hc.nikkan-gendai.com 全くひどい内容なので、指摘します。 がんは早期発見が一番です。 誤り、もしくは不正確です。 明らかに、本記事は検診の文脈ですので、早期発見とは、無症状時に発見する事に同義です。そして、がんは、無症状時に見つければ良いというものではありません（後述）。 早期発見を、あまり進行していないとの意味で用いる場合もあるでしょうが、いや、日常的にはそちらのほうでよく使われるのかも知れませんが、なればこそ、検診の文脈における用法を注意深く考えるのが、肝心です。 尤もここは、情況によって用法が異なる語の使いかた、という意味で、そこまで拘る事も無いのでは、と思われる所やも知れません。しかるに、次の指摘箇所は、明らかな誤りです。 感度は、Ａと診断して実際にＡだった人の割合。 全く違います。 まず注意として、診断を、判定や評価のように言い換えます。何故なら、一次検診（無
Elasticsearch × Bandit Algorithm を使った検索リランキングを最小工数で実現したアーキテクチャ - エムスリーテックブログ
こちらは 情報検索・検索技術 Advent Calendar 2022 の19日目の記事です。 エムスリーエンジニアリンググループ AI・機械学習チームでソフトウェアエンジニアをしている中村(po3rin) です。検索とGoが好きです。 今回はElasticsearch × バンディットアルゴリズムで検索リランキングを最小工数で実装したアーキテクチャを紹介します。バンディットアルゴリズムをオフラインで行うことで実装するべきものを最小限に出来た例として面白いと思います。 Overview 既存の検索基盤にバンディットアルゴリズムを使ったリランキングを組み込む Bandit Algorithm Batch BigQueryからElasticsearchへのインデックス API 検索ログ アーキテクチャの考察 リアルタイムな探索ができない 候補アイテムの入れ替わりが激しいと探索が収束しない可能性
連載目次 確率という言葉は、微分やベクトルなどとは異なり日常生活でもよく使われる言葉です。しかし、その割に、何だかよく分からないという印象を持っている人も多いようです。感覚的に理解できるというのがかえってアダになっているのかもしれませんね。 そこで、今回は確率をきちんとおさらいします。その上で次回は、機械学習の基礎として幅広く利用されているベイズの定理についての理解を深めていきたいと思います。具体的には、今回と次回で以下のようなトピックを扱います。 今回「確率の基本から条件付き確率までをおさらいしよう」： 【その1】確率の表し方： 目標と解説 【その2】和事象・積事象、排反事象： 目標と解説 【その3】独立と従属、条件付き確率： 目標と解説 次回「機械学習でよく使われる『ベイズの定理』を理解する」： 【その4】ベイズの定理： 目標と解説 【その5】ベイズの定理の展開： 目標と解説 【その6
研究者「」@1copyからのRT-PCR on Twitter: "なぜ日本の医師や医学生アカウントが感度/特異度/事前確率/事後確率、あのクロス表にコロッと騙されたのか、それはテストに出るので意味もわからず覚えたからです。ここに掘り返した初心者向けベイズ推定の教科書があるのですが章の最初のページ… https://t.co/zBPVuosjuA"
なぜ日本の医師や医学生アカウントが感度/特異度/事前確率/事後確率、あのクロス表にコロッと騙されたのか、それはテストに出るので意味もわからず覚えたからです。ここに掘り返した初心者向けベイズ推定の教科書があるのですが章の最初のページ… https://t.co/zBPVuosjuA
Pyroで実践するベイズ機械学習
本書について #Pyroで実践するベイズ機械学習は、Uber AI Labsが中心となって開発を進めている確率的プログラミング言語Pyroを用いてベイズ機械学習を行う方法を解説した入門書です。ベイズ機械学習の基礎からPyroでそれをどのように実装するのかまでを解説していきます。 本ドキュメントは2021/08/08 現在、制作中です。 本ドキュメントはオープンなプロジェクトであり、そのため協力者を広く求めています。本書のソースコードは GitHub上で公開されています。 本書への追記や修正などありましたら、上記GitHubにてIssueの発行、またはPull requestをお願いいたします。 本ドキュメントは Creative Commons Attribution-ShareAlike 4.0 International License のもとで公開されています。
