サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
衆院選
www.ism.ac.jp
時系列データのような従属性のあるデータの解析では、近似計算が行われることが多い。しかし、結果にはさまざまな解釈が生まれ、扱いが難しくなるデメリットがある。そこで、どのような指標で定量化しても解釈が一通りに統一されるベイズ統計の特徴を生かし、従属性データに適用することで、信頼性を向上させようという研究が進んでいる。機械学習を取り入れつつ、ベイズ計算の新手法の確立に挑むプロジェクトを紹介する。 今回紹介するプロジェクトのテーマは「従属性のあるデータへの不確実性の定量化」だ。「ここでいう『不確実性の定量化』とはすなわち、ベイズ統計学のことです」。統計数理研究所モデリング研究系複雑構造モデリンググループの鎌谷研吾教授は、そう説明する。 統計学とはまさに不確実な事象を定量化することであり、その定量化の意味を解釈することだ。さまざまな統計手法がある中で、ベイズ統計を使うメリットは何か。「ベイズ統計の特
【開催日時】 2023年5月25日(木)14:00-18:00 【開催形式】 オンライン(Zoomウェビナー) 事前登録参加無料 » 参加登録はこちらから 【趣旨】 「統計的機械学習」について、研究成果の社会還元に積極的に取組む第一線の研究者が、産学連携による経験を踏まえ、将来に向けたメッセージを発信する。 【対象】 企業・大学・官公庁等でデータサイエンス・統計・産学官連携等にご興味をお持ちの方。 プログラム （講演題目は決まり次第、順次掲載します。） 基調講演1生成モデルは世界をどのように理解しているのか 株式会社Preferred Networks 代表取締役 最高研究責任者 岡野原大輔 大規模言語モデルや拡散モデルは高忠実で多様なデータを生成できるモデルであり、さらに獲得したモデルを使って様々なタスクをプロンプトで指示し、ゼロショットもしくは少量の追加学習データで実現できることがわか
2023年4月3日に，統計数理研究所（以下，統数研）公募型共同利用の2018年度以前に採択された研究課題に関して，研究参加者のメールアドレスが漏洩した可能性があることが判明いたしました． すでに対象となるメールアドレス宛には，個別にお詫びをお送りしております． 利用者の皆様に多大なるご迷惑をお掛けしたことを，深くお詫び申し上げるとともに，今後，運用システムのセキュリティ対策および監視体制の強化を行い，再発防止を図ります． １．経緯と対応 4月3日に，統数研の共同研究データベースを運用しているサーバに対してメールアドレスの情報を狙ったSQLインジェクション攻撃があったことが判明しました．サーバのログを確認したところでは，2月7日および3月16-17日に攻撃を受けた記録がありました．現在，当該サーバの運用を停止，外部ネットワークとの接続を遮断し，被害状況の詳細を調査中です． ２．流出した可能性
思考院トップ 統計思考院の事業活動 リーディングDAT 2022年度 リーディングDAT無料動画 思考院トップ 統計思考院の事業活動 統計教育動画配信 リーディングDAT無料動画 情報・システム研究機構 データサイエンス高度人材育成プログラム リーディングDAT無料動画 ※2023/6/30に「3. 因果と相関」の一部の図を差し替えた動画を公開しました。内容には変更ありません。 リーディングDAT講座の動画公開について ここでは、2021年度リーディングDAT L-A講座（4日間）の前半2日間分、および、関連して作成された補助動画を無料で公開しています。後半2日間分は有料の講座として開催中で、当面は公開の予定はありません。講義の特徴などについてはこちら（所外 YouTube）の動画をご覧ください。 ・動画中で言及されている「付録」については各講師の判断で一部のみPDFで提供します。また、も
下記の通りです。 入門的な部分（初日前半） 川崎講師「データの可視化と要約」 立森講師「相関と独立性」 立森講師「因果と相関」 L-Aの中では比較的高度な部分（最終日） 二宮講師「モデル選択とAIC」 二宮講師「一般化線形モデル（GLM）」【2020.6.3追加公開】 伊庭講師「主成分分析とその周辺」 これらの動画は受講生の復習用に準備されたもので、画質等も十分ではありませんが、その点はご容赦ください。各部分は比較的独立に視聴できるようになっておりますが、2.の部分で今回非公開の部分への参照があります。テキストおよびスライドの頒布は行っておりません。 「データの可視化と要約」講師：川崎 能典（統計数理研究所） 1. データの属性と可視化 2. 分布特性の定量的記述 3. 欠測値について 「相関と独立性」講師：立森 久照（国立精神・神経医療研究センター） 1. 図による2変数間の可視化 2.
