Soumettre la recherche
Mettre en ligne
1 5.パラメトリックブートストラップ検定と確率分布
•
6 j'aime
•
25,524 vues
L
logics-of-blue
Suivre
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-5パラメトリックブートストラップ検定と確率分布 検定の仕組みと確率分布の解説です。
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 25
Recommandé
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-4.devianceと尤度比検定 正規分布以外の確率分布では残差の考え方が変わってきます。そこでdevianceという概念を導入したうえで、GLMにおいて分散分析を実行する方法を解説します。 サイト作ってます http://logics-of-blue.com/
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-3.GLMの基礎 一般化線形モデルの構成要素や、計算の方法について解説します。 サイト作ってます http://logics-of-blue.com/
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-3分散分析(ANOVA) 分散分析の基礎
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-6.ゼロ切断・過剰モデル ゼロがないデータや、0が多すぎるデータを分析する方法を解説します。 サイト作ってます http://logics-of-blue.com/
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
HijiyamaR#3で発表しました。 階層ベイズを使った場合に,最尤法のAICと結果が大きく異なります。その問題についてどのように考えたらいいかについて発表しました。
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
稚拙ですが、Stanの便利な事後処理関数をまとめました。 間違いがあればご指摘いただけると幸いです。
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-7.Type II ANOVA Type II ANOVAに関する説明です。
1 7.Type II ANOVA
1 7.Type II ANOVA
logics-of-blue
日本マイクロソフト株式会社 山口順也 氏
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)
Recommandé
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-4.devianceと尤度比検定 正規分布以外の確率分布では残差の考え方が変わってきます。そこでdevianceという概念を導入したうえで、GLMにおいて分散分析を実行する方法を解説します。 サイト作ってます http://logics-of-blue.com/
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-3.GLMの基礎 一般化線形モデルの構成要素や、計算の方法について解説します。 サイト作ってます http://logics-of-blue.com/
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-3分散分析(ANOVA) 分散分析の基礎
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-6.ゼロ切断・過剰モデル ゼロがないデータや、0が多すぎるデータを分析する方法を解説します。 サイト作ってます http://logics-of-blue.com/
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
HijiyamaR#3で発表しました。 階層ベイズを使った場合に,最尤法のAICと結果が大きく異なります。その問題についてどのように考えたらいいかについて発表しました。
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
稚拙ですが、Stanの便利な事後処理関数をまとめました。 間違いがあればご指摘いただけると幸いです。
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-7.Type II ANOVA Type II ANOVAに関する説明です。
1 7.Type II ANOVA
1 7.Type II ANOVA
logics-of-blue
日本マイクロソフト株式会社 山口順也 氏
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)
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-4回帰分析と分散分析 回帰分析においても分散分析と全く同じように検定できることを示します。
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
Stanの初心者が基本的な統計モデルを実行するまでの解説です。プログラミング初心者向けに書いているので,やや説明が遠回りなところもあります。
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-2t検定 平均・分散といった統計の基礎からt検定まで サイト作ってます http://logics-of-blue.com/
1 2.t検定
1 2.t検定
logics-of-blue
Osaka.Stan#6『StanとRでベイズ統計モデリング』(通称アヒル本)読書会@関西学院大学 2017年11月18日(土) https://atnd.org/events/91527
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-5-3.一般化線形モデル色々~Gamma回帰と対数線形モデル~ Gamma回帰と対数線形モデルについて解説します。 サイト作ってます http://logics-of-blue.com/
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
広島大学で行われた,ベイズ推定による多変量解析入門WSで発表した資料です。階層線形モデルをベイズ推定する話についてまとめています。 発表者のWebサイト:norimune.net
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
日本社会心理学会第2回春の方法論セミナー 「GLMMが切り開く新たな統計の世界」で発表したスライドです。 一部,発表時から修正したスライドがあります。
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
広島ベイズ塾夏合宿で発表したStanコードの書き方中級編です。 回帰分析から,一般化線形モデル,欠損値のあるモデル,潜在変数があるモデル,ゼロ過剰分布,混合分布モデルを扱いました。
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
このスライドのコードはMplusデモ版で実行可能です。 http://www.statmodel.com/demo.shtml また、こちらのページにサンプルデータを置いています。 http://bit.ly/12NgDmI 中級編はこちらをどうぞ。 http://www.slideshare.net/simizu706/mplus-lecture-2
Mplusの使い方 初級編
Mplusの使い方 初級編
Hiroshi Shimizu
状態空間モデルの概要とマーケティング施策等の周期性・モデル表現について解説しています
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
ベイズ塾のベイズ統計モデリングワークショップで発表したスライドです。
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
第4回DARM勉強会発表資料 「構造方程式モデリング」 報告ガイドラインの概要