ＣＯＮＴＥＮＴＳ 投資関連本によく出てくる『ベイズ推定』ってなに？ 世界的投資家はみんな使っている!! ベイズ推定 『ベイズの展開公式』を株式投資に応用する。 確率をもとにポートフォリオを構築する。 まとめ 投資関連本によく出てくる『ベイズ推定』ってなに？ 世界的投資家はみんな使っている!! ❝確率でモノを考えるという初歩的ではあるがやや直感に反する技術を身に着けないと、人生という尻蹴とばし競争に片足で参加するはめになる。❞ 【チャーリー・マンガー(天才投資家)】 株式投資について学ぶ上で決して避けては通れないのが『確率の計算』です。 100％文系脳の私のような投資家には非常に高いハードルであり、ここで挫折してしまう人も多いでしょう。 そんな確率の計算の中でも、株式投資において特に重要なのが ベイズ推定です。 ベイズ推定は多くの投資本で紹介されていて、例えば ウォーレン・バフェットの銘柄選
(たぶん)報道されなかった日本の闇ニュース［65］【『自民党裏金問題』自民、会計責任者「名前貸した」 高木毅氏側が報告書の印鑑用意か】 - ioritorei’s blog
(たぶん)報道されなかった日本の闇ニュース［65］ (たぶん)報道されなかった日本の闇ニュース［65］ (たぶん)報道されなかった日本の闇ニュースとは 自民3派閥の会計責任者らを立件 安倍派幹部7人は不起訴 裏金事件で特捜部 裏金1000万円程度なら実質「セーフ」 自民、会計責任者「名前貸した」 高木毅氏側が報告書の印鑑用意か 【神への生け贄】人身御供が生み出していた階層化社会 (たぶん)報道されなかった日本の闇ニュースとは 最近、テレビでニュースをご覧になりましたか？ 久しぶりにテレビのニュースを見て驚愕した。 トップニュースがメジャーリーグでの日本人選手の活躍、もしくは芸能人のゴシップだと？ どこまで平和ボケすれば気が済むんだ、日本人。 それもこれも本分を忘れたマスコミが、権力に丸め込まれているからに他ならない。 情報の捏造なんかは御茶の子さいさい。 国民の怒りの矛先を、巧みな情報操作
最近、「ディープラーニング」という言葉を耳にする機会は増えていますよね。ディープラーニング(深層学習)とは、人間が自然に行うタスクをコンピュータに学習させる機械学習の手法の一つで、近年開発が進む「自動運転」の技術もこの手法がカギを握っているとされています。では、「ベイズ理論」という言葉を知っている方はどのくらいいるでしょうか。確率論に基づいて統計的にデータを解釈する理論のことで、一見すると機械学習やディープラーニングとは関係ないようにも見えます。 そこで、今回は統計や機械学習、AIのブログ「作って遊ぶ機械学習。」を執筆し、ベイズ統計学・機械学習・ディープラーニングについての著書もお持ちの須山敦志さんに来ていただいて、ベイズ理論とディープラーニングの関係性や機械学習を学ぶうえでのポイントなどを解説してもらいました。誰もが聞いたことのある機械学習と統計手法であるベイズ理論がどのように関係してい
(機械学習)混合ガウス分布におけるEMアルゴリズムを実装を交えて丁寧に理解しようとした - Qiita
はじめに 現在、ベイズ推論について勉強しています。今回、混合ガウス分布におけるＥＭアルゴリズムについて私の理解を記しておこうと思います。 勉強を進めていく中で、簡単な例で良いので図示したり具体化しながら考えることで式や言葉の理解が非常に早く進むなぁ、と感じています。 なので、なるべく実装を交えて理解しやすい記事にできたら良いなと思います。 今回こちらの記事を多大に参考にさせて頂きました。概念から式変形、実装に至るまで非常にわかりやすくまとめられております。 EMアルゴリズム徹底解説 https://qiita.com/kenmatsu4/items/59ea3e5dfa3d4c161efb EMアルゴリズムとは EMアルゴリズム(Expectation Maximazation algorithm)とは、隠れ変数を含むモデルの学習・最適化に使われるアルゴリズムのことです。 混合係数 用語の
アカデミック領域へのキャリアチェンジで見えたもの ーリサーチエンジニアとして掴んだ手応えと描く未来ー | FEATUReS サイバーエージェント公式オウンドメディア
「同じ社内での異動なのにまるで転職したような気分だった。」 そう話すのは、AI技術の研究開発組織「AI Lab」でリサーチエンジニアとして活躍する新卒3年目の芝田。 入社後「AbemaTV」で動画配信システムの開発を行っていた芝田が、さらなる技術力を磨くべくチャレンジの場として選んだ「Al Lab」。 そして現在、唯一の社外コミッターとして「Optuna※」の開発に関わったり、国際会議「The Web Conference 2020」の論文採択に貢献するなど、次々と実績を出していく彼に、アカデミック領域への挑戦の真意や、エンジニアとしてのキャリアの築き方を聞きました。 ※Preferred Networks社が提供するハイパーパラメータ自動最適化フレームワーク 目次 ①チャレンジの決め手は、論文を読み知識を積み上げる技術の磨き方 ②アカデミック領域でも活きたこれまでの経験。高速化のため
