Soumettre la recherche
Mettre en ligne
大阪PRML読書会#1資料
•
7 j'aime
•
3,175 vues
Hiromasa Ohashi
Suivre
大阪PRML読書会第一回の資料です。
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 39
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
Koichi Hamada
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
Recommandé
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
Koichi Hamada
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
PRML輪読#2
PRML輪読#2
matsuolab
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
PRML読書会#2,#3資料
PRML読書会#2,#3資料
Hiromasa Ohashi
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Prml 2.3
Prml 2.3
Yuuki Saitoh
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
tanutarou
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
PRML 上 2.3.6 ~ 2.5.2
PRML 上 2.3.6 ~ 2.5.2
禎晃 山崎
PRML輪読#3
PRML輪読#3
matsuolab
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
智文 中野
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Beautiful woRld
Beautiful woRld
Takao Yokoyama
Contenu connexe
Tendances
PRML輪読#2
PRML輪読#2
matsuolab
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
PRML読書会#2,#3資料
PRML読書会#2,#3資料
Hiromasa Ohashi
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Prml 2.3
Prml 2.3
Yuuki Saitoh
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
tanutarou
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
PRML 上 2.3.6 ~ 2.5.2
PRML 上 2.3.6 ~ 2.5.2
禎晃 山崎
PRML輪読#3
PRML輪読#3
matsuolab
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
智文 中野
Tendances
(20)
PRML輪読#2
PRML輪読#2
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
不均衡データのクラス分類
不均衡データのクラス分類
PRML読書会#2,#3資料
PRML読書会#2,#3資料
EMアルゴリズム
EMアルゴリズム
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
グラフィカルモデル入門
グラフィカルモデル入門
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
Prml 2.3
Prml 2.3
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
PRML 上 2.3.6 ~ 2.5.2
PRML 上 2.3.6 ~ 2.5.2
PRML輪読#3
PRML輪読#3
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
En vedette
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Beautiful woRld
Beautiful woRld
Takao Yokoyama
第一回卒研発表会
第一回卒研発表会
syou6162
入門機械学習6章
入門機械学習6章
Kazufumi Ohkawa
Prml
Prml
syou6162
機械学習
機械学習
Hikaru Takemura
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
Vanishing Component Analysis
Vanishing Component Analysis
Koji Matsuda
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
Nagi Teramo
はじぱた7章F5up
はじぱた7章F5up
Tyee Z
独立成分分析とPerfume
独立成分分析とPerfume
Yurie Oka
Numpy scipyで独立成分分析
Numpy scipyで独立成分分析
Shintaro Fukushima
続・わかりやすいパターン認識 第7章「マルコフモデル」
続・わかりやすいパターン認識 第7章「マルコフモデル」
T T
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門
Zansa
非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
Daichi Kitamura
Pyladies Tokyo meet up #6
Pyladies Tokyo meet up #6
Katayanagi Nobuko
Understanding your data with Bayesian networks (in Python) by Bartek Wilczyns...
Understanding your data with Bayesian networks (in Python) by Bartek Wilczyns...
PyData
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
Shinohara Masahiro
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
En vedette
(20)
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Beautiful woRld
Beautiful woRld
第一回卒研発表会
第一回卒研発表会
入門機械学習6章
入門機械学習6章
Prml
Prml
機械学習
機械学習
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Vanishing Component Analysis
Vanishing Component Analysis
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
はじぱた7章F5up
はじぱた7章F5up
独立成分分析とPerfume
独立成分分析とPerfume
Numpy scipyで独立成分分析
Numpy scipyで独立成分分析
続・わかりやすいパターン認識 第7章「マルコフモデル」
続・わかりやすいパターン認識 第7章「マルコフモデル」
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門
非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
Pyladies Tokyo meet up #6
Pyladies Tokyo meet up #6
Understanding your data with Bayesian networks (in Python) by Bartek Wilczyns...
Understanding your data with Bayesian networks (in Python) by Bartek Wilczyns...
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Dernier
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
osamut
UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdf
furutsuka
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
Shota Ito
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
Atomu Hidaka
Dernier
(9)
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdf
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
大阪PRML読書会#1資料
1.
1章 読書会#1 資料 twitter: @wrist facebook:
hiromasa.ohashi 13年12月25日水曜日
2.
