Soumettre la recherche
Mettre en ligne
BUGSを使うメリット
•
20 j'aime
•
11,231 vues
. .
Suivre
2013.9.29 BUGS/Stan勉強会 #1 発表資料その1
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 24
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
Published on Mar 3, 2021 DEIM 2021 第13回データ工学と情報マネジメントに関するフォーラム(第19回日本データベース学会年次大会)[I25] SNS④ No.5 DEIM注目研究賞,DEIM学生プレゼンテーション賞
Twitterユーザに対するゼロショットタグ付け
Twitterユーザに対するゼロショットタグ付け
Kohei Shinden
KDD2021読み会の登壇資料です。 UCPhraseという、教師なしでのキーフレーズ抽出手法について解説します。
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
Tatsuya Shirakawa
Google が 2018 年に発表した深層モデル BERT は、自然言語処理 (NLP) の多くのタスクでブレイクスルーを起こしました。性能面で進歩がある一方で、公平性に関するガイドラインが総務省から発表される等、産業界では解釈可能な AI を求める声が大きくなってきています。そこで本セッションでは、このギャップを埋めるために Microsoft Research が開発している、interpret-text と呼ばれる機械学習ライブラリをご紹介します。BERT を含む、様々な自然言語処理モデルを解釈するための 2 つの方法について解説し、簡単なデモをお見せします。 Deep Learning Digital Conference - connpass https://dllab.connpass.com/event/178714/
BERT の解剖学: interpret-text による自然言語処理 (NLP) モデル解釈
BERT の解剖学: interpret-text による自然言語処理 (NLP) モデル解釈
順也 山口
CV勉強会 ICCV2017読み会 Towards Diverse and Natural Image Descriptions via a Conditional GANを紹介
CV勉強会ICCV2017読み会:Towards Diverse and Natural Image Descriptions via a Conditi...
CV勉強会ICCV2017読み会:Towards Diverse and Natural Image Descriptions via a Conditi...
Toshiki Sakai
2020/05/08 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Learning to Simulate Complex Physics with Graph Networks
[DL輪読会]Learning to Simulate Complex Physics with Graph Networks
Deep Learning JP
楽天のHadoop利用事例(後半) 2009年11月13日に行われました、Hadoop Conference Japan 2009の発表資料です。
Hadoop Conference Japan 2009 #2
Hadoop Conference Japan 2009 #2
Rakuten Group, Inc.
2018/06/29 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
Deep Learning JP
introduction of acl2019 paper: Incorporating syntactic and semantic information in word embeddings using graph convolutional networks
Incorporating syntactic and semantic information in word embeddings using gra...
Incorporating syntactic and semantic information in word embeddings using gra...
Hiroki Iida
Recommandé
Published on Mar 3, 2021 DEIM 2021 第13回データ工学と情報マネジメントに関するフォーラム(第19回日本データベース学会年次大会)[I25] SNS④ No.5 DEIM注目研究賞,DEIM学生プレゼンテーション賞
Twitterユーザに対するゼロショットタグ付け
Twitterユーザに対するゼロショットタグ付け
Kohei Shinden
KDD2021読み会の登壇資料です。 UCPhraseという、教師なしでのキーフレーズ抽出手法について解説します。
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
Tatsuya Shirakawa
Google が 2018 年に発表した深層モデル BERT は、自然言語処理 (NLP) の多くのタスクでブレイクスルーを起こしました。性能面で進歩がある一方で、公平性に関するガイドラインが総務省から発表される等、産業界では解釈可能な AI を求める声が大きくなってきています。そこで本セッションでは、このギャップを埋めるために Microsoft Research が開発している、interpret-text と呼ばれる機械学習ライブラリをご紹介します。BERT を含む、様々な自然言語処理モデルを解釈するための 2 つの方法について解説し、簡単なデモをお見せします。 Deep Learning Digital Conference - connpass https://dllab.connpass.com/event/178714/
BERT の解剖学: interpret-text による自然言語処理 (NLP) モデル解釈
BERT の解剖学: interpret-text による自然言語処理 (NLP) モデル解釈
順也 山口
CV勉強会 ICCV2017読み会 Towards Diverse and Natural Image Descriptions via a Conditional GANを紹介
CV勉強会ICCV2017読み会:Towards Diverse and Natural Image Descriptions via a Conditi...