寄稿 現代の人工知能と「言葉の意味」。そして記号創発システム。 谷口忠大（立命館大学教授、情報理工学） | 小特集：人間生活、意味、記号 | Vol.45 | REPRE
寄稿 現代の人工知能と「言葉の意味」。そして記号創発システム。 谷口忠大（立命館大学教授、情報理工学） １ 言語を操る人工知能と「大規模言語モデル」 人工知能が記事を書いた。人工知能が小説を書いた。人工知能がとても自然な翻訳をした。人工知能が論文を要約した。人工知能が流暢な言い回しで受け答えをした。などなど、言語に関わる人工知能のニュースが世の中にあふれている。 言語理解は人工知能開発において残る最後のチャレンジの一つであると言われながら、素人目には「もう、ほとんど出来ているのではないか？」と思わされるような成功がこの五年ほどの間で続いてきた。これらの成功の多くはBERT[1]やGPT-3[2]を始めとする「大規模言語モデル」に基づいている。 [1] Devlin, Jacob, et al. "BERT: Pre-training of deep bidirectional transf
この記事の目的と対象者 この記事は、統計をほとんど勉強したことがない人が、立派に「ベイズ統計」というナウでヤングな統計学について語れるようになるまでの道標を示します。 ドヤ顔でベイズ統計について正しいことを語れるようになる、統計に詳しい人とがガッツリ議論できるようになるぐらいまでがこの記事のゴールです。 この記事の勉強をしたところでベイズ統計を使いこなせるようになるわけではないことに注意してください。 現場で使いこなせるようになるには、プログラミングがある程度できる必要もありますし、対象となる実データも必要です。 本当に統計的処理をする前には、前処理なんかも必要ですよね…… 統計を使ったデータ分析には、統計学の理論だけではなく、様々な道具を身につける必要があるのです……涙 （よみがえる眠れぬ夜のおもひでたち……） 基本的には書籍を使った勉強法を紹介していきます。 ある程度、統計学のことが分
分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・実験条件・合成条件・製造条件・評価条件・プロセス条件・プロセス変数などの特徴量 x と分子・材料の物性・活性・特性や製品の品質などの目的変数 y との間で数理モデル y = f(x) を構築し、構築したモデルに x の値を入力して y の値を予測したり、y が目標値となる x の値を設計したりします。 データ解析・機械学習でモデルを構築し始める際のサンプル数の目安について、もちろんモデルを構築する時には、可能な限り多くのサンプルを用いることが望ましいです。多くのサンプルを用いることで、サンプルの変化に強い (例えばサンプルが一つ追加されたり一つ削除されたりしても結果の変わりにくい) 頑健なモデルを構築できる可能性が高まります。頑健なモデルにより、より妥当な x の設計やモデルの解釈が可能になります。 ただし、サンプルを集め
Vertex Pipelines で動く Kubeflow Pipelines のサンプルを公開しました - Repro Tech Blog
Repro AI Labs で Software Engineer として働いている杉山阿聖です。Repro では機械学習の基盤として GCP を用いています。今回は Google I/O 2021 で発表された Vertex AI のサービスのひとつである、機械学習パイプラインの構築・運用を行える Vertex Pipelines で動かせるサンプルを作成したのでその紹介をします。サンプルは次のリンクからお試しください。 reproio/lab_sample_pipelines この記事ではまず、機械学習パイプラインの主な要件について述べます。次に、機械学習パイプラインの構築で用いられる Kubeflow Pipelines について概要を述べます。最後に、機械学習パイプラインの構築にあたり理解が必要な Kubeflow Pipelines の仕様について、今回作成したパイプラインを例に
QST（NICT， 阪大）からのプレスリリース（2023.11.30）へのコメント｜神谷之康（Yukiyasu Kamitani）
