ＭＬ型推論の光と影影 @@平成廿一年東都大駱駝会平成廿一年東都大駱駝会 京都大学 五十嵐 淳 自己紹介 情報科学の研究をしています 専門はプログラミング言語とか型理論とか 研究のひと�
ＭＬ型推論の光と影影 @@平成廿一年東都大駱駝会平成廿一年東都大駱駝会 京都大学 五十嵐 淳 自己紹介 情報科学の研究をしています 専門はプログラミング言語とか型理論とか 研究のひとつはJavaの改良ですが、Javaでプログラ ムは書きません(けません) ML歴16年、OCaml歴は11年くらい の著者です 小学生の解法 全員ラクダだとすると足の数は 4 x 7 = 28 本 実際には20本あるから8本分ラクダが多い ラクダ一匹をOCamlプログラマに置き換えると 足は2本減るから4人置き換えれば丁度よい OCamlプログラマ 4匹、ラクダ 3 匹 いきなり鶴亀算 OCamlプログラマとラクダが合わせて7匹いる。 足の数が合わせて20本である時、 OCamlプログラマとラクダはそれぞれ何匹いるか。 中学生の解法 OCamlプログラマの数を x、ラクダの数を y とすると、 x + y =
ネスペイージス：ネットワークスペシャリストWeb教科書
◆ ネスペイージスとは ネスペイージス (ネットワークスペシャリストイージス) は、ネットワークスペシャリスト対策のためのWeb教科書。 ネスペイージスでは、ネットワークスペシャリスト試験で出題されるネットワーク技術に焦点をあて、体系的に学習 できるように構成しています。ただし、ネットワークスペシャリストの午前Ⅰで出題されるネットワーク技術と関連 が薄い「情報化と経営」や「システム監査」の解説はしておらず、その対策は過去問を繰り返し解くことが必要です。 ※ 真のネットワークスペシャリストになりたい方は Network Study 1 と Network Study 2 と Network Study 3 の全てをご参考下さい。 01. ネットワークとは 02. ネットワークストレージとは 03. ネットワークトポロジーとは 04. プロトコルとは 05. OSI 参照モデルとは その1 0
本を読むコツとしての「わからないところは飛ばす」 - Line 1: Error: Invalid Blog('by Esehara' )
はじめに 一時期、自分は一週間に三冊の本を消化することを目標にしていたことがあった。 もちろん、それで本の内容を理解したとはとても言いがたいとは思うし、今はほぼやっていない。しかしそういう多読スタイルを続けていると、不思議なことに、おぼろげながらに「型」というものが出来てくる。どのようなアプローチで本に取り組むべきなのか、ということがだいたいわかってくる気になる。 今回はその話をメモしておこうと思う。 追記 ちょっと誤解を生みやすいみたいなので、ここで補足します。 これから語られることは、どちらかというと「ちょっと難しい本を少しずつ砕きながら読む」という形なので、例えば小説であったり、簡単なエッセイとか、そういう本の読み方として期待するとちょっと違うという印象になるかもしれないです。 上のような記事を期待されたかたは、恐らくがっかりすると思うので、追記しました。 最初から全部理解してやろう
一人で読めて大抵のことは載っている「講座」もの全リスト 読書猿Classic: between / beyond readers
「講座」もの、と呼ばれるシリーズ物の出版物がある。 シリーズ名に「○○講座」とか「講座××」と付いているのがそれだ。そう名乗らないものもある。 出版社によって、いくらか違いはあるが、ある時点での当該分野の研究成果を整理して示すことを目指した企画ものと考えてよい。 読み手の立場に立てば次のようになる。 「講座」ものとは、その分野で何が問題であり、何が分かっていて、どんな未解決の課題があるのか、その学問のコンテンツとコンテキストを、第一人者たちがざっくりと、しかし紙面の制限をあまり受けずに、紹介してくれている出版物だ。 はじめての分野に挑むなら、その分野について「講座」ものがないか、チェックすることをお勧めする。 以下の記事で紹介したself-containedな（必要なものはその中に全部書いてある）教科書は日本ではあまり出版されないが、その欠けているところを実質的にカバーしているのが「講座」
MD5 - Wikipedia
MD5（エムディーファイブ、英: message digest algorithm 5）は、暗号学的ハッシュ関数のひとつである。ハッシュ値は128ビット。 概要[編集] MD4が前身であり、安全性を向上させたもの。1991年に開発された。開発者はMD4と同じくロナルド・リベスト。 d41d8cd98f00b204e9800998ecf8427e のようなハッシュ値が得られる。 用途[編集] 一般的な暗号学的ハッシュ関数と同様に使用できる。ただし、後述の脆弱性があり強度が必要な場合には使ってはいけない。 実際の使用例[編集] FreeBSDはインストール可能なCDイメージと、それのMD5値を同時に配布している。（MD5値の改変はないと仮定して）インストール可能なCDイメージが、途中で改変されていないことを確認してみる。 md5 コマンドを、イメージファイルに実行する。 localhost%