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
Masakazu Shinoda
2021/02/19 学内研究会資料
因果関係を時系列変化で分析
因果関係を時系列変化で分析
DaikiNagamine
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#8
PRML輪読#8
matsuolab
基礎からのベイズ統計学入門 輪読会#4 LT資料 http://stats-study.connpass.com/event/27129/
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
8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-1はじめに 勉強会の進め方やRの紹介など
1 1.はじめに
1 1.はじめに
logics-of-blue
LET 中部支部第80回支部研究大会シンポ資料
反応時間データをどう分析し図示するか
反応時間データをどう分析し図示するか
SAKAUE, Tatsuya
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan)第二回における,第四章の発表資料です
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
2019年8月9日 日本テクニカルアナリスト協会セミナー資料
ファクター投資と機械学習
ファクター投資と機械学習
Kei Nakagawa
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-8交互作用 交互作用に関する解説です。
1 8.交互作用
1 8.交互作用
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-6.変数選択とAIC 検定とAICを用いて変数選択する方法について説明します。
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
Contenu connexe
Tendances
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-4回帰分析と分散分析 回帰分析においても分散分析と全く同じように検定できることを示します。
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
Stanの初心者が基本的な統計モデルを実行するまでの解説です。プログラミング初心者向けに書いているので,やや説明が遠回りなところもあります。
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-2t検定 平均・分散といった統計の基礎からt検定まで サイト作ってます http://logics-of-blue.com/
1 2.t検定
1 2.t検定
logics-of-blue
Osaka.Stan#6『StanとRでベイズ統計モデリング』(通称アヒル本)読書会@関西学院大学 2017年11月18日(土) https://atnd.org/events/91527
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-5-3.一般化線形モデル色々~Gamma回帰と対数線形モデル~ Gamma回帰と対数線形モデルについて解説します。 サイト作ってます http://logics-of-blue.com/
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
広島大学で行われた,ベイズ推定による多変量解析入門WSで発表した資料です。階層線形モデルをベイズ推定する話についてまとめています。 発表者のWebサイト:norimune.net
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
日本社会心理学会第2回春の方法論セミナー 「GLMMが切り開く新たな統計の世界」で発表したスライドです。 一部,発表時から修正したスライドがあります。
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
広島ベイズ塾夏合宿で発表したStanコードの書き方中級編です。 回帰分析から,一般化線形モデル,欠損値のあるモデル,潜在変数があるモデル,ゼロ過剰分布,混合分布モデルを扱いました。
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
このスライドのコードはMplusデモ版で実行可能です。 http://www.statmodel.com/demo.shtml また、こちらのページにサンプルデータを置いています。 http://bit.ly/12NgDmI 中級編はこちらをどうぞ。 http://www.slideshare.net/simizu706/mplus-lecture-2
Mplusの使い方 初級編
Mplusの使い方 初級編
Hiroshi Shimizu
状態空間モデルの概要とマーケティング施策等の周期性・モデル表現について解説しています
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
ベイズ塾のベイズ統計モデリングワークショップで発表したスライドです。
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
第4回DARM勉強会発表資料 「構造方程式モデリング」 報告ガイドラインの概要
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
Masakazu Shinoda
2021/02/19 学内研究会資料
因果関係を時系列変化で分析
因果関係を時系列変化で分析
DaikiNagamine
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#8
PRML輪読#8
matsuolab
基礎からのベイズ統計学入門 輪読会#4 LT資料 http://stats-study.connpass.com/event/27129/
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
8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-1はじめに 勉強会の進め方やRの紹介など
1 1.はじめに
1 1.はじめに
logics-of-blue
LET 中部支部第80回支部研究大会シンポ資料
反応時間データをどう分析し図示するか
反応時間データをどう分析し図示するか
SAKAUE, Tatsuya
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan)第二回における,第四章の発表資料です
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
2019年8月9日 日本テクニカルアナリスト協会セミナー資料
ファクター投資と機械学習
ファクター投資と機械学習
Kei Nakagawa
Tendances
(20)
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
Stan超初心者入門
Stan超初心者入門
1 2.t検定
1 2.t検定
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
社会心理学とGlmm
社会心理学とGlmm
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Mplusの使い方 初級編
Mplusの使い方 初級編
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
20180118 一般化線形モデル(glm)
20180118 一般化線形モデル(glm)
因果関係を時系列変化で分析
因果関係を時系列変化で分析
PRML輪読#8
PRML輪読#8
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
1 1.はじめに
1 1.はじめに
反応時間データをどう分析し図示するか
反応時間データをどう分析し図示するか
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
ファクター投資と機械学習
ファクター投資と機械学習
En vedette