CV勉強会ICCV2017読み会:Towards Diverse and Natural Image Descriptions via a Conditi...
Toshiki Sakai
2020/05/08 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Learning to Simulate Complex Physics with Graph Networks
[DL輪読会]Learning to Simulate Complex Physics with Graph Networks
Deep Learning JP
楽天のHadoop利用事例(後半) 2009年11月13日に行われました、Hadoop Conference Japan 2009の発表資料です。
Hadoop Conference Japan 2009 #2
Hadoop Conference Japan 2009 #2
Rakuten Group, Inc.
2018/06/29 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks
Deep Learning JP
introduction of acl2019 paper: Incorporating syntactic and semantic information in word embeddings using graph convolutional networks
Incorporating syntactic and semantic information in word embeddings using gra...
Incorporating syntactic and semantic information in word embeddings using gra...
Hiroki Iida
Introduction of stan
Introduction of stan
Teito Nakagawa
NIPS2016の論文 「Fawzi, A., Moosavi-Dezfooli, S.-M., & Frossard, P. (2016). Robustness of classifiers: from adversarial to random noise. In NIPS (pp. 1624–1632).」 のまとめ資料(論文をほぼ日本語に訳した程度)
Robustness of classifiers_from_adversarial_to_random_noise
Robustness of classifiers_from_adversarial_to_random_noise
Keisuke Hosaka
Generative adversarial netsの原論文+2015の改良 についての紹介です。
Generative adversarial nets
Generative adversarial nets
Keisuke Hosaka
グラフィカルモデル輪読会での発表資料です。 http://wbawakate.connpass.com/event/31613/
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Takuma Yagi
MCMCの解説から入ってSGNHTの説明までどうにかたどり着く資料です。
From mcmc to sgnht
From mcmc to sgnht
Keisuke Hosaka
PRML8章
PRML8章
弘毅 露崎
Hyperoptの原論文を読んでHyperoptを解説した資料です。 概要だけでなく細かいところもできるだけ説明するようにしています。
Hyperoptとその周辺について
Hyperoptとその周辺について
Keisuke Hosaka
AWS事業部合宿2017LT
読書会のすすめ
読書会のすすめ
Satoshi Noto
■Hadoopの理解にちょっと自信のない皆さんに贈る 40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料) 日本Hadoopユーザー会 濱野 賢一朗/Kenichiro Hamano (NTTデータ)
40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料)
40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料)
hamaken
機械学習の jupyternotebook のコードを動かした後は、実プロジェクトへの応用を始めると思います。 そのプロジェクト自体の全体像と、その中の一部ですが - 環境構築 - Hyperparameter Turning - Responsible AI (Model Explanation について、扱います
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
Sylvestre-Alvise Rebuffi, Hakan Bilen, Andrea Vedaldi; Efficient Parametrization of Multi-Domain Deep Neural Networks, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 8119-8127 https://openaccess.thecvf.com/content_cvpr_2018/html/Rebuffi_Efficient_Parametrization_of_CVPR_2018_paper.html
文献紹介:Efficient Parametrization of Multi-Domain Deep Neural Networks
文献紹介:Efficient Parametrization of Multi-Domain Deep Neural Networks
Toru Tamaki
Approximate Scalable Bounded Space Sketch for Large Data NLP
Approximate Scalable Bounded Space Sketch for Large Data NLP
Koji Matsuda
BPStudy #73 発表資料。
ドメイン駆動設計入門
ドメイン駆動設計入門
増田 亨
java_ja java_ja_ddd 2013-3-22 発表。ドメイン駆動設計(DDD)の実践
リッチなドメインモデル 名前探し
リッチなドメインモデル 名前探し
増田 亨
20100324 勉強会資料(ドメイン駆動)
20100324 勉強会資料(ドメイン駆動)
Masayuki Kanou
2012/12/7にComSysで招待講演した際のプレゼン資料です。2013/1時点でのJubatusに関する全部入り資料になっています。 概要:Hadoopは非常に成功した大規模データの分散処理基盤である一方、データを貯めないリアルタイム処理や、統計的な手法で知見や予測モデルを得る機械学習技術のサポートは限定的である。Jubatusは、それらHadoopに足りない「分散・リアルタイム・機械学習」を実現するためのOSSフレームワークとして2011年にリリースされた。その技術的特徵は、オンライン学習アルゴリズムを分散化し、かつ分散環境でコストの高いデータ共有を排除してコンパクトな機械学習モデルのみを緩やかに共有するMix操作を中心とした計算アーキテクチャを採用していることにある。本講演ではその動作原理を中心にJubatusの裏側を紹介する。
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Preferred Networks
Azure Machine Learning には、機械学習のモデル開発作業を強力にサポートする、AutoML機能が搭載されています。Hyperparameter Turning、Model Explanationだけでなく、GPUマシンの管理なども。これらを時間の許す限り徹底的に解説します!
