実証研究 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "実証研究" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL（2023年3月） 実証研究（じっしょうけんきゅう、英語：empirical research）は、直接的な観察や経験によって知識を得る方法である。 概要[編集] 経験的証拠[注 1]は、質的、量的に分析され得る。証拠の定量化や、質的にその筋を通すことで、研究者は経験的な質問に答えることができる。通常はデータと呼ばれる証拠を集め、明確に定義や回答を行う。研究計画は、分野や調査される疑問によって異なるが、多くの研究者は、社会科学や教育の研究室で研究出来ない問いかけに対し、より良い答えを
統計的因果推論 - Wikipedia
統計的因果推論（とうけいてきいんがすいろん、英: Causal inference in statistics）とは、実験データや観察データから得られた不完全な情報をもとに、事象の因果効果を統計的に推定していくことである[1]。20世紀後半から、ジューディア・パールや、ドナルド・ルービンらによって発展を遂げた。なお、「因果推論(Causal inference)」とのみ言う場合は、統計学に限らず哲学などを含めた、より広範な領域の議論を含むが、統計学、データサイエンス、経済学に関連する文脈で「因果推論」と言われる場合、しばしば「統計的因果推論」の手法に関わるものを指していることが多い。 手法[編集] 統計的因果推論のより具体的な手法としては、次のようなものが含まれる。[2] 実験計画法[編集] ランダム化比較試験（RCT：randomized controlled trial）： RCTは、
説明可能なAI - Wikipedia
説明可能なAI[1]（せつめいかのうなエーアイ、英語: Explainable artificial intelligence、略称XAI）またはAIを説明するための技術[2]は、人工知能 (AI) が導き出した答えに対して、人間が納得できる根拠を示すための技術である[3]。特定の技術やツールを指し示す言葉ではなく、「AIを理解する」という目的のために研究・提案されている技術の総称である[4]。XAIという用語は2017年4月から始まったアメリカ合衆国DARPA主導による研究プロジェクト（XAIプロジェクト）を契機として広く浸透した[1]。 背景[編集] 2010年代初頭の第三次AIブーム到来によりAIの利活用領域は多方面に広がり、自動運転車や病気診断など、影響の大きな、高い信頼性が求められる分野での利用も視野に入れられるようになってきた[5]。一般的なソフトウェアと異なり、機械学習により
統計モデル - Wikipedia
統計モデル（とうけいモデル、statistical model）は、標本データ（およびより大きな統計的母集団からの類似データ）の生成に関する一連の統計的仮定を具体化した数理モデルである。統計モデルは、データの生成過程をかなり理想化して表現していることが多い[1]。 統計モデルは通常、1つまたは複数の確率変数と他の非確率変数との間の数学的関係として規定される。統計モデルは「理論の形式的表現」（Herman AdèrによるKenneth Bollenの引用）である[2]。 すべての統計的仮説検定とすべての統計的推定量は、統計モデルを介して導出される。より一般的には、統計モデルは統計的推論の基礎の一部である。 導入[編集] 簡単にいうと、統計モデルとは「ある事象の確率を計算できる」という特別な特徴をもつ統計的仮定（英語版）（または統計的仮定の集合）と考えることができる。例として、2つの普通のサイ
特徴量 - Wikipedia
特徴量（英: feature）はデータを変形して得られ、その特徴を表現し、続く処理に利用される数値である[1]。表現（英: representation）とも。 概要[編集] 生データは必ずしも良い形をしていない。2つの属性が同じ意味を持ち冗長であったり、逆に2つの意味が1つの値に含まれ絡み合う場合もある。生データを変形し良い形にできればデータを上手く利用できる。この変形され、良い形を持ち、後続タスクで利用される値が特徴量である。 特徴量は生データから抽出される。抽出方法は専門家の知見を利用して考案される場合と機械学習によってデータから学習される場合がある。 特徴量は利用のために存在する。例えば分類（写真 → 特徴量 → 物体カテゴリ）、生成（文字 → 特徴量 → 画像）、圧縮（音声 → 特徴量 → 音声）に用いられる。その用途ごとに特徴量が持つべき特性は異なる。例えば圧縮用の特徴量はその
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://www.amazon.co.jp/dp/4798165948
https://www.amazon.co.jp/dp/4535557934
Amazon.co.jp: 「原因と結果」の経済学―――データから真実を見抜く思考法: 中室牧子, 津川友介: 本
https://www.amazon.co.jp/dp/4798177644
https://www.amazon.co.jp/dp/479816397X
https://www.amazon.co.jp/dp/4320006127
https://www.amazon.co.jp/dp/4815604053
https://www.amazon.co.jp/dp/4295016551
https://www.amazon.co.jp/dp/429712226X
https://www.amazon.co.jp/dp/4865942920
https://www.amazon.co.jp/dp/4274067750
https://www.amazon.co.jp/dp/4802613199
https://www.amazon.co.jp/dp/4254126654
Amazon.co.jp: 機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 (オライリー・ジャパン): Alice Zheng (著), Amanda Casari (著), 株式会社ホクソエム (翻訳): 本
https://www.amazon.co.jp/dp/4320112563
