて記録していました。 サイコロは全部で 200 回投げられましたが、中盤あたりからCさんの勝ちが目立つようになり、最後はCさんの一人勝ちに...
More

因果関係を確率で表現するベイジアンネットワーク

こんにちは。 今回はベイジアンネットワークをテーマにしたいと思います。 最初にベイズ確率についてお話しします。 ●ベイズ統計「見えないものをさぐる ―それがベイズ」を出版しました。詳しくはこちらをご覧下さい。 ●画像認識と強化学習(DQN)を中心とした、ディープラーニングの書籍「実装 ディープラーニング」を、オーム社から出版しました。詳しくはこちらをご覧下さい。 ベイズ確率 ベイズの定理でよく例題にあげられるのが、病気の確率の問題です。 <例題> ある病気を発見する検査法は、その病気の99%を発見するが、健康な人の3%にも反応し誤った診断を下すという。日本国内にはその病気の患者は0.1%であることがわかっている。   さて、ある日本人がこの検査を行なったら病気であると診断された。 この人が本当にその病気の患者である確率は何%か?   病気である事象を B1、病気でない事象を B2、検査で病気と判定される事象を A とすると、例題は下図ように整理することができます。   検査で病気と判定された(A)ときに、その病気である確率(B1)を求めるので、条件付き確率 P( B1 | A ) を求めればよいことがわかります。 ベイズの定理より、P( B1 | A ) = 0.0319 となり、例題の...
More

ベイズ統計とベイズ更新

こんにちは。 今回は少し統計について書きたいと思います。 ●ベイズ統計「見えないものをさぐる ―それがベイズ」を出版しました。詳しくはこちら ベイズ統計の基本的な考え方は、事前確率と事後確率にあります。 例えば、コインAを2回投げて、表と裏が一回ずつでたとすれば、このコインAの表がでる事前確率は0.5 となります。このコインAで、再度2回投げたら2回とも表だったとします。すると、このコインAの表の出る確率、すなわち事後確率は0.75になります。 このようにある事象があった場合に、確率をどんどん変化させていくことをベイズ更新といいます。ベイズ更新は事象があるたびに行うことができるので、ベイズ統計は少ない試行でも、このベイズ更新によって、私たちが経験的に「そうだ」と思うような確率に近づいていくので重宝されています。 ベイズ的に考えなくても、上の例では、合計4回投げて表が3回でたのですから、確率0.75 には納得がいきます。     さて、ここで次のような事例を考えます。 昨年1年間、ある薬Bの効果を調べたら 確率 0.4 で効果があることがわかった。 この調査で100個のデータを集めたのか、あるいは1万個のデータを集めて集計した結果なのかはわかっていません。この薬Bが効く確率(事前確率)は0.4であると...
More

ホームページリニューアル

この度、ホームページのリニューアルを行いましたのでお知らせいたします。 コンテンツや構成の見直しを行いました影響で、閲覧できなくなったページがございますので予めご了承下さい。 今後もより見やすく使いやすいホームページを目指して、内容を充実してまいります。 本サイトを通じて、弊社のことをより一層ご理解いただければ幸いです。 今後ともフォワードネットワークをどうぞよろしくお願い申し上げます。
More