量子科学技術研究開発機構（QST）量子生命・医学部門 量子生命科学研究所、情報通信研究機構（NICT）未来ICT研究所、大阪大学大学院生命機能研究科から発表された最近のプレスリリース とメディア報道に対して、いくつかの懸念点があるため、ここに記載します。 論文について主に最近のプレスリリースに対する懸念を述べたいと思いますが、論文自体に関する懸念についても触れておきます。より詳細な分析と専門家向けのコメントは、英語でのコメンタリーとして後日公表する予定です。 この論文は、間島 慶さんを責任著者として執筆され、Neural Network誌に掲載されました。間島 慶さんは私の研究室の元メンバーであり、共著者である他の二人も個人的に親交のある研究者です。私にとって、リスペクトする研究仲間の論文発表に対して批判的な意見を述べることは胃が痛む思いですが、これまでの個人的な対話では解決しない問題があ
WADA＠開示請求 on Twitter: "1年にもなるのに，結局分かりやすい説明は私が書くしかないか(ベイズの表を持ち出すのばかりでついに見かけなかった)。 感度：病気である人を正しく病気であると判定できるかどうかの指標 特異度：病気でない人を正しく病気でないと判定できるかどうかの指標"
1年にもなるのに，結局分かりやすい説明は私が書くしかないか(ベイズの表を持ち出すのばかりでついに見かけなかった)。 感度：病気である人を正しく病気であると判定できるかどうかの指標 特異度：病気でない人を正しく病気でないと判定できるかどうかの指標
EMアルゴリズムとともだちになろう | ドクセル
スライド概要 2022年8月14-16日に行われたベイズ統計学勉強会'22夏（いわゆるベイズ塾夏合宿）での発表に使ったスライドです。質問・ご意見等がございましたらメール（h.muto[at]zm.commufa.jp）等でお知らせください。
拡散モデルについて思ったこと、統計モデリング等との関係 - xiangze's sparse blog
久しぶりの投稿になります その間世の中では様々なことが起こりましたがStable diffusion,novelAI, DALL-e, midjourneyなど画像生成AIの流行もその一つです。 画像生成AIの性能の中核とも言える拡散モデルに関して他の機械学習手法との関連、そして多くのアイデアの源泉となった非平衡統計物理学，統計モデリング、進化生物学などとの関係に関して思ったことを書きます。 ためになる論文、本のリンクも貼ります。 目次 目次 score matchingとの関係 他の生成モデルとの関係 非平衡統計物理学との関係 統計モデリングの手法との共通点、相違点 情報幾何との関係 進化生物学との関係 専用ハードウェアへのヒント？ なぜ拡散モデルはうまくいくのか コンテンツ生成以外の応用 その他 Next Step(ToDo) ためになるリンク 英語 ためになる本 Fitness la
「Kaggleで勝つデータ分析の技術」について（内容編） - threecourse’s blog
10/9に技術評論社から、「Kaggleで勝つデータ分析の技術」が出版されます（amazon）。 （ブログ主＝著者の一人の門脇です） gihyo.jp 多くの予約を頂いているようで大変有難いです。もし評価がひどくて多方面から矢が飛んで来たらどうしようと怖くなることもありますが、何だかんだで自信を持って出せる本に仕上がったと思っています。以下で、見どころや意図を紹介します。 目指したところ 私が目指したのは、テーブルデータについて「Kaggler（＝Kaggleの参加者）の暗黙知を明らかにする」ことです。一度整理したかったですし、なかなか綺麗にまとまっている資料はないようです。 CourseraのHow to Win a Data Science Competitionが比較的近いテーマですが、英語なのはともかく、動画での講義なので情報を整理するコストがなかなか高いですし、またこの講座とも違
システム部の福原です。 最近はデータ分析事業に従事しています。 社でも新しい取り組みで、試行錯誤の毎日です。 また、個人としてもデータ分析の基礎を学びたいと思ったので、統計学の勉強をしています。 そこで、いろいろなところで紹介されている統計学入門を読んでみました。 https://www.amazon.co.jp/dp/4130420658 この書評を書いてみたいと思います。 はじめに、至極簡単に読んだ感想をお伝えしておくと、統計の基礎を一通り学びたい人におすすめできると思いました。 詳しい感想・読んだ印象は一番最後にまとめてあります（目次からも飛べます）。 それでは、内容紹介に入っていきますので、この本の内容が気になる方は読んでみて下さい。 大まかな内容紹介 多数の数字データの特徴や傾向を知りたい。 特にそれぞれのデータではなく、全体的な傾向が知りたいと考えたとします。 そのための数字デ
ベイズ最適化を中心とした能動学習のためのモデリングやアルゴリズムの解説，適用例の紹介Read less