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-8交互作用 交互作用に関する解説です。
1 8.交互作用
1 8.交互作用
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-6.変数選択とAIC 検定とAICを用いて変数選択する方法について説明します。
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-5-1.一般化線形モデル色々~CPUE標準化~ ポアソン回帰を使ってCPUEを標準化する方法を解説します。 offset項やas.factorの使い方も解説。 サイト作ってます http://logics-of-blue.com/
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 1.一般化線形モデル色々_CPUE標準化
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-1.予測と確率分布 統計モデリングにおける予測とはいったいどういうモノかということを概説します。 サイト作ってます http://logics-of-blue.com/
2 1.予測と確率分布
2 1.予測と確率分布
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-5-2.一般化線形モデル色々~ロジスティック回帰~ 二項分布を仮定したGLMであるロジスティック回帰を解説します。 サイト作ってます http://logics-of-blue.com/
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-2.尤度と最尤法 一般化線形モデルに入る前段階として、尤度と最尤法について解説します。 サイト作ってます http://logics-of-blue.com/
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-7.一般化線形混合モデル ランダム効果を扱うことのできる一般化線形混合モデルを解説します。 サイト作ってます http://logics-of-blue.com/
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
だいぶ前に大学で発表した予測理論の解説スライドです。 サイト作ってます。 http://logics-of-blue.com/ predictabilityを使ってみた系の論文も書いたので、良ければどうぞ。 http://link.springer.com/article/10.1007/s12562-014-0736-8#
予測理論とpredictability
予測理論とpredictability
logics-of-blue
El naixement d'una llengua
El naixement d'una llengua
gerard vilanova
En vedette
(9)
1 8.交互作用
1 8.交互作用
1 6.変数選択とAIC
1 6.変数選択とAIC
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 1.一般化線形モデル色々_CPUE標準化
2 1.予測と確率分布
2 1.予測と確率分布
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 2.尤度と最尤法
2 2.尤度と最尤法
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
予測理論とpredictability
予測理論とpredictability
El naixement d'una llengua
El naixement d'una llengua
Dernier
Jue Wang, Wentao Zhu, Pichao Wang, Xiang Yu, Linda Liu, Mohamed Omar, Raffay Hamid, " Selective Structured State-Spaces for Long-Form Video Understanding" CVPR2023 https://openaccess.thecvf.com/content/CVPR2023/html/Wang_Selective_Structured_State-Spaces_for_Long-Form_Video_Understanding_CVPR_2023_paper.html
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
2024/04/26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22024/04/26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22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
2024/04/26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32024/04/26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32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
This is an introduction to MAPPO's paper.
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWANスマート距離検出センサー DS20Lカタログ
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Syed Talal Wasim, Muzammal Naseer, Salman Khan, Ming-Hsuan Yang, Fahad Shahbaz Khan , "Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding" arXiv2024 https://arxiv.org/abs/2401.00901v2
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Key topics covered: - Understanding Ballerina's role in integrations: features and advantages - Designing and implementing REST APIs for integration - Designing and implementing GraphQL services with Ballerina - Monitoring and observing applications - Introduction to data integration
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
2024年5月8日 Power Platform 勉強会 #1 LT資料
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Dernier
(10)
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26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22024/04/26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22024/04/26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32024/04/26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32024/04/26の勉強会で発表されたものです。
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
1 5.パラメトリックブートストラップ検定と確率分布
1.
パラメトリックブートストラップ検定 と確率分布 1 1日目-第5講 名前:馬場真哉 所属:北大水産 修士課程2年 Webサイト: logics
of blue で検索
2.
