鯨飲馬食 @ wiki

逆引きPython/日付と時刻

2010-06-06T16:15:08+09:00

現在の日付を取得する

>>> import datetime
>>> d = datetime.date.today()
>>> print(d)
2009-11-19
>>> print(d.year)
2009
>>> print(d.month)
11
>>> print(d.day)
19

現在の日付と時刻を取得する

>>> import datetime
>>> dt = datetime.datetime.now()
>>> print(dt)
2009-11-19 23:10:19.702192
>>> print(dt.year)
2009
>>> print(dt.month)
11
>>> print(dt.day)
19
>>> print(dt.hour)
23
>>> print(dt.minute)
10
>>> print(dt.second)
19
>>> d = dt.date()
>>> print(d)
2009-11-19
>>> t = dt.time()
>>> print(t)
23:10:19.702192

utcnow()でUTCでの日付と時刻を取得できます。

>>> import datetime
>>> udt = datetime.datetime.utcnow()
>>> print(udt)
2009-11-19 14:39:28.080056

日付と時刻オブジェクトを作成する

>>> import datetime
>>> dt = datetime.datetime(2009,11,19,23,59,59)
>>> print(dt)
2009-11-19 23:59:59

日付オブジェクトを作成する

>>> import datetime
>>> d = datetime.date(2009,11,19)
>>> print(d)
2009-11-19

時刻オブジェクトを作成する

>>> import datetime
>>> t = datetime.time(23,59,59)
>>> print(t)
23:59:59

任意の時間を加減する

>>> import datetime
>>> dt1 = datetime.datetime(2009,11,19,23,59,59)
>>> print(dt1)
2009-11-19 23:59:59
>>> dt2 = dt1 + datetime.timedelta(days=5)
>>> print(dt2)
2009-11-24 23:59:59
>>> dt3 = dt1 + datetime.timedelta(hours=2)
>>> print(dt3)
2009-11-20 01:59:59
>>> dt4 = dt1 + datetime.timedelta(minutes=10)
>>> print(dt4)
2009-11-20 00:09:59
>>> dt5 = dt1 + datetime.timedelta(seconds=30)
>>> print(dt5)
2009-11-20 00:00:29
>>> dt6 = dt1 + datetime.timedelta(weeks=1)
>>> print(dt6)
2009-11-26 23:59:59

RFC 1123

>>> import datetime
>>> format = "%a, %d %b %Y %H:%M:%S GMT"
>>> str = datetime.datetime.utcnow().strftime(format)
>>> print(str)
Sun, 06 Jun 2010 07:03:40 GMT
>>> dt = datetime.datetime.strptime(str, format)
>>> print (dt)
2010-06-06 07:03:40

機械学習/naive Bayes model

2010-01-21T08:02:23+09:00

この項の問題点

この項は未完成であり重大な間違いを含んでいる可能性があります。（2009-08-09）

概要

naive Bayes modelはクラスが与えられた時、各attributeが条件付独立となるモデルです。（naiveがかかるのはmodelであってBayesではありません。念のため。）
との同時確率は以下の式で表されます。

以下はBayesian networkでの表現です。

EMアルゴリズムによるパラメータ推定

EMアルゴリズムのは以下の形。

はcategorical distributionにしたがうとします。
つまりと表し、を満たします。
mixture modelの時と同様に更新式は以下の形になります。

あるにおいてがcategorical distributionにしたがう場合を考えます。
と表し、を満たします。
と同様に更新式は以下の形になります。
ただしはを満たす時1を、それ以外は0をとるとします。

あるにおいてが多次元正規分布(multivariate normal distribution)にしたがう場合を考えます。

これもmixture modelの時と同様です。

機械学習/mixture model

2010-01-21T07:24:43+09:00

この項の問題点

まだ書きかけ。

概要

EMアルゴリズムによるパラメータ推定

EMアルゴリズムのは以下の形。

はcategorical distributionにしたがうとします。
（categorical distributionはBernoulli distributionの拡張です。）
つまりと表し、を満たします。

Lagrange multiplierを用いて最大化を行い更新式を求めます。

を直接求めてもよいですが、単純にとなるように正規化すればよいです。

が多次元正規分布(multivariate normal distribution)の場合を考えます。
つまりGaussian mixtureの時です。

はベクトルで表現し、とはそれぞれ、平均ベクトルと共分散行列です。

平均と共分散、それぞれについて更新式を求めます。
微分についての詳しい説明は以下を参照してください。
See:http://en.wikipedia.org/wiki/Estimation_of_covariance_matrices
See:http://www.cs.berkeley.edu/~pliang/cs281a/recitation-0924.pdf(PDF)

機械学習

2010-01-20T22:42:28+09:00

機械学習？関連の「お話」。あくまでも「お話」であることに注意してください。

アルゴリズム

モデル

個人ニュースサイトのURLデータ

2009-11-29T19:06:07+09:00

概要

いわゆる「個人ニュースサイト」と呼ばれるサイトのURLデータです。「Parallels2」のデータを参考にしました。

URLデータ

自由に編集してください。リンク切れや個人ニュースサイトではないと判断したURLは削除してください。
以下のようにサイト名を指定できます。

-[[サイト名>URL]]

過去のデータ

古いデータはこのページに添付されています。

ns20081011.txt	ns20080706.txtを人手でリンク切れチェックしたデータセット。531のURLからなる。
ns20080706.txt	parallels2.txtを基に作ったデータセット。651のURLからなる。
parallels2.txt	「Parallels2」から2008年7月に抜き出したデータセット。726のURLからなる。