はじめに 機械学習の世界ではベイズ最適化を活用した効率的なハイパーパラメータチューニングが当たり前のように使われております。例えば、2015年には東京大学の佐藤先生がベイズ最適化を上手くを活用した実践的な研究成果をご発表されております この発表で解説されている通り、ハイパーパラメータの選定作業すら機械に任せてしまうことができるため、これ以降もベイズ最適化が昨今の機械学習ブームのさらなる飛躍に貢献していきました。ベイズ最適化が機械学習のハイパーパラメータ選定に使われる理由は大まかに下記の点であるといわれています。 1.ブラックボックス関数(コスト関数)の最大化・最小化を実現できる。 2.グリッドサーチよりもパラメータ調整のための試行回数を大幅に削減できる。 3.確率モデルに基づく方法のため、推定結果の不確かさもモデリングできる。 特に、1番と2番の利点は複雑なコスト関数・対象に対して，なるべ
はてなブログ独自の集計による人気記事のランキング。10月18日（日）から10月24日（土）〔2020年10月第4週〕のトップ30です*1。 # タイトル／著者とブックマーク 1 コードレビューの目的と考え方 - osa_k’s diary by id:osa_k 2 「紙に印刷すると間違いに気づく理由」に根拠はない - izumino’s note by id:izumino 3 テスト、正常系から書くか異常系から書くか - hitode909の日記 by id:hitode909 4 20年以上前に購入したボロボロのレッドウィング アイリッシュセッター875（半円犬タグ）を復活させた - はらですぎ by id:haradesugi 5 認証と認可と課金とコアドメインを分離したシステムは勝てるという話 - まっちゅーのチラ裏 by id:ma2k8 6 歳を取ったエンジニアとして腕力のあ
国友直人のホームページ
私のホーム・ページにようこそ 制作協力：福井崇人・一場知之/最後の訂正:2023年1月15日 [ 英語 | 日本語 ] 研究・教育活動の主な分野 統計学、計量経済学、数理・計量ファイナンス、経済統計学、データサイエンス(統計科学) 最近の活動 社会協力活動 国土交通省第三者委員会委員(建設工事受注動態統計調査の不適切処理問題, 2021.12.23-2022.1.14) 報告書, 国土交通省 研究協力 経済時系列解析プログラム・季節調整法X12SIML(佐藤整尚先生, 2023.2.1) 日本語解説, 英語解説 新刊 「データ分析のための統計学入門」("OpenIntro Statistics, 4th Edition" by D.Diez, M.Cetinkaya-Rundel and C.Barr, 日本語印刷版(誤植訂正版), 日本統計協会, 小暮厚之氏・吉田靖氏と共訳,2021年3
量子力学の新解釈、QBismとは何か（H. C. フォン・バイヤー『QBism』松浦俊輔 訳、木村元 解説）【解説公開】｜森北出版
量子力学の新解釈、QBismとは何か（H. C. フォン・バイヤー『QBism』松浦俊輔 訳、木村元 解説）【解説公開】 2018年3月発行、『QBism：量子×ベイズ――量子情報時代の新解釈』への、木村元氏による「解説」の全文です。 解説：QBイズム解体著：木村元（芝浦工業大学 システム理工学部） 客観：人間の行動・思惟には関係なく独立に存在する物質・自然。 主観：外界を知覚、意識する主体。 ――『講談社国語辞典 第三版』量子力学ほど奇妙な学問は存在しないと思う。「思う」とは書いたが、これは私の主観ではなく、科学史上、客観的な事実であると言っても過言ではない。もっとも、「奇妙という感覚自体が主観である」という指摘がくるであろうから、客観的な史実を説明した方がよいだろう。まずはじめに断っておくと、量子力学は、現代物理学の支柱であり、現代科学技術の欠かせない基盤でもある。あらゆる素粒子現象、
アラフォーで文系出身のおっさんが米国コンピュータサイエンス修士に入学した話｜Yohei@Ph.D. in Business
注：この記事は、永続的に全文無料で公開しています。 はじめに / 勝手な謝辞この記事は、社会人学生アドベントカレンダーの12日目です。現在、ウィスコンシン大学マディソン校のMaster of Science in Computer Science - Professional Master’s Programに所属している@YorkNishimura1と申します。アドベントカレンダーを作ってくださった@momiji_fullmoonさん、ありがとうございます。11日目の@wakadori_Mk3さんの1年の絵師鍛錬の成果がすごすぎて、プレッシャーに感じています。 留学の準備期間中、@tkm2261さんのこの記事、@katryoさんのこの記事、@rui314さんのこの記事、@fushiroyamaさんのこの記事、@noralifeさんのこの記事を読んで、出願時の有益な情報を得たり、米国を目指