2 正規線形モデルの理解のために 統計の基本とt検定 分散分析(ANOVA) 回帰分析と分散分析 PB検定と確率分布 モデル選択とAIC 出来れば Type II ANOVA、交互作用
3.
3 検定 を理解するのが目標
4.
4 ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める F比が12.79を超えた回数が、100回中5回以内だった →偶然でt値が12.79を超える確率は小さい →有意差あり ② そのデータのF比を計算する ③
0とは有意に異ならないデータにおける F比を例えば100回計算する。 ④ 100回中、F比が12.79を超えた回数を記録 F比の大小の判別方法(F比が12.79の時)
5.
5 F比の大小の判別方法(F比が12.79の時) 100回中、F比が12.79を超えた回数を算出 = 12.79を超えた回数 100 p値 p値≦0.05なら有意とみなす =偶然で今回計算された 統計量( F比)を超える確率
6.
6 ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める ② そのデータのF比を計算する ③
0とは有意に異ならないデータにおける F比を例えば100回計算する。 ④ 100回中、F比が12.79を超えた回数を記録 F比の大小の判別方法(F比が12.79の時)
7.
7 ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める F比の大小の判別方法(F比が12.79の時)
8.
8 ① 絶対に予測誤差 がナイーブ予測と有 意に異ならないとわ かっているデータをた くさん集める F比の大小の判別方法(F比が12.79の時)
9.
9 どうやって? パラメトリックブートストラップ を使って
10.
10 パラメトリックブートストラップ? シミュレーションによりある確率分布に従う ランダムなデータを生成して、 統計量を算出すること
11.
11 今回の内容 1.RをつかってPB検定する 2.確率分布を理解する 3.正規分布~正規線形モデルを理解する
12.
12 実演
13.
Histogram of sim.F.value Density 0
5 10 15 20 0.00.20.40.60.81.0 確率分布 ○~×に位置するデータの割合が求まる
14.
14 確率分布 シミュレーションで出すのは大変・・・ もっと簡単にp値を計算できないか? http://ja.wikipedia.org/wiki/F%E5%88%86%E5%B8%83 計算で出せる(df()の中身)
15.
15 まとめ ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める パラメトリックブートストラップ 計算が面倒なので 普通は偉い人の数式を使って確率分布を導く 質問どうぞ!
16.
16 Simulate関数 Simulate関数は どのようにしてデータを作っている? 1.データはあるモデルに従って生成される 2.しかし、データはモデルの方程式通りに 出てくるのではなく、 方程式の出力を期待値とした 独立な正規分布に従って生成される
17.
17 データはあるモデルに従って生成される YはOptionの影響を受けていない と考えたモデルから擬似データを生成した 毎回値が変わるのはなぜ? 正規分布に従う乱数から出された値だから
18.
18 正規分布とは? 確率分布です ○~×に位置するデータの割合が求まる 用例) ある正規分布において、 データが3~2の範囲内に収まる確率は? →10%です!
19.
19 正規分布とは? 平均を中心に左右対称な確率分布です 用例) 平均0の正規分布において、 データが3~2の範囲内に収まる確率=10%なら -3~-2の範囲内に収まる確率も10%
20.
20 正規分布とは? 平均によって中心位置が変わります 分散によって裾の広さが変わります。 -6 -4 -2
0 2 4 6 0.00.10.20.30.40.5 正規分布 確率 平均0、分散1 平均2、分散1 平均0、分散4
21.
正規分布とは? 分散小ならデータはほとんど平均のそばに現れる 分散大なら平均と離れた場所に現れる確率が上がる -6 -4 -2
0 2 4 6 0.00.10.20.30.40.5 正規分布 確率 平均0、分散1 平均0、分散4
22.
22 正規分布の何がすごいか 1.計算がいろいろと楽 2.正規分布に従うデータは数多い 3.合計値や期待値をとると、なぜか正規分布になる (中心極限定理)
23.
23 正規線形モデルとは? • 予測の方程式は線形である 気温10度の時、温度が1度上がると10本多く売れる 気温20度の時、温度が1度上がると10本多く売れる 気温90度の時、温度が1度上がると10本多く売れる ビールの売り上げを予測する
24.
24 正規線形モデルとは? • 予測の方程式は線形である • 予測からのデータのズレは 左右対称の正規分布に従う 限界を知ったうえで活用しよう 質問どうぞ!
25.
25 正規線形モデルの再確認 中心極限定理のシミュレーション 実演