Sorry, JavaScript is required to view Global Stats charts.
日本のブラウザシェア率
Sorry, JavaScript is required to view Global Stats charts.
報酬が線形モデルで表せる時のバンディット問題
『バンディット問題の理論とアルゴリズム』本の，報酬がなんらかの特徴の線形モデルによって表現される場合に使える線形バンディットが前から気になっていたので輪読会で発表担当をするなど． スライド アルゴリズムの実装と人工データによる実験 LinUCBとThompson Sampling，報酬が正規分布のケース ロジスティック回帰モデル上のバンディット，報酬が二値のケース 感想 行動(腕)毎の報酬を推定するのでは無く，報酬モデルのパラメータを推定するという方策．妥当なモデルが作れたら実際に使えそうな感触． 実装は一発書きおろしで検算をしていないが，一応それっぽく動いた．ラプラス近似の処理が重いので勾配ベクトルとヘッセ行列の計算過程はキャッシュしておかないとつらい． LinUCBかThompson Samplingかどちらを使うかというと，報酬が同期で観測できない広告配信は後者一択で，報酬が二値の場
ベイズ統計学基礎 | Logics of Blue
新規作成日:2015年11月29日 最終更新日:2017年5月25日 ベイズ統計学とは、ベイズの定理を基礎とした統計学の体系です。 ここでは、ベイズの定理を、具体例を使って導入します。ベイズ更新、事前確率・事後確率の考え方を学んでください。 スポンサードリンク 目次 1．ベイズ統計学とは 2．事前確率と事後確率 3．ベイズ更新 4．データと事前確率と事後確率の関係 5．ベイズの定理 6．数式で見るベイズの定理 1．ベイズ統計学とは ベイズ統計学とは、ベイズの定理を基礎とした統計学の体系です。 というわけで、ベイズの定理がわかったら、ベイズ統計学の基礎がわかります。 ここでは、ベイズの応用はすべて無視して、ベイズの定理というベイズ統計学の基礎を学びます。 2．事前確率と事後確率 ベイズの定理を学ぶにあたって、覚えておかなくてはならない用語があります。それが、事前確率と事後確率です。 事前確率
データサイエンティストを目指す人のpython環境構築 2016 - Qiita
pythonの環境構築について "python 環境構築"でググると20万件くらいヒットしますが、割と内容が古いです。 タイトルにはデータサイエンティストと書いてありますが、データサイエンティスト以外にもanacondaはおすすめです。 2.x or 3.x? 3.xは動かないライブラリが多いので2.x推奨 > 3.xで動かないライブラリがある、くらいまで来ました。 easy_installでpipを入れて、setuptoolsも入れて、でもwheelというのもあって... > 古いです。 virtualenv 必須 > そんなこともないです。 winでは64bitは不具合が多いので32bit推奨 > 古いです。 winでは非公式バイナリからダウンロードしてインストール > お世話になりましたが、最近は使っていません。 2016版 OS毎python環境構築法決定版 Windows: an
イカサマコインの例で最尤推定とベイズ推定の違いを理解してみる - Qiita
はじめに 最近世の中で統計学が流行っています．ITの発展によりデータが容易に得られるようになり，いまや様々な業界のシステムでデータ解析機能の適用を検討しているのではないでしょうか．そうなると，IT技術者は深かれ浅かれデータ解析のプログラムに触る必要も出てくるでしょう．すると当然「推定」というキーワードにぶち当たるわけです．はて，統計的な推定とは如何なものか？と言う疑問が湧くでしょう． そんなわけで，統計学において得られたデータを元にある推定値を得る方法を探してみると，「最尤推定」とか「ベイズ推定」と言う手法は特に目に触れることになると思います． 初学者の小生は，これらの違いについて知りたくて，それっぽいキーワードでWeb検索をしたのですが，門前払いを食らってしまいました．何か，条件付き確率の式がウジュウジャ出てくる説明ばかりではあーりませんか！尤度？事前確率？もうーワケかららない！あー！
転移学習：機械学習の次のフロンティアへの招待 - Qiita
機械学習を実務で使う場合、「ではお客様、ラベルデータを・・・」と申し出て色よい返事が返ってくることはあまりありません。また、例えば自動運転車を作るときに、データが足りないからその辺流してくるか、お前ボンネットに立ってデータとってな、とするのは大変です。 NICO Touches the Walls 『まっすぐなうた』 より そこで必要になってくるのが転移学習です。 転移学習とは、端的に言えばある領域で学習させたモデルを、別の領域に適応させる技術です。具体的には、広くデータが手に入る領域で学習させたモデルを少ないデータしかない領域に適応させたり、シミュレーター環境で学習させたモデルを現実に適応させたりする技術です。これにより、少ないデータしかない領域でのモデル構築や、ボンネットに立つという危険を侵さずにモデルを構築することができるというわけです。 この転移学習の可能性は、NIPS 2016
速水桃子「パターン認識と機械学習入門」
IBIS 2021 https://ibisml.org/ibis2021/ における最適輸送についてのチュートリアルスライドです。 『最適輸送の理論とアルゴリズム』好評発売中！ https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-ru-men
p値
<< トップページへ << 目次へ 最終更新日： 2009.9.5 有意確率 統計的仮説のページでは帰無仮説と対立仮説について述べましたが、何を基準に（どのような値をもって）帰無仮説が棄却されるか否かを判断すればよいでしょうか。現在ではコンピュータの発展に伴い、容易にp値を計算することができるようになったので、このp値を見ることによって直接的に判断することができます。 p値とは「帰無仮説が正しいという条件の下で、検定統計量の値より大きな値が得られる確率」のことです。これがどういうことかを詳しく説明してみましょう。まず実験や調査によって得られる結果が常に正しいという場合、帰無仮説が正しいという事象をA、帰無仮説が棄却されるという事象をBとしてベン図で表現すると次のようになります。 これはAとBが決して交わらない、すなわち、どのような実験を行っても必ずAかBのどちらかしか起こりえないということ
http://homepage2.nifty.com/nandemoarchive/toukei_hosoku/ryougawa_katagawa.htm
<<目次へ 片側検定と両側検定のちがい いろいろな参考書をみると「有意水準0.05で片側検定しなさい」とか、あるいは巻末の分布表のところで「両側検定のにおける棄却の限界値」などという表現を見かけるでしょう。ところが実際に「片側検定と両側検定ってなんスか?」と思っている人もそう少なくはないはずです。それは「この場合はこの部分を見ればよいのだ」とマニュアル通りの方法で検定を行っているために起こる現象で、初段階ではむしろ当然のことでもあります。 しかしながら、最初はそのようなマニュアル通りの"サル真似"でも良いでしょうが、ある程度学習が進んでくるといつまでも首をかしげているようでは格好悪いです。というわけで、ここでは片側検定と両側検定の違いをしっかりと区別できるようになりましょう。 帰無仮説は1つ、対立仮説は・・・ 帰無仮説とは"棄却することを前提として立てる仮説"でしたがこの仮説は1つしかあ
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
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://db-event.jpn.org/deim2012/proceedings/final-pdf/e9-4.pdf