0.はじめに 『現代数理統計学の基礎』(久保川達也 著)の章末問題の答案を作成する．略解は久保川先生がこちらのサイトに掲載して下さっているが，「略解」なだけあって途中式がかなり端折られていたり，エレガントすぎて凡人では思いつきようのない解答だったりするので，多少計算がゴツくなったとしても庶民的な答案を心がける．また必要に応じて答案とは別に必要な知識の確認を行う． 各リンクから問題の方針と答案に飛べる． 1.確率 (易) ベン図書く (易) 和事象，積事象の性質 (易) 条件付き確率と同時確率 (易) 部分集合についての確率 (易) 条件付き確率の典型問題 (易) 条件付き確率の典型問題2 (易) 因果関係と相関関係，独立性 (易) 和事象と確率の和 2.確率分布と期待値 (標準) 分布関数，密度関数の定義 (標準) 分布関数，密度関数の定義2 (標準) 分布関数，密度関数の定義3 (標準)
例題： 日本人の0.01%が罹患しているある病気について考えます。この病気の検査方法では、実際に病気に罹患している人が陽性と判定される確率が95%、逆に罹患していない人が陰性と判定される確率は80%であると言われています。 ある人がこの病気の検査を受けて陽性という判定を受けた時、本当にこの病気に罹患している確率はいくらでしょうか。 検査で陽性になる事象を事象、検査で陰性になる事象を事象（事象Aの余事象）、実際に病気に罹患している事象を事象、罹患していない事象を事象とします。ベイズの定理を使うと、求める確率はとなります。 問題文から、それぞれの確率は次のようになります。 病気に罹患している確率： 病気に罹患していない確率： 実際に罹患している人が検査で陽性となる確率： 実際に罹患していない人が検査で陰性となる確率： 実際に罹患していない人が検査で陽性となる確率： これらの値を①の式に当てはめ
【2019 MLEインターンシップ】機械学習で旅行をプランニングする - Platinum Data Blog by BrainPad
ブレインパッドでは毎年学生向けのインターンシップを開催しています。今年も、昨年に続いて「機械学習エンジニア（Machine Learning Engineer, MLE）コース」を実施し、今回は3名がインターンシップに参加しました。その取り組みと成果をご紹介します！ こんにちは、アナリティクスサービス本部AIプラクティス部の伊藤です。 今回は、今年の8月末から9月にかけて実施した機械学習エンジニアコースのインターンシップの内容についてお伝えします。 はじめに インターンの紹介と取り組みテーマ インターンシップの進め方 最終報告会 宿泊先のレコメンド（恒川さん） 周遊プランニング（藤原さん） 寄り道先のランキング（佐藤さん） 懇親会 まとめ はじめに 今年は「機械学習による旅行プランニング」というテーマで1か月間のインターンシップを実施しました。京都と名古屋から、3名の方がインターンシップに
機械学習関連の入門書籍まとめ
こんにちは、GMOアドマーケティングのS.Sです。 今回は機械学習について少し知りたいと思ったときに、参考になりそうな書籍をご紹介します。 ここで紹介する書籍の多くは、目次やドラフトが著者や出版社のご厚意で閲覧できるようになっているので、中身を確認してから購入することができます。 機械学習全般 いざ機械学習を知ろうと思っても必要となる事前知識やカバーされるトピックの範囲が広すぎて、いきなり分厚い鈍器のような本をcover-to-coverで読むのはしんどい気がするので、全体像をつかむ初めの一冊によさそうなのがはじパタと言われています。 はじめてのパターン認識 平井 有三 https://www.morikita.co.jp/books/book/2235 はじパタなどで概観をつかんだら、次は主要な機械学習手法についてもう少し詳しく学んで見たくなった場合に参考になる書籍を紹介します。 次の3
注意機構・自由エネルギー原理・ニューラルネットの概念の獲得
モダン・ホップフィールドネットと正準ニューラルネットには，どちらも生物学的妥当性をもつ再帰型ニューラルネットとして提案された，という共通点がある．この投稿では，モダン・ホップフィールドネットと正準ニューラルネットにまたがる共通点を掘り下げていくことによって，注意機構，自由エネルギー原理，そしてニューラルネットにおける概念の獲得という一見異なる容貌をした３つの概念が，隠れた水路を通じてお互いにつながり合うことを明らかにしたい． 1. ホップフィールドネット 1−1. モダン・ホップフィールドネットと注意機構 モダン・ホップフィールドネットは，離散的な状態しか持たない古典的なホップフィールドネットを拡張したモデルで，連続的な状態とそれに対応した状態の更新式を備えている[1]．この新しいホップフィールドネットには，①多くのパターンを連想空間に保存する指数関数的な記憶容量を持ち，②1回の更新でパタ
