Rで機械学習【 精度比較シナリオ ② 】SVM vs ランダムフォレストモデル（日経平均 値動き幅 過去日連動性検証） - Qiita
Rで機械学習(PRML)：SVM vs ランダムフォレストモデル （株価シナリオ②）日経平均値動き幅 過去日連動性検証 【 検証事項 】 日経平均株価の各日の（取引時間内）の値動き幅（ボラティリティ： ((当日終値-当日始値)/当日始値)100) )は、X日前の値動きボラティリティ ( ((X日前の終値-X日前の始値)/X日前の始値)100) ) と、どのような関連性があるか。※X = 1 ～ 7 【 事前仮説 】 当日の値動きボラティリティ( ((当日終値-当日始値)/当日始値)100) )は、Xの値がより小さい X日前の値動きボラティリティ ( ((X日前の終値-X日前の始値)/X日前の始値)100) ) から、強い影響を受けている 【 背景にある知見 】 （ GARCHモデル ） ある日の株価ボラティリティは、近い過去日のボラティリティに引っ張られる」（上げ（下げ）相場が続いている期
多層パーセプトロンで手書き数字認識 - 人工知能に関する断創録
多層パーセプトロンが収束する様子（2014/1/23）の続き。数字認識は前にニューラルネットによるパターン認識（2005/5/5）をJavaで作りましたが今回はPythonです。 今回は、多層パーセプトロンを用いて手書き数字を認識するタスクを実験します。今回からscikit-learnというPythonの機械学習ライブラリを活用しています。ただ、scikit-learnには多層パーセプトロンの正式な実装はない*1ため多層パーセプトロンのスクリプトはオリジナルです。今回から比較的大きなデータを扱うためなるべく高速に動作し、かつPRMLと変数名を合わせることで理解しやすいようにしました。 digitsデータ 手書き数字データは、MNISTというデータが有名です。PRMLの付録Aでも紹介されています。今回はいきなりMNISTではなく、scikit-learnのdigitsというより単純なデータセ
指数型分布族とはなんぞ - Fire and Motion
皆さん，ご存じの指数型分布族(exponential family)について私の拙い理解をまとめておきたいと思います．指数型分布族といえば，難しめの統計学や機械学習の本を読んだときに突如出てきて，「え，何それ，指数分布じゃないの？僕，指数分布しか知らないよ−」と思っている読者を撲殺し，しかし，殺されている本人は「まぁ，たぶん指数分布みたいなものだろう，とりあえず読み進めよう」と見ない振りをしているアレです．えぇ．私もそういう理解です．しかし，このままではいかんので，そこらへんにあった文献を元に簡単な理解をまとめておきたいと思います．ちなみに私の初エンカウンターはPRMLでした．てか，（私が学んだゆるい）大学時代の講義ではこんなもの習わなかったのですが，この指数型分布族とはどういう統計の授業では学ぶモノなのでしょう…．単なる勉強不足かもしれませんが…． あいつもこいつも指数型分布族 まず，P
パターン認識と機械学習（PRML）まとめ - 人工知能に関する断創録
2010年は、パターン認識と機械学習（PRML）を読破して、機械学習の基礎理論とさまざまなアルゴリズムを身につけるという目標（2010/1/1）をたてています。もうすでに2010年も半分以上過ぎてしまいましたが、ここらでまとめたページを作っておこうと思います。ただ漫然と読んでると理解できてるかいまいち不安なので、Python（2006/12/10）というプログラミング言語で例を実装しながら読み進めています。Pythonの数値計算ライブラリScipy、Numpyとグラフ描画ライブラリのmatplotlibを主に使ってコーディングしています。実用的なコードでないかもしれませんが、ご参考まで。 PRMLのPython実装 PRML読書中（2010/3/26） 多項式曲線フィッティング（2010/3/27） 最尤推定、MAP推定、ベイズ推定（2010/4/4） 分類における最小二乗（2010/4/
『PRMLガール』を出版します | TAKESAKO @ Yet another Cybozu Labs
今年の暗黒通信団の夏コミ新刊として『PRMLガール』～ 文芸部のマネージャーが「パターン認識と機械学習」を読んだら ～ をこのたび出版することになりました。 表題：『PRMLガール』 副題：～文芸部のマネージャーが「パターン認識と機械学習」を読んだら ～ 著者：中谷 秀洋 著 本文：24ページ 領価：税抜150円 ISBN：978-4-87310-184-2 (C0041) 発行：2013年4月1日 初版 第1刷 元のオリジナルは、id:n_shuyoさんのブログ記事になりますが、今回の夏コミ新刊に際して、プロの漫画家さんによる表紙イラストの描きおろしと、ライトノベル風味のあとがき「あとがきがわりのACガール」を新作として追加しています。 『PRMLガール』はネタとしてお買い求めやすい150円(税抜)と、既刊『円周率1000000桁表』の314円(税抜)の半額以下のKindleストア並の価
パターン認識と機械学習 (PRML) 第１章－「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) の第１章、「多項式曲線フィッティング」「確率論」に関しまとめ話した講師資料です。 －PRML復習レーン（第1回） (10/05/01) #PRMLrevenge hamadakoichiRead less
