Hiroshi Nakagawa
つぶやかないでお説教ばかりツイートするという最も邪道なTwitterユーザです。twitterの連続したツイートをトギャリャいいものを、わざわざFB用に編集しなおしたりする時代遅れな人です。 プライバシー k-匿名化 プライバシー保護 人工知能 差分プライバシー ai 匿名化 人工知能倫理 privacy 個人情報保護 仮名化 秘密計算 個人情報 パーソナルデータ ai倫理 accountability artificial intelligence シンギュラリティ 自意識 privacy protection private information retrieval 準同型公開鍵暗号 匿名加工情報 pseudonym k-anonymity differential privacy データマイニング サンプリング パーソナルaiエージェント aiエージェント ai ethics アカ
Nonparametric Bayes Tutorial
Machine Learning Summer School 2012 Bayesian nonparametrics. P Orbanz. Machine Learning Summer School, 2012. [Videolectures] [Slides] Lecture 1: Clustering, Dirichlet processes, IBPs [Slides] Lecture 2: Gaussian processes, model construction, exchangeability, asymptotics Machine Learning Summer School 2009 At MLSS 2009, I gave two talks on the basics of measure theory and stochastic process concep
Spectral Approaches to Learning Latent Variable Models: ICML 2012
Slides, sample code, and videos are now available (see below on this page). Many problems in machine learning involve collecting high-dimensional multivariate observations or sequences of observations, and then hypothesizing a compact model which explains these observations. An appealing representation for such a model is a latent variable model that relates a set of observed variables to an addit
Deep Learning Tutorials — DeepLearning 0.1 documentation
Deep Learning Tutorials¶ Deep Learning is a new area of Machine Learning research, which has been introduced with the objective of moving Machine Learning closer to one of its original goals: Artificial Intelligence. See these course notes for a brief introduction to Machine Learning for AI and an introduction to Deep Learning algorithms. Deep Learning is about learning multiple levels of represen
representation-learning-tutorial-2012
ICML 2012 Representation Learning Tutorial Yoshua Bengio U. Montreal June 26th, 2012, Edinburgh, Scotland The success of machine learning algorithms generally depends on data representation, and we hypothesize that this is because different representations can entangle and hide more or less the different explanatory factors of variation behind the data. Although domain knowledge can be used to he
K-Fold Cross-Validation
SLDM III c Hastie & Tibshirani - February 25, 2009 Cross-validation and bootstrap 3 K-Fold Cross-Validation Primary method for estimating a tuning parameter λ (such as subset size) • Divide the data into K roughly equal parts 1 TrainTrainValidation Train Train 5432 • for each k = 1, 2, . . . K, fit the model with parameter λ to the other K − 1 parts, giving ˆβ−k (λ) and compute its error in predic
Software by Radford Neal Available On-Line
The following software packages are available for free use. All use of this software is at the user's own risk. pqR - my version of the R interpreter, with improved performance and extensions, including a preliminary version of automatic differentiation. Software for flexible Bayesian modeling and Markov chain sampling. This software implements Bayesian models for regression and classification bas
協調フィルタリングのグラフィカルモデル - nokunoの日記