Microsoft Open Tech Night: Azure Machine Learning - AutoML徹底解説
Microsoft Open Tech Night: Azure Machine Learning - AutoML徹底解説
Daiyu Hatakeyama
Developers Summit 2013 Summer (2013年8月1日渋谷にて開催)のA3セッション「Hadoopを使わない独自の分散処理環境の構築とその運用」の登壇資料です。 【セッション概要】 Intel x86サーバの性能向上に伴い、ネットワークの広帯域化が進みつつあるなか、 いよいよ普及期に入ろうとしている10Gigabit EthernetのWebサービスにおける 利用法とその性能と具体的な利用例について紹介します。 さらに近い未来を予見させる40Gigabit Ethernetの今とこれからについても 運用性・性能・注意点などを見ていきます。
夏サミ2013 Hadoopを使わない独自の分散処理環境の構築とその運用
夏サミ2013 Hadoopを使わない独自の分散処理環境の構築とその運用
Developers Summit
機械学習×プログラミング勉強会 2012年5月11日
Jubatusでマルウェア分類
Jubatusでマルウェア分類
Shuzo Kashihara
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラム
Recruit Technologies
11月25日に東京で開催された Microsoft Conference + Expo 2010 のセッション T4-2 の資料です(公開用バージョン)。
【Microsoft Conference Japan Tour 2010】 T4-2 クラウド時代を迎えたソフトウェア開発における現場力の向上
【Microsoft Conference Japan Tour 2010】 T4-2 クラウド時代を迎えたソフトウェア開発における現場力の向上
智治 長沢
https://connpass.com/event/94361/
SAIS/SIGMOD参加報告 in SAIS/DWS2018報告会@Yahoo! JAPAN
SAIS/SIGMOD参加報告 in SAIS/DWS2018報告会@Yahoo! JAPAN
Yahoo!デベロッパーネットワーク
Contenu connexe
En vedette
Introduction of stan
Introduction of stan
Teito Nakagawa
NIPS2016の論文 「Fawzi, A., Moosavi-Dezfooli, S.-M., & Frossard, P. (2016). Robustness of classifiers: from adversarial to random noise. In NIPS (pp. 1624–1632).」 のまとめ資料(論文をほぼ日本語に訳した程度)
Robustness of classifiers_from_adversarial_to_random_noise
Robustness of classifiers_from_adversarial_to_random_noise
Keisuke Hosaka
Generative adversarial netsの原論文+2015の改良 についての紹介です。
Generative adversarial nets
Generative adversarial nets
Keisuke Hosaka
グラフィカルモデル輪読会での発表資料です。 http://wbawakate.connpass.com/event/31613/
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Takuma Yagi
MCMCの解説から入ってSGNHTの説明までどうにかたどり着く資料です。
From mcmc to sgnht
From mcmc to sgnht
Keisuke Hosaka
PRML8章
PRML8章
弘毅 露崎
Hyperoptの原論文を読んでHyperoptを解説した資料です。 概要だけでなく細かいところもできるだけ説明するようにしています。
Hyperoptとその周辺について
Hyperoptとその周辺について
Keisuke Hosaka
En vedette
(7)
Introduction of stan
Introduction of stan
Robustness of classifiers_from_adversarial_to_random_noise
Robustness of classifiers_from_adversarial_to_random_noise
Generative adversarial nets
Generative adversarial nets
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
From mcmc to sgnht
From mcmc to sgnht
PRML8章
PRML8章
Hyperoptとその周辺について
Hyperoptとその周辺について
Similaire à BUGSを使うメリット
AWS事業部合宿2017LT
読書会のすすめ
読書会のすすめ
Satoshi Noto
■Hadoopの理解にちょっと自信のない皆さんに贈る 40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料) 日本Hadoopユーザー会 濱野 賢一朗/Kenichiro Hamano (NTTデータ)
40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料)
40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料)
hamaken
機械学習の jupyternotebook のコードを動かした後は、実プロジェクトへの応用を始めると思います。 そのプロジェクト自体の全体像と、その中の一部ですが - 環境構築 - Hyperparameter Turning - Responsible AI (Model Explanation について、扱います
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
Sylvestre-Alvise Rebuffi, Hakan Bilen, Andrea Vedaldi; Efficient Parametrization of Multi-Domain Deep Neural Networks, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 8119-8127 https://openaccess.thecvf.com/content_cvpr_2018/html/Rebuffi_Efficient_Parametrization_of_CVPR_2018_paper.html