PRMLガール 〜 文芸部のマネージャーが「パターン認識と機械学習」を読んだら 〜 - 木曜不足
放課後の学食は、普段なら常時腹を空かせた運動部の連中があちこちにたむろっているのだが、今日は珍しく先客は一人きりだった。 静かな様子にほっとしたカズは、まったり休憩でもしようとジュースを片手に奥の目立たない席を目指す。が、学食で筆記用具を広げている女子生徒の横を通り過ぎたところで突然立ち止まった。 振り返ってその先客をよく眺めると、ツインテールの頭をどこか見覚えのある黄色い本に乗せて、机に突っ伏すようにして寝ていた。カズは思わず近寄って、本の正体を確認するためにのぞき込もうとしたそのとき。 「やっぱ、わかんない！ ……って、ひゃあ!?」 「わわっ」 突然跳ね起きたその生徒は、目と鼻の先にいたカズの姿にびっくりして悲鳴を上げた。カズもやはり驚きうろたえてしまった。 二人してしばらくそのまま息をのむようにして顔を見合わせていたが、そのうちどちらともなくぷっと吹き出した。 「あはは、ごめん……す
ナイーブベイズを用いたテキスト分類 - 人工知能に関する断想録
今までPRMLを読んで実装を続けてきましたが、10章からは難しくて歯が立たなくなってきたのでここらで少し具体的な応用に目を向けてみようと思います。機械学習の応用先としては画像の方が結果を見ていて面白いんですが、当面は自然言語処理を取り上げます。そんなわけで一番始めの応用は機械学習と自然言語処理の接点として非常に重要なテキスト分類（Text Classification, Text Categorization）の技法たちを試していきたいと思います。テキスト分類は文書分類（Document Classification）という呼び方もあります。テキストと文書は同じ意味です。最初なので自分の知識の整理と入門者への紹介のためにちょっと丁寧にまとめてみました。 テキスト分類とは テキスト分類とは、与えられた文書（Webページとか）をあらかじめ与えられたいくつかのカテゴリ（クラス）に自動分類するタス
PRML 演習問題 解答例 - 第1章 - HeyWiki
PRML Ex. 1.1 PRML Ex. 1.2 PRML Ex. 1.3 PRML Ex. 1.4? PRML Ex. 1.5 PRML Ex. 1.6 PRML Ex. 1.7? PRML Ex. 1.8? PRML Ex. 1.9? PRML Ex. 1.10? PRML Ex. 1.11? PRML Ex. 1.12? PRML Ex. 1.13? PRML Ex. 1.14 PRML Ex. 1.15? PRML Ex. 1.16? PRML Ex. 1.17? PRML Ex. 1.18? PRML Ex. 1.19? PRML Ex. 1.20? PRML Ex. 1.21? PRML Ex. 1.22? PRML Ex. 1.23 PRML Ex. 1.24? PRML Ex. 1.25? PRML Ex. 1.26? PRML Ex. 1.27? PRML Ex. 1.
Building High-level Features Using Large Scale Unsupervised Learning
3. ILSVRC 2012 大規模物体認識のコンテスト http://www.image-net.org/challenges/LSVRC/2012/ Classification Localization Team name Error Team name Error 1 Super Vision 0.15315 1 Super Vision 0.335463 2 Super Vision Deep LearningVision 0.16422 2 Super 0.341905 3 ISI 0.26172 3 OXFORD_VGG 0.500342 4 ISI 0.26602 4 OXFORD_VGG 0.50139 5 ISI 0.26646 5 OXFORD_VGG 0.522189 6 ISI 0.26952 6 OXFORD_VGG 0.529482 7 OXFORD_VGG
PRML合宿まとめサイト
■上巻 第1章: 序論 序論ではまずパターン認識の最も簡単な例として多項式曲線フィッティングを取り上げ、パターン認識・機械学習の基本的な枠組みを紹介する。そしてベイズの定理や統計量などの確率論の基礎を導入し、確率論の観点から再び曲線フィッティングを扱う。不確実性はパターン認識の分野における鍵となる概念であり、確率論はこれを定量的に取り扱うための一貫した手法を与えるため、この分野における基礎の中心を担っている点で重要である。 また、回帰・識別の実際の取り扱いに際して必要となる決定理論や、パターン認識・機械学習の理論において役立つ情報理論の導入についても行う。 発表資料はこちら(ppt)とこちら(ppt)。前半では多項式曲線フィッティングの例およびベイズ的確率を、後半では決定理論および情報理論を取り扱っている。 第2章: 確率分布 第2章では二項分布や多項分布、ガウス分布といった各種の確率分布
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
PRML 演習問題 解答例 - HeyWiki