アマノイワトと流しそうめん
昨日の続きっぽいのだが、日米での中途採用の感じについて。 日本の新興ベンチャーだと、これはと思う人材を大企業から引き抜いてこようというときには、三顧の礼で手を変え品を変えお願いし続けて数年がかりで呼び込んでくる、という感じになる。 一方、シリコンバレーは3－4年でどんどん転職するのが普通の場所。一つの転職に時間をかけるのは無駄。よって、次から次へと登場する候補者をどんどん面接して評価して、よさそうな人はさくっと取らないと、別の会社に行かれてしまう。 つまり、日本の中途採用は「アマノイワト型」。隠れてしまったアマテラスを誘い出すために、みんなで飲めや歌えの大宴会をしてじわじわと誘い出す形式。 シリコンバレーは、そうめん流し。目の前に流れてきたそうめんをサッと取らないと、そのそうめんは流れていってしまう。が、そうめんは次から次へとやってくるので、またいつかはいいそうめんがやってくる。シソとネギ
計量経済学 - Wikipedia
また、多次式、指数、対数、ロジスティック方程式は、変数を1次に変形した回帰方程式で表せる。 単係数の有意性[編集] 最後に、単回帰分析によって得られた最小二乗推定量の棄却可否は、最小二乗推定量が定数項と説明変数の数の和を自由度とするt分布に従うことから、T検定によって検定される。帰無仮説で係数を0とするt値が高いほど有意である確率、つまりモデルが棄却される確率であるP値が低くなる。 統計的仮説検定の論理を厳密に辿るなれば、この検定では係数が0か否かを検定しているに過ぎず、たとえ帰無仮説を採択できなくなったとしても、それが係数が他の特定の値であることを支持している訳ではない。対立仮説の設定いかんにより、片側検定・両側検定の違いはあっても、検定していることは0かどうかということだけである。 多重回帰[編集] 説明変数を2つ以上にする場合を多重回帰または重回帰という。 推定量の導出[編集] 重回
Z-order curve - Wikipedia
In mathematical analysis and computer science, functions which are Z-order, Lebesgue curve, Morton space-filling curve,[1] Morton order or Morton code map multidimensional data to one dimension while preserving locality of the data points. It is named in France after Henri Lebesgue, who studied it in 1904,[2] and named in the United States after Guy Macdonald Morton, who first applied the order to
PRML読書会#12に行ってきた - yasuhisa's blog
C.M.ビショップ「パターン認識と機械学習(PRML)」読書会（第12回） : ATND きれいにまとめてる時間がないので、あとから自分が見て分かるだけのメモ。 K-meansは混合ガウスをEMでやったときのとある極限と考えることができる ハード割り当て 図9.10の下の図の付近 生成モデルと識別モデル。生成モデルも事後分布とか使えばサンプリングできる? SVMとかだと無理っぽい。識別モデルのほうはモデルの仕方とか特徴空間に飛ばすのかとかで色々できない場合がありそう 9.3.4の線形回帰をEMでやるやつはwを潜在変数と見なしているけど、これは潜在変数が連続の場合になっている この辺の積分はwに関してであることに注意 一般化EMと変分ベイズの違いを完全に忘れてるので復習 Mスレップを頑張るのところで、id:tsubosakaさんが「オンラインEMのところがその例になっているのではないか」と言
Untitled - how to study math
t33f: 数学の勉強法だそうな。七割ぐらい同意。疑問なのは、これを本人の意図通りに理解できる人がどれくらいいるのかなーということ http://tinyurl.com/dmjao5 [http://twitter.com/t33f/statuses/1557896282] knenet: １、定義、定理、解き方を覚える→無理＼(^o^)／ [http://twitter.com/knenet/statuses/1557900326] t33f: 「覚える」という言葉は不用意に使うと正しく伝わらない恐れがあると思うんだな。だから誤解を生まないかと気になる [http://twitter.com/t33f/statuses/1557902126] t33f: 基本的には川東先生メソッドだと思うので、数学専攻してる人間にとってはある程度広く知られたやり刀のではないかと思う。ただ、少し違うのは「
永井・ベイズ分析の第二歩〜予測分布を求める〜 - Ito Mikio Seminar Wiki
