理研AIP主催Micheal Jordan先生最適化セミナー聴講メモ - tkm2261's blog
お久しぶりです。 今日は10/20に参加した、理研AIPでのMicheal Jordan先生の講演のメモを書いていきたいと思います。 参加を許可頂いた理研AIPの方や司会の福水先生も良い会をありがとうございました。 Talk by Prof. Michael I. Jordan (University of California, Berkeley, USA) | 革新知能統合研究センター In this post, I am writing about Prof. Micheal Jordan's speak at Riken AIP in Oct. 20th. If you have some problems about this post, please inform to @tkm2261 on Twitter. いまはニートなので参加したセミナーの報告をする義務は全く無いのです
[PDF]最小二乗法の今と昔
‐‐ ‐‐ Yin Jun‐Feng (Tongji University) 5 . 6 . 2008 House Open NII • • • • ⎩ ⎨ ⎧ = − = + ) 2 ( 2 3 ) 1 ( 5 3 2 L L y x y x ⎩ ⎨ ⎧ = − = + ) 2 ( 2 3 ) 1 ( 5 3 2 L L y x y x 1 , 1 ) 2 ( 2 3 ) 1 ( 5 3 2 = = ⎩ ⎨ ⎧ = − = + y x y x y x L L 1 , 1 ) 2 ( 2 3 ) 1 ( 5 3 2 = = ⎩ ⎨ ⎧ = − = + y x y x y x L L x y 5 3 2 = + y x 2 3 = − y x ) 1 , 1 ( 0 ⎪ ⎩ ⎪ ⎨ ⎧ = + − = − = + ) 3 ( 1 ) 2 ( 2 3 ) 1 ( 5 3 2 L L L y x
PRML読書会の思い出（と復々習レーンkick-offのお知らせ） - naoya_t@hatenablog
しっかし３年前の６月にPRMLを読み始め「事前分布？ なにそれおいしいの」だった頃のshuyoに「３年後には言語処理学会やNAISTで発表してんねんで」とつぶやいてみたい。信じないだろうけどｗ PRML読書会を始めてくださった @naoya_t さんには感謝しまくってもし足りない— Nakatani Shuyoさん (@shuyo) 4月 9, 2012 PRML読もうとか言い出したのもう3年前になるのか… 生駒読書会 @mamorukさんの生駒日記より： 夕方、仕事の合間を縫って生駒市役所へ行き、転出届を出す。生駒市はかれこれ7年間住んだが、住みやすかったなぁ。NAIST に来る学生は不満たらたらな人も多いかもしれないが (遊び場所やバイト先がないとかいうことで)、家族で住むなら全国的にも相当住みやすい場所ではないかと思う。むしろ生駒を離れないといけないのが寂しい限りである。生駒を離れて
統計的機械学習入門
統計的機械学習入門(under construction) 機械学習の歴史ppt pdf 歴史以前 人工知能の時代 実用化の時代 導入ppt pdf 情報の変換過程のモデル化 ベイズ統計の意義 識別モデルと生成モデル 次元の呪い 損失関数, bias, variance, noise データの性質 数学のおさらいppt pdf 線形代数学で役立つ公式 確率分布 情報理論の諸概念 (KL-divergenceなど) 線形回帰と識別ppt pdf 線形回帰 正規方程式 正規化項の導入 線形識別 パーセプトロン カーネル法ppt pdf 線形識別の一般化 カーネルの構築法 最大マージン分類器 ソフトマージンの分類器 SVMによる回帰モデル SVM実装上の工夫 クラスタリングppt pdf 距離の定義 階層型クラスタリング K-means モデル推定ppt pdf 潜在変数のあるモデル EMアル
オンライン最適化とRegret最小化 - DO++
大量のデータから、何か有益な情報を求める問題の多くは最適化問題を解くことに帰着されます． 最適化問題とは与えられた関数fの値を最小（最大）にするような変数xを探すといった問題です。 例えば、機械学習（これを利用する自然言語処理、情報検索など）、画像処理、AI(ロボットの経路制御）、 など多くの分野で最適化問題は登場します。 その中でもオンライン最適化（機械学習の文脈でいえばオンライン学習）と呼ばれる最適化手法は 実用性の高さと実装のしやすさから多く利用されるようになってきました。 このオンライン最適化は近年Regret（後悔）最小化というゲーム理論などで使われていた枠組みで 解析されることが多くなってきました。 今回はこのRegret最小化について簡単に解説してみようと思います。 （機械学習が詳しい人向けに補足すると、VC次元など他の機械学習を解析する手法と比べてRegret最適化の面白い
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
処理を実行中です
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
https://ibisml.org/archive/ibisml001/watanabe2010.pdf