文献紹介:Efficient Parametrization of Multi-Domain Deep Neural Networks
文献紹介:Efficient Parametrization of Multi-Domain Deep Neural Networks
Toru Tamaki
Approximate Scalable Bounded Space Sketch for Large Data NLP
Approximate Scalable Bounded Space Sketch for Large Data NLP
Koji Matsuda
BPStudy #73 発表資料。
ドメイン駆動設計入門
ドメイン駆動設計入門
増田 亨
java_ja java_ja_ddd 2013-3-22 発表。ドメイン駆動設計(DDD)の実践
リッチなドメインモデル 名前探し
リッチなドメインモデル 名前探し
増田 亨
20100324 勉強会資料(ドメイン駆動)
20100324 勉強会資料(ドメイン駆動)
Masayuki Kanou
2012/12/7にComSysで招待講演した際のプレゼン資料です。2013/1時点でのJubatusに関する全部入り資料になっています。 概要:Hadoopは非常に成功した大規模データの分散処理基盤である一方、データを貯めないリアルタイム処理や、統計的な手法で知見や予測モデルを得る機械学習技術のサポートは限定的である。Jubatusは、それらHadoopに足りない「分散・リアルタイム・機械学習」を実現するためのOSSフレームワークとして2011年にリリースされた。その技術的特徵は、オンライン学習アルゴリズムを分散化し、かつ分散環境でコストの高いデータ共有を排除してコンパクトな機械学習モデルのみを緩やかに共有するMix操作を中心とした計算アーキテクチャを採用していることにある。本講演ではその動作原理を中心にJubatusの裏側を紹介する。
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Preferred Networks
Azure Machine Learning には、機械学習のモデル開発作業を強力にサポートする、AutoML機能が搭載されています。Hyperparameter Turning、Model Explanationだけでなく、GPUマシンの管理なども。これらを時間の許す限り徹底的に解説します!
Microsoft Open Tech Night: Azure Machine Learning - AutoML徹底解説
Microsoft Open Tech Night: Azure Machine Learning - AutoML徹底解説
Daiyu Hatakeyama
Developers Summit 2013 Summer (2013年8月1日渋谷にて開催)のA3セッション「Hadoopを使わない独自の分散処理環境の構築とその運用」の登壇資料です。 【セッション概要】 Intel x86サーバの性能向上に伴い、ネットワークの広帯域化が進みつつあるなか、 いよいよ普及期に入ろうとしている10Gigabit EthernetのWebサービスにおける 利用法とその性能と具体的な利用例について紹介します。 さらに近い未来を予見させる40Gigabit Ethernetの今とこれからについても 運用性・性能・注意点などを見ていきます。
夏サミ2013 Hadoopを使わない独自の分散処理環境の構築とその運用
夏サミ2013 Hadoopを使わない独自の分散処理環境の構築とその運用
Developers Summit
機械学習×プログラミング勉強会 2012年5月11日
Jubatusでマルウェア分類
Jubatusでマルウェア分類
Shuzo Kashihara
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラム
Recruit Technologies
11月25日に東京で開催された Microsoft Conference + Expo 2010 のセッション T4-2 の資料です(公開用バージョン)。
【Microsoft Conference Japan Tour 2010】 T4-2 クラウド時代を迎えたソフトウェア開発における現場力の向上
【Microsoft Conference Japan Tour 2010】 T4-2 クラウド時代を迎えたソフトウェア開発における現場力の向上
智治 長沢
https://connpass.com/event/94361/
SAIS/SIGMOD参加報告 in SAIS/DWS2018報告会@Yahoo! JAPAN
SAIS/SIGMOD参加報告 in SAIS/DWS2018報告会@Yahoo! JAPAN
Yahoo!デベロッパーネットワーク
Tokyo
Big data解析ビジネス
Big data解析ビジネス
Mie Mori
AutoML に絞っての Azure Machine Learning のハンズオンの概要説明資料です。 ハンズオンのテキストはこちら。 GUI版: https://docs.microsoft.com/ja-jp/azure/machine-learning/tutorial-first-experiment-automated-ml Deep Learning with Code版: https://github.com/Azure/MachineLearningNotebooks/tree/master/how-to-use-azureml/training-with-deep-learning/train-hyperparameter-tune-deploy-with-keras
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Daiyu Hatakeyama
世界最大級のメガクラウドである Microsoft Azure での、AI サービスや技術の現在を見ていきます。学生なら知っておきたい、 大まかなサービスだけでなく、その周辺で起こっているデータセンターやハードウェアの進化。Sustainability のトピックやデータのBias 問題などにも触れます。
明治大学理工学部 特別講義 AI on Azure
明治大学理工学部 特別講義 AI on Azure
Daiyu Hatakeyama
#hpcstudy のLT資料です。
【Hpcstudy】みんな、ベンチマークどうやってるの?
