JavaScript Minifier & Compressor | Toptal®
Online JavaScript Minifier Tool and Compressor, with Fast and Simple API Access
弊社のホームページにContent Security Policy(CSP)を導入しました
弊社のホームページにCSP(Content Security Policy)を導入しました。CSPについては、はせがわようすけ氏のスライド「5分でわかるCSP」がわかりやすいと思います。以下にスライドの一部を引用します。 具体的には、以下のように指定して使います。 Content-Security-Policy: default-src 'self' この結果、以下のようにJavaScriptの記述が制限されます。 外部のJavaScriptの読み込みは禁止 HTMLソースに記述した<script>...</script>のJavaScriptは禁止 イベント属性(onload="xxxx"など)は禁止 何も書けなくなるじゃないかと思われるかもしれませんが、JavaScriptは全て*.jsファイルに記述すればよい、ということです。 CSPは、JavaScriptのコードとデータを分離して
Window: postMessage() メソッド - Web API | MDN
This feature is well established and works across many devices and browser versions. It’s been available across browsers since 2015年7月. Learn more See full compatibility Report feedback window.postMessage() は、 Window オブジェクト間で安全にオリジン間通信を可能にするためのメソッドです。例えば、ポップアップとそれを表示したページの間や、iframe とそれが埋め込まれたページの間での通信に使うことができます。 通常、異なった複数のページでのスクリプトはそれらが実行されたページが同じオリジンである場合に限りお互いにアクセスすることが可能です（「同一オリジンポリシー」とも呼ばれま
LogisticRegression
LogisticRegression# class sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='deprecated', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)[source]# Logistic Regression (aka logit, MaxEnt) classifier. This class implements regularized
Data-Driven Metric Development for Online Controlled Experiments: Seven Lessons Learned
Data-Driven Metric Development for Online Controlled Experiments: Seven Lessons Learned Online controlled experiments, also called A/B testing, have been established as the mantra for data-driven decision making in many web-facing companies. In recent years, there are emerging research works focusing on building the platform and scaling it up [34], best practices and lessons learned to obtain trus
いまさら聞けない機械学習の評価指標
現在は機械学習ライブラリが充実しており、また、教師データの獲得も容易になっています。 そのため、機械学習のビジネス利用への敷居が下がっています。 予測や分類といった問題を解く際には、設定した課題に対してどのモデルが最も適しているかを評価するための指標(評価関数)が必要になります。 Kaggle(([有名なデータサイエンスのコンペティション](https://www.kaggle.com)))などでは評価指標が定まっていますが、実ビジネスで機械学習を応用する際には自ら評価指標を設定する必要があります。 しかし、適切な評価関数を選ぶのは初学者には難しく、またビジネスの問題設定、目的意識によっても異なります。 さらに、オフラインでの予測はユーザの実際の行動予測とはギャップがある 場合もあります。 [1] Data-Driven Metric Development for Online Cont
log_loss
log_loss# sklearn.metrics.log_loss(y_true, y_pred, *, normalize=True, sample_weight=None, labels=None)[source]# Log loss, aka logistic loss or cross-entropy loss. This is the loss function used in (multinomial) logistic regression and extensions of it such as neural networks, defined as the negative log-likelihood of a logistic model that returns y_pred probabilities for its training data y_true.
ABテストの対象をいい感じに割り振る方法 - Gunosyデータ分析ブログ
こんにちは、データ分析部の石塚 (@ij_spitz) です。 最近聴いている曲は久保田利伸さんのLA・LA・LA LOVE SONGです。 ロンバケ最高でした、月曜９時はOLが街から消えるというのも納得です。 Gunosyではプロダクト改善のためにABテストを用いて意思決定を行っています。 今回はタイトルにもある通り、ABテストを実現させる上で必要となる対象の割り振り方法を、Gunosyで以前使っていた従来の手法と半年ほど前に新しく導入した手法の2つをご紹介します。 いい感じってなんだよと思われるかもしれませんが、従来の手法の課題を解決するようにいい感じに割り振る方法と理解していただければと思います。 それぞれの運用上で気づいたメリット・デメリットなども合わせてご紹介します。 従来の手法 以前はユーザIDを100で割った余りを使用していました。 例えば、全ユーザの1%でテストしたいという
日本における匿名とは、自分のことを隠すことではなく、関係性をゼロにすることである／古川健介『TOKYO INTERNET』｜PLANETS
日本における匿名とは、自分のことを隠すことではなく、関係性をゼロにすることである／古川健介『TOKYO INTERNET』 「けんすう」こと古川健介さんが日本的／東京的なインターネットの特質に迫る連載『TOKYO INTERNET』。今回は、なぜ日本のインターネットで「名無し型の匿名」という形式が好まれるのかを考察します。Daily PLANETSでは毎月第2水曜日に、古川健介さんの連載『TOKYO INTERNET』を配信しています。連載の過去記事はこちらから読むことができます。 日本における匿名とは、自分のことを隠すことではなく、関係性をゼロにすることである （イラスト・たかくらかずき） タイトルでぜんぶ言い切りました。今回のTOKYO INTERNETは匿名についてです。「なぜ日本では匿名性が重要なのか」です。 日本のインターネットでは、匿名による投稿が好まれる傾向があるように思われ
Frontend Lunch Podcast
Frontend Lunch 29 - NOTA Inc.の方々をお招きしました Frontend Lunchは、株式会社はてな社員によるフロントエンド開発についてのPodcastです。今回はNOTA Inc.のakiroomさん、pastakさんをゲストにお招きしました。 Frontend Lunch 27 - FRONTEND CONFERENCEレポート, CSS Containment Frontend Lunchは、株式会社はてな社員によるフロントエンド開発についてのPodcastです。今回はhatz48の司会でJavaScript関連のニュースを読みながら雑談しました。 Frontend Lunch 26 - CSS Grid, ScalaCSS, Snyk, Polymer Frontend Lunchは、株式会社はてな社員によるフロントエンド開発についてのPodcastです
Using scikit-learn Pipelines and FeatureUnions
Since I posted a postmortem of my entry to Kaggle’s See Click Fix competition, I’ve meant to keep sharing things that I learn as I improve my machine learning skills. One that I’ve been meaning to share is scikit-learn’s pipeline module. The following is a moderately detailed explanation and a few examples of how I use pipelining when I work on competitions. The pipeline module of scikit-learn all
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
How to detect Content Security Policy (CSP)
機械学習を用いた予測モデル構築・評価
クラシックな機械学習の入門 11．評価方法