2008-11-26 RecentDeleted FrontPage FrontPage/2008-11-26 卒論作成プロセス(中澤) 本 森川弘康 堀先行研究追試 2008-11-25 第三章 判別分析の勉強 森川 2008-11-22 怪しい書き込みへの対処のページ 永井・エネルギー政策の方向性 その２ 永井・エネルギー政策の方向性 その３ 永井・競争企業がどのような行動にでるか 2008-11-19 先行研究の追試 New小岩直人 先生への質問(中澤) 信用リスク評価の数理モデルの自習 阿部 阿部知行 永井・なぐり書き集 2008-11-18 高山卒論ノート 2008-11-17 永井・エネルギー政策の方向性 永井・経済基本データ 永井・四半期GDP 2008-11-15 永井・どーでもいい話 2008-11-14 永井・サブプライム問題関連用語集 永井・サブプライム問題経緯（簡略
Sparse matrix - Wikipedia
An important special type of sparse matrices is band matrix, defined as follows. The lower bandwidth of a matrix A is the smallest number p such that the entry ai,j vanishes whenever i > j + p. Similarly, the upper bandwidth is the smallest number p such that ai,j = 0 whenever i < j − p (Golub & Van Loan 1996, §1.2.1). For example, a tridiagonal matrix has lower bandwidth 1 and upper bandwidth 1.
疎行列 - Wikipedia
上の疎行列には非ゼロ要素が9個しかなく、ゼロ要素は26個ある。スパース性は74%であり、密度は26%である。 2次元の有限要素問題を説いた時に得られる疎行列。非ゼロ要素を黒で表している。 数値解析と計算科学の分野において、疎行列（そぎょうれつ、英語: sparse matrix）または疎配列（英語: sparse array）とは、成分のほとんどが零である行列のことをいう[1]。スパース行列とも言う。行列が疎であると判定するためのゼロの値を持つ要素の割合について厳密な定義はないが、一般的な条件としては、非ゼロ要素の数が行数または列数におおよそ近いものである。逆に、ほとんどの要素が非ゼロ要素である行列は、密な（dense）行列であると見なされる[1]。行列のゼロ要素の数を要素数の合計で割った値を、行列のスパース性（sparsity）と呼ぶことがある。 概念的には、スパース性はペアワイズ相互作
曲線あてはめ - Wikipedia
曲線あてはめ（きょくせんあてはめ）またはカーブフィッティング（英: curve fitting）[1][2][3][4]は、実験的に得られたデータまたは制約条件に最もよく当てはまるような曲線を求めること。最良あてはめ、曲線回帰とも。一般に内挿や回帰分析を用いる。場合によっては外挿も用いる。回帰分析で曲線を求める場合、その曲線はデータ点を必ず通るわけではなく、曲線とデータ点群の距離が最小になるようにする。曲線あてはめによって得られた曲線を、近似曲線という。特に回帰分析を用いた場合には回帰曲線という。現実の実験データは直線的ではないことが多いため散布図、近似曲線を求める必要性は高い。 一般論[編集] 最小二乗法による最適関数の推定[編集] 我々が考えるべき問題は、実験データを実験を説明する「説明変数」と「目的変数」に分類した上で、説明変数 と、目的変数yの関係 を求めることである。説明変数とし
確率的勾配降下法 - 機械学習の「朱鷺の杜Wiki」
確率的勾配降下法 (stochastic gradient descent method)† 予測の誤差関数が \(E^N=\sum_i^NE_i\) のように，各データ点についての誤差の総和で表されているとする．例えば，2乗誤差なら \[E_i=(y_i-f(\mathbf{x}_i))^2\] とすれば， \[E^N=\sum_i^NE_i=\sum_i^N(y_i-f(\mathbf{x}_i))^2\] のように，各データ点の誤差の総和となっている． 最急降下法では \(N\) 個のデータ全体についての勾配を考えた \[\theta\leftarrow\theta-\nabla E^N\] 確率的勾配降下法では，総和の勾配を計算する代わりに，\(i\)個目データについての勾配を計算してパラメータを更新する手続きを \(i=1,\ldots,N\) について行う． \[\theta\
1
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
Google Code University - Google Code
What are the most important research papers which all NLP students should definitely read? Why?
http://tswww.ism.ac.jp/kawasaki/kouza02yk/