はてなブックマーク

全部で3103ポスターが登録されていましたが、そのうち、 バイオインフォマティクスに分類されたものが360、統計解析に分類されたものが447、あり、併せて、807題、全体の26%に上りました。 昨年までの集計をしていないので、正確なことは言えませんが、数年前に比べると、比率が大きくなっているのは確かだと思います。 そんな「存在感」をましつつある、計算機・解析系ですが、学会全体でのプレゼンスと言う意味では、やはり弱めなのは、この学会が考えている「発見されるべき真実」が、いわゆる「単一遺伝子疾患」に見られるような、明快な「原因」であるからなのでしょう。 そんな目で見ると、たくさんある計算機系・解析系の発表も、大きく分けて２つに分けられそうです。 （１）大規模化するデータから、いかに、「明快な原因としての因子」を同定するかに向けた次のアクションをサジェスチョンするための情報提供手法（『たくさんあ

こちらで多次元のcloud dataを可視化するcytoSPADEのことを書いた 今日は多様体学習で２次元埋め込みをするtSNEを 資料はこちら 基本処理 データ点が多くない場合は全データ点を用いる 高次元空間でのペアワイズな点間距離を、観測データから定める ２次元(もしくはその他の下げた次元)の対応点の座標について、ペアワイズな点間距離を同様に、低次元空間での観測点から定める(ここでKL divergenceを使う：この点が別のこの点として観察される確率は？のようにして、ある点がどの点と遠いか近いかを相対的に(尤度的に)評価する) 高次元でのペアワイズ点間距離分布と低次元でのそれとの異同をペアワイズなKL divergenceをまとめたもの(和だったり、joint distributionのそれだったりとする)で測り、それが最小になるように低次元座標を求める(勾配法) 高次元・低次元の２

教科書は『統計学のための数学入門30講』シリーズ 科学のことばとしての数学 永田 靖 著 朝倉書店 おすすめ度★★★★★ 統計学のための数学入門30講 (科学のことばとしての数学) 作者: 永田靖出版社/メーカー: 朝倉書店発売日: 2005/04/01メディア: 単行本購入: 23人 クリック: 398回この商品を含むブログ (25件) を見る 統計で確率のために「関数」「分布」「(偏)微積分」を、また、多変量解析のために線形代数(ベクトルと行列)を学ぶための全30項- 長くなるので、第１部、第２部、第３部で日を分ける。 第１部　基礎と１次関数の微積分　はこちら 第２部　線形代数　はこちら 第３部　多変数関数の微積分　はこちら 第１部　基礎と１変数関数の微積分 統計学で言うところの確率・確率密度関数に関する全13講 関数と分布と確率密度関数について。また、それらを扱う微分と積分について

パッケージ　bnlearn のホームページとCRAN ベイジアンネットワークの概要 データがある 要素をAcyclic directed graph状にして、一番よい形を見つけ、その形の辺に適当な値を見出す bnlearnでなぞる データはdata.frame。こんな風にして、関係のあるデータを作ってやってもよい。 Ns<-10000 A<-rpois(Ns,10) B<-rpois(Ns,10) C<-rpois(Ns,10) D<-rpois(Ns,10) E<-rpois(Ns,10) B[1:(4*Ns/5)]<-A[1:(4*Ns/5)] C[1:(3*Ns/5)]<-A[1:(3*Ns/5)] D[1:(2*Ns/5)]<-A[1:(2*Ns/5)] E[1:(1*Ns/5)]<-A[1:(1*Ns/5)] d<-as.data.frame(cbind(A,B,C,D,E))

ぼーず確率については、ryamadaの遺伝学・遺伝統計学メモ - Coalescence発生待ち時間の算出で書いたが・・・。その発展編。 Dirichlet分布一般については、関連記事(こちらとこちら)も参照。 ながらくイメージのつかめなかった、Dirichlet分布がようやくわかったような気がする。Dirichlet分布は、シミュレーションで期待値に基づいてサンプリングをするときに避けて通れない分布でしたが、ながらく、なんとなく使ったり、回避したりしてきました。 ここから本論＞ 相互に独立して発生する事象がある。それぞれある期待値をもって発生する。それらを全部併せて1000回起こすことにする。そのようなときに用いるのがDirichlet分布である(ディリクレ分布)。 今、起こりやすさが２：３：５の３つの事象が起きて、併せて1000回起きるとする。無限回数繰り返すとすると、その生起回数の比

連鎖不平衡係数などの値を格納した、正方行列型の以下のようなテキストファイル、"hoge.txt"を作ったとする。 Ｒのimage()関数で、これをグレースケールで表したいとする。84段階表示なら HOGE<-read.table(file="hoge.txt") HOGEmatrix<-as.matrix(HOGE) q<-84 image(1:nrow(HOGEmatrix),1:ncol(HOGEmatrix),HOGEmatrix,col=gray((q:0)/q))色をつけるなら、rgbを使って、 redcolor<-rgb(red=1,(q:0)/q,(q:0)/q, names=paste("red",0:q,sep="."))とすると、q=84=256/3なので、以下のように、"#xxyyzz"のxx部分が赤のff=256(16進数で、0,1,2,3,4,5,6,7,8,9,

参考URL　関数のソースコードを見る、methods(), getS3method() 関数 -- from r-help, 2005.01.18- 知っているといつか役に立つ(?)関数達 - RjpWiki Rに公開されているパッケージ・関数のソースなどを参照する方法がいくつかある。 >help(パッケージ名とか関数名) にて、説明文書が開く。使用方法はたいていこれでわかる ソースの中身を見たいときには > 関数名 で中身が表示される ※　これだと > 関数名 関数名 (x, ...) UseMethod("関数名") <environment: namespace:関数名> という表示で終わってしまうものもある 実質的なソースがmethodの中にあるので、これを呼び出す必要がある どんなmethodが定義されているかは > methods(関数名) [1] 関数名.default* 関

このレビューは短く(2ページ)、述べるべきをほぼ尽くしている 隠れマルコフモデルとは 統計モデルのひとつ 統計モデルは簡単にいうと、知りえた情報をもとに、知りたい真実へとたどり着くための道筋のこと 統計モデルの若干長い説明はこちら 知りたい真実が複数の要素からなっている その要素の間には相互関係がある このような場合には、すべての要素の真実を知ろうとしたときに、突然にすべての要素の真実がわかることはない(あるかも知れないが、現時点のコンピュータ技術ではできないし、ヒトの脳という精密機械では、直観という名の下に可能かもしれないが、その直観は検証不能(他者に説明不能)という意味で、やはり不可能と考えるのが妥当である。ただし、量子コンピュータなどの登場で事情は変わるかも知れない) では、複数の知りたい要素のうち、１つの要素の真実を知ってから(知ったことにしてから）次の真実についてを決める、という