Livesense Advent Calendar 2021 の 3 日目を担当しますテクノロジカルマーケティング部の池谷です。 以前以下のような記事を書きましたが、今回はその続きです。 made.livesense.co.jp やったこと 私が所属するチームでは、 A/B テストの実施を補助する社内ツールとしての Web アプリケーションを開発・運用しています。 Brain Optimizer と呼ばれるこのツールは、パターン振り分けのエンドポイントを払い出したり、テスト結果を確認したりできる機能を持っています。 今回、以下のように A/B テストの結果どちらのパターンが勝ったのかをグラフィカルに確認できるようにしました。分布の表示だけでなく勝率も併せて表示することで、深い統計的知識がなくとも手軽に統計学の恩恵を受けられるようになりました。 課題 Brain Optimizer には以前
岩波書店『統計的テキストモデル』サポートページ
注: 上記のPDFは皆様にコメントをいただき, さらに良い教科書とするために許可を得て公開しています. ぜひ, コメントをお寄せください. 特に, 自然言語処理の初心者の人文系の方や, 社会科学系の方からのご意見を歓迎しています. NLPの専門家の方や理系の方も, お気づきの点がありましたら, ぜひお知らせください. コメントの宛先は, 目次ページの表紙, またはこのページの一番下にあるメールアドレスにお願いします. 内容的には, 初心者の方(特に人文系の方)でも理解できるように注意を払いましたが, 専門家に近い方でも楽しめるよう, レベルの高い話も脚注等で随所に盛り込んでいます. 図表が未完で??となっている明らかな箇所などは当方でも把握していますが, それ以外で誤っている点や, 説明がわかりにくい場所がありましたら, ぜひお知らせいただけましたら幸いです. その他, ご提案がありました
はじめに ベイズ統計モデリングは、データを確率モデル（確率分布とパラメータの関係式）に当てはめ、ある現象がどのように起こったか（＝データがどのように生成されたか）を解釈し、将来のふるまいを予測するために用いられる手法です。 勾配ブースティング木やニューラルネットワークなどの機械学習の手法では、ある現象がどのように起こったか、つまり、説明変数と目的変数の関係についての背景知識がなくても、ある程度の予測性能を達成するモデルを構築することができます。しかし、構築したモデルはブラックボックスとなっており、結果の解釈が難しく、どの機械学習の手法が適切なのか（＝汎化性能が十分なのか）の判断が難しい場合があります。 一方、ベイズ統計モデリングは、データを使って学習を行う前に、現象に関する背景知識（＝データ生成に関する仮定）を確率モデルの形で組み込むことができます。つまり、ドメイン知識・基礎集計などによっ
コロナウイルスPCR検査を行う場合に事前確率が低いと考えられる場合には検査を行うべきではないと主張する人達がいます。 その理由としてベイズの定理を用いた計算で事後確率が低くなるからとしています。 本当なのでしょうか？ 動画を説明しますと 有病率0.1％、精度(感度、特異度)99％、10万人に検査を行った場合 本当に病気に罹患している人は100人、罹患していない人は99900人。 本当に病気に罹患している人で陽性と判定される人は99人、陰性と判定される人は1人。 罹患していない人で陽性と判定される人は999人、陰性と判定される人は98901人。 陽性と判定された場合に本当に陽性の確率は99/99+999 = 11/122 = 約9%(事後確率) 従って事前確率が低い場合は検査を行ってはならない。 岩田先生も数字は異なりますが同じようなことを言ってます。 PCR検査の特異度 厚生労働省の資料に
統計検定(R)は一般財団法人統計質保証推進協会の登録商標です。 0.はじめに この記事は統計検定1級(R)を受けた著者が自身の実施した勉強の仕方や、有益だった書籍やwebコンテンツをまとめたものです。これから勉強を始める方の見通しになるようにしたつもりです。他の合格者の方も同じように書かれていますから、コレ以外にも良い方法はあるかもしれませんので参考程度に考えて下さい。 なお応用に関しては理工学の受験だったため、それを中心とした解説を行います。 これまでにも過去の合格者で同じような情報を書いている人はいましたが時代の変化と共に教材もアップデートされ傾向も変わりつつあります。こちらは2023年末に執筆しているため、その時点の情報を元に著者がやって良かった教材などを中心に紹介しています。将来陳腐化している可能性は十分にあるので、必要に応じて取捨選択してください。 結論が知りたい人は先に最後の方