協調フィルタリングとはAmazonのお勧めのように「この商品を購入した人はこんな商品も購入しています」という情報を用いて推薦をする手法です。グラフィカルモデルはベイジアンネットワークとも呼ばれ、最近一部で流行している機械学習の手法です。今回は、協調フィルタリングをグラフィカルモデルで表現したらどのようになるだろう、と考えて思いついたアイデアを紹介します。 今、ユーザuとアイテムiの組{u,i}のデータが大量に与えられているとします。例えばソーシャルブックマークならユーザとブックマークしているページの組み合わせ、E-commerseならユーザと購入した商品の組み合わせ、などです。ここではSBMを例に考えるので、はてブと同様にユーザはマイナスの評価を付けることはできないものとします。 このときユーザuに対してお勧めのページを推薦することを考えると、ユーザuがまだブックマークしていないページiに
Hashing with Graphs - Anchor Graph Hashing
2011年6月24日の数理情報学輪講で発表したときのスライド資料です。ICML2011 の論文 "Hashing with Graphs" の紹介です。Read less
次世代シーケンサが求める機械学習
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion ModelsDeep Learning JP
機械学習における連続最適化の新しいトレンド | PDF
機械学習では既存の最適化手法をただ持ってきて適用すればよいかというと，最近のデータサイズの増加とともにそのような簡単な状況ではなくなっています．大きなデータを解析するためにはあまり複雑な手法は使えない代わりに問題の性質を深く考慮することが非常に重要です．そのため，内点法などの最新の最適化手法ではなく，60年代-70年代に研究された古い手法に注目が集まっています．この発表ではスパース推定問題を単純スパース推定問題と構造付きスパース推定問題に分類し，それぞれに対し講演者が最近行った研究を紹介します．
面白そうと思いつつ読めてない論文達 - yasuhisa's blog
自分用メモ。今は読んでる場合じゃないのだけれど(誰か紹介して)、どっかにメモっとかないと忘れる論文。"かなり"重要そうなのをピックアップしてある。 Painless Unsupervised Learning with Features (pdf, presentation) Parsing Natural Scenes and Natural Language with Recursive Neural Networks (pdf) Joint Parsing and Alignment with Weakly Synchronized Grammars (pdf, presentation) Type-Based MCMC (pdf, presentation) Distance Dependent Chinese Restaurant Processes (pdf) というかまだ読ん
ICML2011読み会を開催しました #icmlreading - nokunoの日記
というわけでPFIで開催しました!伝説のレッドブル倉庫はこちら．ICMLは機械学習分野のトップカンファレンスです．今回は，ICML2011の予稿集から1人30分程度で論文の紹介を行いました．ICML 2011, The 28th International Conference on Machine Learning - Bellevue, Washington Sparse Additive Generative Model for Text by @tsubosakaさんIcml2011 reading-sage View more presentations from tsubosaka論文 背景 LDAなどのDirichlet-Multinomialを使った文書生成モデルが流行っている 問題1：Inference Cost 問題2：Over parametrization 問題3：
クラスタリング (クラスター分析) - Toshihiro Kamishima
クラスタリング (clustering) とは，分類対象の集合を，内的結合 (internal cohesion) と外的分離 (external isolation) が達成されるような部分集合に分割すること [Everitt 93, 大橋 85] です．統計解析や多変量解析の分野ではクラスター分析 (cluster analysis) とも呼ばれ，基本的なデータ解析手法としてデータマイニングでも頻繁に利用されています． 分割後の各部分集合はクラスタと呼ばれます．分割の方法にも幾つかの種類があり，全ての分類対象がちょうど一つだけのクラスタの要素となる場合(ハードなもしくは，クリスプなクラスタといいます)や，逆に一つのクラスタが複数のクラスタに同時に部分的に所属する場合(ソフト，または，ファジィなクラスタといいます)があります．ここでは前者のハードな場合のクラスタリングについて述べます．
ソフトな推論Markov Logic Networkの紹介 - Preferred Networks Research & Development
予約したもののインフォバーを手に入れられない海野です． 人間の高度な知的処理の一つが、推論処理です．今日はその推論を、述語論理と機械学習の組み合わせで模倣したMarkov Logic Networkという手法と、そのOSS実装であるAlchemyの紹介です． 鳥とはなんですか？という質問に対してどう答えるでしょうか．大雑把には、以下のように考えるでしょう． 鳥とは、空を飛ぶ動物です． この回答に対して、「ペンギンは飛ばないよ」と反論する人がいるかも知れません． 鳥とは、くちばしを持った動物です． すると、「カモノハシは鳥じゃないよ」と言われるでしょう．人間は初めて見た生き物が鳥かそうじゃないか判断するとき、どうしているのでしょうか．思うに、少数の規則（飛ぶかどうか．くちばしをもつか）から総合的に判断しているように思われます．人間の推論というのは概ね以下のような特徴を持っているのではないかと
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
ALIZÉ opensource speaker recognition
ポスターセッション | IBIS2012
Amazon.com: Optimization for Machine Learning (Neural Information Processing Series): Sra, Suvrit, Nowozin, Sebastian, Wright, Stephen J.: Books
http://case.f7.ems.okayama-u.ac.jp/statedu/hbw2-book/node115.html
Kaggle: Your Machine Learning and Data Science Community