【Hpcstudy】みんな、ベンチマークどうやってるの?
Seiichiro Ishida
ビッグデータ&データマネジメント展での講演資料
ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展
Recruit Technologies
Similaire à BUGSを使うメリット
(20)
読書会のすすめ
読書会のすすめ
40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料)
40分でわかるHadoop徹底入門 (Cloudera World Tokyo 2014 講演資料)
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
文献紹介:Efficient Parametrization of Multi-Domain Deep Neural Networks
文献紹介:Efficient Parametrization of Multi-Domain Deep Neural Networks
Approximate Scalable Bounded Space Sketch for Large Data NLP
Approximate Scalable Bounded Space Sketch for Large Data NLP
ドメイン駆動設計入門
ドメイン駆動設計入門
リッチなドメインモデル 名前探し
リッチなドメインモデル 名前探し
20100324 勉強会資料(ドメイン駆動)
20100324 勉強会資料(ドメイン駆動)
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Microsoft Open Tech Night: Azure Machine Learning - AutoML徹底解説
Microsoft Open Tech Night: Azure Machine Learning - AutoML徹底解説
夏サミ2013 Hadoopを使わない独自の分散処理環境の構築とその運用
夏サミ2013 Hadoopを使わない独自の分散処理環境の構築とその運用
Jubatusでマルウェア分類
Jubatusでマルウェア分類
ビッグデータ活用支援フォーラム
ビッグデータ活用支援フォーラム
【Microsoft Conference Japan Tour 2010】 T4-2 クラウド時代を迎えたソフトウェア開発における現場力の向上
【Microsoft Conference Japan Tour 2010】 T4-2 クラウド時代を迎えたソフトウェア開発における現場力の向上
SAIS/SIGMOD参加報告 in SAIS/DWS2018報告会@Yahoo! JAPAN
SAIS/SIGMOD参加報告 in SAIS/DWS2018報告会@Yahoo! JAPAN
Big data解析ビジネス
Big data解析ビジネス
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
明治大学理工学部 特別講義 AI on Azure
明治大学理工学部 特別講義 AI on Azure
【Hpcstudy】みんな、ベンチマークどうやってるの?
【Hpcstudy】みんな、ベンチマークどうやってるの?
ビッグデータ&データマネジメント展
ビッグデータ&データマネジメント展
Plus de . .
TensorFlowで統計モデリング
TensorFlowで統計モデリング
TensorFlowで統計モデリング
. .
統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す
. .
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
. .
OsakaStan #5
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
. .
データサイエンスLT
階層ベイズモデルで割安mobile PCを探す
階層ベイズモデルで割安mobile PCを探す
. .
Tokyo.Stan, 2016.6.4
Replica exchange MCMC
Replica exchange MCMC
. .
第46回東京R勉強会 #TokyoRの資料です。
順序データでもベイズモデリング
順序データでもベイズモデリング
. .
2014.10.21 第11回「データ解析のための統計モデリング入門」読書会 LT
データ解析で割安賃貸物件を探せ!(山手線沿線編) LT
データ解析で割安賃貸物件を探せ!(山手線沿線編) LT
. .
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM
. .
100人のための統計解析 和食レストラン編
100人のための統計解析 和食レストラン編
. .