2022年1月8日紙版発売 2021年12月24日電子版発売 岡野原大輔 著 A5判／304ページ 定価2,948円（本体2,680円＋税10%） ISBN 978-4-297-12560-8 Gihyo Direct Amazon 楽天ブックス ヨドバシ.com 電子版 Gihyo Digital Publishing Amazon Kindle ブックライブ 楽天kobo honto 本書のサポートページサンプルファイルのダウンロードや正誤表など この本の概要 初学者の方々に向けた，ディープラーニングの技術解説書。 2012年に一般画像分類コンテスト（ILSVRC）で衝撃的な性能を達成したAlexNetの登場以来，急速な進化を遂げているディープラーニング。現在の人工知能/AIの発展の中核を担っており，スマートフォンからIoT，クラウドに至るまで幅広い領域で，画像，音声，言語処理をはじめ
AWS 認定 機械学習 – 専門知識(AWS Certified Machine Learning – Specialty)の学習方法とマシンラーニング・ディープラーニングの基礎知識が学べる学習リソースの紹介 - NRIネットコムBlog
小西秀和です。 この記事は「AWS認定全冠を維持し続ける理由と全取得までの学習方法・資格の難易度まとめ」で説明した学習方法を「AWS 認定 機械学習 – 専門知識(AWS Certified Machine Learning – Specialty)」に特化した形で紹介するものです。 重複する内容については省略していますので、併せて元記事も御覧ください。 また、現在投稿済の各AWS認定に特化した記事へのリンクを以下に掲載しましたので興味のあるAWS認定があれば読んでみてください。 ALL Networking Security Database Analytics ML SAP on AWS Alexa DevOps Developer SysOps SA Pro SA Associate Cloud Practitioner 「AWS 認定 機械学習 – 専門知識」とは 「AWS 認定
峰宗太郎氏、岩田健太郎氏のトンデモ記事｜臨床獣医師の立場から
たとえ、99.9999％でも議論は変わらない 「99%という特異度はあくまで説明用と思っていただいて結構です。ですが、リスク分析上はその程度で良いと思います。99.9％であろうが、99.99％であろうが議論は大きくは変わりません。 99％だろうが99.99％だろうが議論は変わらないそうです。 偽陽性率で考えると1％と0.01％になります。 100倍も違うのですが、議論は変わらないそうです。 科学者では無いのでしょうか？ 特異度は100％ではない、ということが一番重要です」 ゼロリスクを揶揄してそうな人ですが、検査に100％を要求しています。 「検査前確率（事前確率）が低い場合には、やはり偽陽性の可能性は特異度がかなり高くてもゼロではない。偽陽性では本当は感染していないのに隔離されてしまう、時に感染のリスクが上がるようなところへ入れられてしまうなど、より人権的に問題になる結果を招くこともある
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
中川恵一氏の誤り――がん検診の論理 - Interdisciplinary
［AI・機械学習の数学］確率の基本から条件付き確率までをおさらいしよう
投資関連本によく出てくる『ベイズ推定』ってなに？ - ミクサの脱社畜計画
ベイズ理論を使いこなすAIエンジニアが語る「機械学習」に必要な粘り強さとは | エスタイルAIメディア
Amazon.co.jp: ベイズ深層学習 (機械学習プロフェッショナルシリーズ): 須山敦志: 本
統計初心者がベイズ統計学に入門するまでの勉強法 - Qiita
データ解析・機械学習を始める際のサンプル数の目安(あくまで目安！)
【書評】「統計学入門」を読んでみた感想と内容紹介 - GMO RESEARCH Tech Blog
機械学習による統計的実験計画（ベイズ最適化を中心に）
Pythonによるベイズ最適化を使った効率的な制御系設計 - Qiita
今週のはてなブログランキング〔2020年10月第4週〕 - 週刊はてなブログ
『現代数理統計学の基礎』章末演習問題解答 (答案) - Qiita
10-6. ベイズの定理の使い方 | 統計学の時間 | 統計WEB
A/B テストの結果を人にやさしく表示する - LIVESENSE ENGINEER BLOG
PyStan / PyMC3 でベイズ統計モデリング - Qiita
ベイズの定理を用いてPCR検査の有用性を考える際の注意点｜臨床獣医師の立場から
統計検定1級(R)の勉強の仕方【2023年末版】 - Qiita
ディープラーニングを支える技術 ——「正解」を導くメカニズム［技術基礎］