[B! Statistics][Book] agwのブックマーク

https://x.com/mimikousi/status/1741293103015993429?s=12&t=YpIPcsjKfoTpmECNdRL-uw

agw 2024/01/01

リンク

多くの学生の声から生まれた，丁寧な解説でわかりやすい今までにない大学教材大学1年生の“統計学”の半期,もしくは通年の講義で教科書としてお使いいただけます。レイアウトは高校の教科書と同じようになっています。長年高校数学の教科書を発行してきた数研出版ならではの，読んでわかる大学の教科書です。統計学は, 理系・文系を問わず学問・研究において大切なツールであり，またすべての人の実生活に根差しております。しかしながら，大学で学ぶ解析学，代数学の知識を必要とすること，かつ解析学，代数学以外の統計学独特の作法があるため，学習者に「難しい」と言われることもあります。この難しさの克服には統計学の基礎的な事柄の徹底した理解が大切です。本書は，統計学を学ぶ動機，観測によって得られた値から見出せること，その値をもとに推定や検定を行うための一通りの知識や，計算によって得られた結果の統計的な考察の仕方につ

agw 2023/12/02

リンク

チャート式シリーズ　大学教養　統計学｜チャート式の数研出版

多くの学生の声から生まれた，丁寧な解説でわかりやすい今までにない大学教材慣れ親しんだ高校の青チャートと同じ例題形式で構成しています。姉妹書『数研講座シリーズ　大学教養　統計学』に掲載された練習・章末問題166問，本書『チャート式シリーズ　大学教養　統計学』にのみ掲載された34問を加え,計200問を例題形式で詳説した大学数学の青チャートです。それぞれの例題には，懇切丁寧な解答を付してあります。また，チャート式シリーズの特徴である「その問題を解決するための考え方を示す指針」,および関連する参考事項や注意事項などについても適宜解説を加え,理解が深まるようにしています。姉妹書『数研講座シリーズ　大学教養　統計学』と併読することで，さらに高い学習効果が得られます。

agw 2023/12/02

リンク

機械学習のための確率過程入門確率微分方程式からベイズモデル，拡散モデルまで | Ohmsha

第1章　確率論の基礎 1.1　ランダム事象と確率 1.2　確率空間と確率変数 1.3　確率変数の独立性 1.4　確率変数の相関 1.5　確率変数の和 1.6　確率変数の変換 1.7　累積分布関数と特性関数 1.8　モーメントとキュムラント 1.9　多変量の確率変数第2章　確率積分と確率微分方程式 2.1　ランダムな運動 2.2　確率過程 2.3　ブラウン運動とその性質 2.4　ブラウン運動と確率積分 2.5　確率微分方程式 2.6　伊藤の公式 2.7　確率微分方程式の具体例 2.7.1　オルンシュタイン・ウーレンベック過程 2.7.2　幾何ブラウン運動 2.7.3　一般化コーシー過程 2.7.4　多変数オルンシュタイン・ウーレンベック過程第3章　マルコフ過程の性質 3.1　確率密度関数による表現 3.2　マルコフ過程 3.3　フォッカー・プランク方程式の導出 3.4　フォッカー・プラン

agw 2023/10/01

リンク

基礎から学ぶ統計学

理解に近道はない．だからこそ，初学者目線を忘れないペース配分と励ましで伴走する入門書．可能な限り図に語らせ，道具としての統計手法を，しっかり数学として（一部は割り切って）学ぶ．独習・学び直しに最適本書の使い方統計学を学ぶ心がけ／予備知識／本書の学び方／のんびり取り組む／本書の難所／練習問題を解く／数学が得意なら／ご協力ください序章　はじめに１．統計学の必要性２．散らばり（バラツキ）３．基本的な用語と概念 ①観測値と標本　②母集団　③統計学の目的　④統計学の理論を支える土台　⑤単純無作為標本４．本書の２本柱 ①平均の比較　②2変数の関係５．検定統計量第Ⅰ部　統計的仮説検定の論理１章　検定の論理（二項検定を教材として）１．例題1：B薬はA薬より有効か？ ①例題1.1：18人に効果がある場合　②例題1.2：14人に効果がある場合　③例題の解答２．二項分布 ①二項係数 nC

agw 2023/09/24

リンク

ベイズ最適化 | 近代科学社

第1章　機械学習による適応的実験計画とベイズ最適化 1.1 データ駆動型実験科学とベイズ最適化 1.2 ブラックボックス最適化とハイパーパラメータ最適化 1.3 ベイズ最適化第2章　ブラックボックス関数のベイズモデリング 2.1 ベイズ線形回帰モデル 2.2 ガウス過程回帰モデル第3章　ベイズ最適化のアルゴリズム 3.1 はじめに 3.2 改善確率量獲得関数 3.3 期待改善量獲得関数 3.4 信頼下限獲得関数 3.5 トンプソン抽出獲得関数 3.6 エントロピー探索獲得関数 3.7 予測エントロピー探索獲得関数 3.8 ベイズ最適化の終了条件 3.9 出力の生成方法 3.10 ハイパーパラメータの取り扱い第4章　Optuna によるベイズ最適化の実装方法 4.1 Optuna とは 4.2 Optuna の基礎的な使い方 4.3 Optuna におけるベイズ最適化 4.4 BoTo

agw 2023/09/04

リンク

『ゼロからできるＭＣＭＣ　マルコフ連鎖モンテカルロ法の実践的入門』を書店で探す　講談社BOOK倶楽部

ＭＣＭＣの基礎から実践までをていねいに解説。ベイズ統計や物理学を例にコードを書いてすぐに自分でできるようになる！（まえがき抜粋）マルコフ連鎖モンテカルロ法は複雑な積分をしたい複雑な確率の計算をしたいという時に力を発揮する手法です．歴史的には物理学の分野で広く用いられてきましたが，最近では統計学の重要な道具として定着し，統計学的手法が重要な機械学習，金融などの分野でも用いられるようになっています．マルコフ連鎖モンテカルロ法はそれほど難しいものではありません．むしろ，極めて素直な発想に基づいたシンプルな手法です．もちろん，「シンプル＝簡単なことしかできない」と考えるのは大間違いです．どんなことにも言えますが，シンプルで本質を捉えたものほど幅の広い応用が可能になります．事実，量子物理学，ベイズ統計，組合せ最適化問題など，分野の違いはあったとしても，多くの問題が最終的に確率と期待値の問

agw 2022/12/22

リンク

https://twitter.com/nae_gucccchi/status/1599296390576082944

agw 2022/12/05

リンク

Pythonではじめるベイズ機械学習入門

第1章　ベイジアンモデリングとは 1.1 データ解析とコンピュータ 1.2 ベイジアンモデリングの基礎 1.3 代表的な確率分布 1.4 近似推論手法第2章　確率的プログラミング言語（PPL） 2.1 ベイジアンモデリングとPPL 2.2 自動微分・最適化アルゴリズム 2.3 PyMC3の概要 2.4 Pyroの概要 2.5 NumPyroの概要 2.6 TensorFlow Probabilityの概要 2.7 GpyTorchの概要第3章　回帰モデル 3.1 線形回帰モデル：線形単回帰モデル 3.2 線形回帰モデル：線形重回帰モデル 3.3 一般化線形モデル：ポアソン回帰モデル 3.4 一般化線形モデル：ロジスティック回帰モデル 3.5 階層ベイズモデル 3.6 ガウス過程回帰モデル：ガウス尤度 3.7 ガウス過程回帰モデル：尤度の一般化第4章　潜在変数モデル 4.1 混合ガウス