スライド作成について • • • 図: 著者HPから落としてくる 表: CamScannerというiPhoneアプリで撮影 数式:
tex2imgで画像を作成 • 13年12月25日水曜日 osxだとCUI版がある
3.
まえがき • 追加資料のURL • http://research.microsoft.com/en-us/um/ people/cmbishop/PRML •
PRMLに載ってるURLでもリダイレクト されます 13年12月25日水曜日
4.
数式の表記(1) 13年12月25日水曜日
5.
数式の表記(2) 13年12月25日水曜日
6.
数式の表記(3) • 最後のXの書体が怪しい (ここではタイプライタ体) 13年12月25日水曜日
7.
第1章 目次(1) 1. 序論 1.1. 例:多項式フィッティング 1.2.
確率論 1.2.1.確率密度 1.2.2.期待値と分散 1.2.3.ベイズ確率 1.2.4.ガウス分布 1.2.5.曲線フィッテイング再訪 1.2.6.ベイズ曲線フィッティング 13年12月25日水曜日
8.
第1章 目次(2) 1. 序論 1.3. モデル選択 1.4.
次元の呪い 1.5. 決定理論 1.5.1.誤識別率の最小化 1.5.2.期待損失の最小化 1.5.3.棄却オプション 1.5.4.推論と決定 1.5.5.回帰のための損失関数 13年12月25日水曜日
9.
第一章 目次(3) 1. 序論 1.6.情報理論 1.6.6.相対エントロピーと相互情報量 13年12月25日水曜日
10.
序論 • 28x28ピクセルの画像 = 784次元の実数値ベクトルx 13年12月25日水曜日
11.
機械学習のアプローチ • 訓練集合(training set)を使ってモデルのパラメー タを適応的に調整 • • • N個の手書き数字の集合{x1,...,xN} 訓練集合の各々の数字は既知 各々の数字に対応するカテゴリは 目標ベクトル(target vector)tを用いて表現 13年12月25日水曜日
12.
モデルの決定 • 機械学習によってy(x)を獲得 • 入力画像xに対して目標ベクトルと同じ符号 化の出力ベクトルy • • 訓練(training)段階、学習(learning)段階 テスト集合(test set)に対しても数字を推定可能 • 汎化(generalization) • 13年12月25日水曜日 訓練に用いたのとは異なる事例の分類能力
13.
実際の応用 • 前処理(preprocessing)によって新しい変 数に変換 • 画像の場合は拡大縮小、回転 •
特徴抽出(feature extraction)とも 13年12月25日水曜日
14.
機械学習の分類 • 教師あり学習(supervised learning) • • • クラスタリング(clustering) 密度推定(densitiy estimation) 視覚化(visualization)
=> 射影なども含む 強化学習(reinforcement learning) • 13年12月25日水曜日 出力が連続変数:回帰(regression) 教師なし学習(unsupervised learning) • • • • 出力が離散カテゴリ:クラス分類(classification) 報酬を最大にするような行動を見つける
15.
1.1 例:多項式曲線フィッティング • N個の観測点から緑の曲線を見つけたい • 13年12月25日水曜日 新たな入力x^に対する予測
16.
曲線フィッティング(curve fitting) • • • Mは多項式の次数(order) 多項式係数w0,...,wMをまとめてベクトルw xの非線形関数であるがwの線形関数 • 13年12月25日水曜日 線形モデル(linear model)
17.
fittingの方法 • • 誤差関数(error function)の最小化 二乗和誤差(sum-of-squares error) • • • 13年12月25日水曜日 1/2を乗じているのは変形時に便利なため 非負 0になるのはy(x,w)が全訓練データ点をちょうど通る時のみ
18.
二乗誤差関数の幾何的解釈 • 緑のバーの二乗和が誤差関数 13年12月25日水曜日
19.
誤差関数の最小化 • wで微分して0になる係数を探す • 誤差関数はwに関して2次 •
微分すると線形 • ただひとつの解w* • 結果として得られる多項式y(x,w) 13年12月25日水曜日
20.
多項式の次数の選び方 • 多項式の次数Mの選択 • モデル比較(model
comparison)、モデ ル選択(model selection) 13年12月25日水曜日
21.
様々なMに対する曲線 13年12月25日水曜日
22.