とある病んだ院生の体内時計(サーカディアンリズム)
とある病んだ院生の体内時計(サーカディアンリズム)
. .
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
Plus de . .
(12)
TensorFlowで統計モデリング
TensorFlowで統計モデリング
統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
階層ベイズモデルで割安mobile PCを探す
階層ベイズモデルで割安mobile PCを探す
Replica exchange MCMC
Replica exchange MCMC
順序データでもベイズモデリング
順序データでもベイズモデリング
データ解析で割安賃貸物件を探せ!(山手線沿線編) LT
データ解析で割安賃貸物件を探せ!(山手線沿線編) LT
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM
100人のための統計解析 和食レストラン編
100人のための統計解析 和食レストラン編
とある病んだ院生の体内時計(サーカディアンリズム)
とある病んだ院生の体内時計(サーカディアンリズム)
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
BUGSを使うメリット
1.
BUGSを使うメリット 2013.9.29 @berobero11
2.
BUGSって何? Bayesian inference Using
Gibbs Sampling Rにそっくりな構文で統計モデリングできます
3.
☺• ドメイン知識がフル活用できる • 書くコードが少なくてすむ •
結果がRからとても使いやすい • パラメータの同時分布が得られる 1 2 3 4
4.
• ドメイン知識がフル活用できる • 書くコードが少なくてすむ •
結果がRからとても使いやすい • パラメータの同時分布が得られる 1 2 3 4
5.
ドメイン知識 ≒ 業界内の経験則
6.
例 ユーザーの行動
7.
例 トピックモデル 統計数理研究所H24年度公開講座「確率的トピックモデル」石黒先生の資料より
8.
ドメイン知識を使うことによる当然の帰結 結果が解釈しやすい
9.
検定・クラスタリング・PCA・MDS… これらで十分ですか? 機械学習の結果を解釈して 実務にフィードバックできてますか?
10.
• ドメイン知識がフル活用できる • 書くコードが少なくてすむ •
結果がRからとても使いやすい • パラメータの同時分布が得られる 1 2 3 4
11.
出席する/しない が性別で変わるか?
12.
線形クラス分類のベイズ版
13.
• ドメイン知識がフル活用できる • 書くコードが少なくてすむ •
結果がRからとても使いやすい • パラメータの同時分布が得られる 1 2 3 4
14.
15.
16.
17.
MCMCサンプルのベクトル!
18.
• ドメイン知識がフル活用できる • 書くコードが少なくてすむ •
結果がRからとても使いやすい • パラメータの同時分布が得られる 1 2 3 4
19.
𝑝 パラメータ1, パラメータ2,
… が求まる パラメータを消去したりすることで 任意の分布が求められる 欲しいところのMCMCサンプルを 取ってくるだけの簡単なお仕事 実際上は
20.
おまけ
21.
☹• 時間がかかる – 計算が1日のオーダーになることもしばしば •
モデルの書き方が分かりにくい – Rだってはじめは分かりにくかったでしょ? • エラーメッセージが意味不明で殺意がわく – OpenBUGS・WinBUGS ⇒ JAGS・Stanへ!
22.
あなたに合うライブラリは? データ数は 10万行以上? CAR model (空間統計モデ ルの一種) 使いたい? 行列の演算を いっぱい使う? yes Noyes WinBUGS 安定と先進的、 どちらかと言えば 安定が好き? yes Noyes JAGS Stan
23.
参考文献 • 久保 拓弥 「データ解析のための統計モデリング入門 一般化線形モデル・階層ベイズモデル・MCMC」 •
Taeko Becque, 丹後俊郎 「ベイジアン統計解析の実際」 • David Lunn et al. 「The BUGS Book」
24.
Web上の情報 • 久保先生のホームページの一部 – http://hosho.ees.hokudai.ac.jp/~kubo/ce/BayesianMcmc.html •
RとWinBUGS – http://d.hatena.ne.jp/lindley/ • Small Data Scientist Memorandum – http://heartruptcy.blog.fc2.com/ • Taglibro de H – http://ito-hi.blog.so-net.ne.jp/archive/c75233-1 • BOD [R]緑本メモ – http://d.hatena.ne.jp/dichika/20120522/1337681689 • @dichikaさんのTokyo.R第23回の発表資料から – http://www.slideshare.net/dichika/tokyor23
Télécharger maintenant