情報・システム研究機構 統計数理研究所 赤池統計学の世界 赤池統計学の世界 情報・システム研究機構 統計数理研究所 赤池弘次氏(1927-2009) 伊庭幸人氏撮影 情報量規準AICの提唱による統計 科学・モデリングへの多大な貢献 に対して京都賞を授与される. 情報・システム研究機構 統計数理研究所 数理解析 赤池弘次氏の歩み 1950 周波数領域 解析へ 時間領域モデリング モデル評価とAIC ベイズモデルへ ゴルフスイング の解析 1960 2000 1990 1980 1970 構造 モデルへ 情報・システム研究機構 統計数理研究所 数理解析(理論) 1952 1962 1960 1958 1956 1954 最急降下法 収束性 最急降下法 収束性 モンテカルロ法 モンテカルロ法 固有値 計算法 固有値 計算法 On a successive transformation of pr
インストール † TeX Live は OS ごとにインストール方法が異なります. それぞれの OS のインストール方法を参照してください. TeX Live は年次ごとにバージョンが新しくなりますが,基本的に古い年次のものが既にインストールされていても,気にせずに新規インストールと同じ手順をとって構いません。 Microsoft Windows Windows へのインストールは,TeX Live/Windows を参照してください. MSYS2、Cygwin へのインストールも可能です. macOS macOS へのインストールは,TeX Live/Mac を参照してください. Linux Linux/Arch Linux/Manjaro Linux#texlive Linux/Linux Mint/Debian/Ubuntu#texlive Linux/Fedora#texlive
概要 『ベイズ推論による機械学習入門』のChapter3のp105~p114に線形回帰の事後分布の求め方がのっていたので、実際にJuliaで実装し、線形回帰のパラメータを求めてみました。 機械学習スタートアップシリーズ ベイズ推論による機械学習入門 (KS情報科学専門書) 作者: 須山敦志,杉山将出版社/メーカー: 講談社発売日: 2017/10/21メディア: 単行本(ソフトカバー)この商品を含むブログ (1件) を見る ちなみに今回のアプローチは経験ベイズ的なアプローチです。 完全ベイズ的なアプローチである、事前分布のハイパーパラメータに自体に分布を仮定してMCMCでサンプリングして更新していくというやり方ではなく、事前分布のパラメータは適当な値を設定し*1、データから計算して事後分布のパラメータを求めていくアプローチです*2。 したがって既にStanなどで完全ベイズ的なベイズ推定に親
これまでリッジ(Ridge)回帰やラッソ(Lasso)回帰、ElasticNetなどの線形回帰についてまとめてきた。 最小2乗法(OLS)をscikit-learnで使ってみる ラッソ(Lasso)回帰とリッジ(Ridge)回帰をscikit-learnで使ってみる Elastic Netを自分なりにまとめてみた(Python, sklearn) これらは以下の線形モデル \hat{y} = X\omega \\ を構築する重み \omega の値そのものを求めるというものだった。 今回はこの重みのばらつき具合(確率分布)も合わせて出してくれるベイズ回帰についてまとめる。 定式化 扱うモデル 今回は基底関数の線型結合したモデルを使うことにする。 この基底関数 \phi (\boldsymbol{x}) は多項式基底やガウス基底が使われる。 多項式基底 多項式基底は 1, x, x^2, \
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