過学習 • M=9の時は学習データとなる点全てを 通過しているが曲線が発散 • 過学習(過適合:over-fitting) 13年12月25日水曜日
23.
Mによる汎化性能の違いの評価 • • テストセットを新たに作成し誤差を評価 平均二乗平方根誤差(root-mean-square error; RMS error)による評価 • • 13年12月25日水曜日 Nで割るので異なるデータ集合の比較が可能 平方根により目的変数tと同じ次元に
24.
Mによる誤差の違い • • • 小さなMでは誤差が大きい 3<M<8では誤差が小さい M=9では訓練データに対しては誤差は0だが評価データに対 しては誤差が大きい 13年12月25日水曜日
25.
なぜM=9の時にうまくいかないのか • M=3次多項式と同程度以上の結果を出 すことができるのではないか? • sinの級数展開には高次の項が存在 13年12月25日水曜日
26.
Mによる係数の違い • Mの増加に伴い係数が発散 • ランダムノイズに引きずられる 13年12月25日水曜日
27.
M=9でデータサイズを変えた場合 • • 13年12月25日水曜日 サイズが増えれば過学習の問題が深刻でなくなる 一般にモデルパラメータの何倍かのデータが必要
28.
最尤推定と過学習 • 最小二乗誤差基準の学習 • • • 最尤推定(maximum likelihood) 過学習は最尤推定において一般的な性質 過学習を避ける方法 • ベイズ的(Bayesian)アプローチが有効 • • 13年12月25日水曜日 有効パラメータ数(number of
effective parameters)が自 動的にデータサイズに適合 誤差関数への罰則項の追加
29.
最小二乗誤差基準で過学習を避けるには • • • 正則化項(罰則項)の導入 ||w||2=wTw=w0+w1+...+wM • 縮小推定(shrinkage) • • 13年12月25日水曜日 w0は外すこともある 2次の正則化の場合はリッジ回帰(ridge regression) ニューラルネットワークでは荷重減衰(weight decay)
30.
λの値による変化 • lnλ=-18だと良いが lnλ=0だと再び 悪くなる 13年12月25日水曜日
31.
正則化項が汎化誤差に与える影響 • RMS誤差をlnλに対してプロット • • 13年12月25日水曜日 λが実質的なモデルの複雑さを制御 訓練集合だけでなく確認用集合(検証用集合; validation set; ホールドアウト集合(hold-out
set))も使うべき
32.
1.2 確率論(probability theory) •
不確実性に対する定量化と操作に関す る一貫した枠組みを与える • パターン認識の中心 13年12月25日水曜日
33.
確率論の概念 • 箱の一つをランダムに選び、果物を一 つランダムに選ぶ • 赤の箱を40%、青の箱を60%で選ぶ 13年12月25日水曜日
34.
楽天スーパーセール • 楽天が優勝した時にみかん二箱買ったら 一箱に纏められて送られてきました • 13年12月25日水曜日 二箱とは一体
35.
確率の直感的な定義 • どの箱を選ぶかを表す確率変数B={r,b} • どの果物を選ぶかを表す確率変数F={a,o} •
確率=(ある事象の生起回数)/(全試行回数) • ただし無限回試行した時の極限 • P(B=r)=4/10, P(B=b)=6/10 • Pは[0,1]に収まり、総和が1 13年12月25日水曜日
36.
確率に関する2つの法則 • • 13年12月25日水曜日 確率の加法定理(sum rule of
probability) 確率の乗法定理(product rule of probability)
37.
設定の一般化 • • 2つの確率変数X,Y Xは任意のxi(i=1,...,M)、 Yは任意のyj(j=1,...L) • • 全N回の試行、X=xi,Y=yjとなる試行回数をnij Yと無関係にX=xiとなる回数をci、 Xと無関係にY=yjとなる回数をrj 13年12月25日水曜日
38.
各種確率 同時確率 (結合確率; joint probability) 周辺確率 (marginal
probability) 加法定理の適用 条件付き確率 (conditional probability) 乗法定理 13年12月25日水曜日
39.
確率の基本法則とベイズの定理 • 確率の加法定理と確率の乗法定理 • ベイズの定理(Bayes’
theorem) • p(X,Y)=p(Y,X)よりp(Y|X)p(X)=p(X|Y)p(Y) 13年12月25日水曜日
Télécharger maintenant