www.ism.ac.jp/~mirai
www.ism.ac.jp/~shiro
MCMC チュートリアル 入門から多峰性分布の扱いとその応用まで Q 「マルコフ連鎖モンテカルロ法」って統計物理とかで昔から 使ってるモンテカルロ法とは違う新しい方法なんですね？ A いいえ同じです．名前が変わっただけ．試行が独立なタイ プの「モンテカルロ法」とは違います． マルコフ連鎖モンテカルロ法とは 呼ばれないモンテカルロ法の例 （各試行が独立） マルコフ連鎖モンテカルロ法（MCMC) １９５０年代前半に誕生 電子計算機の誕生 ⇒ 多数の原子や分子の振る舞いの計算 「（動的）モンテカルロ法」 MCMCという名前は他の分野（統計科学など） で使われるようになってからのもの MCMCの応用の展開 ＠ 1950s~ 液体⇒磁性⇒素粒子（経路積分） ＠ 1990s~ (散発的に1980s) ベイズ統計を中心とする 統計学・情報処理の諸分野 1990s~ ＠ Next ? 最後に「他の応用」の
www.ism.ac.jp/~daichi
NTT コミュニケーション科学基礎研究所 石黒 勝彦 1 2013/01/15-16 統計数理研究所 会議室1 • 購買データや科学論文など、時間変化をそも そも内包するデータは多数存在します • 従って、時系列（時間変化）データ内のトピッ クの解析も多数試みがなされています 2 3 2012 2013 01/15 01/16 • マルコフ性：前の時刻に依存して現在の時刻 の状態が変化する • 多くの時系列データでは、モデルのどの部分 にマルコフ性のアイデアを導入するか、がポ イントとなります • これはトピックモデルの時系列データモデル でも同様です 4 Dynamic Topic Model [Blei & Lafferty, 2006] 5 Blei and Lafferty, “Dynamic Topic Models”, in Proc. ICML, 2006. : exch
Crash Course - データサイエンティスト育成クラッシュコース - Home Crash Course - データサイエンティスト育成クラッシュコース - 統計数理研究所の人的リソースを最大限に活用した教材を開発しました。 データサイエンティストが知るべきことをひと通り概観する、約2.5時間のビデオ教材として、YouTube上で公開しています。各ユニットの最後には、講師がお勧めする文献リストも掲載されています。
オーガナイザー：前川喜久雄・浅原正幸・横山詔一 (国立国語研究所), 菊澤律子・山本泰則 (国立民族学博物館), 持橋大地 (統計数理研究所), 村脇有吾 (京都大学) 言語に関する研究は古くから言語学として行われてきており、 大学共同利用機関においても、国立国語研究所や国立民族学博物館などにおいて 日本語をはじめとする多様な言語の研究が進められております。 一方、近年では、統計モデルや機械学習に基礎を置いた自然言語処理の研究が 統計数理研究所や国立情報学研究所において活発に進められています。 しかし、これら二つの研究領域の知的交流は非常に限定されているのが現状です。 本プロジェクトでは、これら二つの領域の知見を積極的に融合させることによって、 言語を対象とした新しい科学研究の領域を開拓する可能性を検討・評価します。 特に本シンポジウムでは, 今後特に重要, かつ統計的手法が有効と考えられ
情報・システム研究機構 データサイエンス高度人材育成プログラム 統計思考力育成事業 2017年度リーディングDAT(Data Analytics Talents) 統計数理研究所では統計科学の知識とスキルを持ったデータサイエンティストの養成のための「リーディングDAT」を あらたに企画しています。今年度は試行的に「リーディングDAT講座」の後半部分（L-B1, L-B2）とそれを利用した 「リーディングDAT養成コース」を行います。 ●プレスリリースはこちら ●実施報告はこちら リーディングDAT講座 今年度は以下の2つの講座を行います。それぞれの内容は独立しており個別に受講できます。 なお、来年度からは現行の公開講座の「統計学概論」に代わる現代的な系統的入門コース（L-A）が追加される予定です。
2016 64 2 179–200 c �2016 † 2016 6 17 8 25 9 14 1. x ŷ x y s(x, y) Y ŷ ŷ = argmax y∈Y s(x, y) (1.1) x +1 −1 0 ŷ = argmax y∈{+1,0,−1} s(x, y) (1.2) s(x, y) † 980–8579 6–6–05 180 64 2 2016 M x = (x1, x2, . . . , xM ) M y = (y1, y2, . . . , yM ) part-of-speech tagging B-NP, I-NP, B-VP shallow parsing x ŷ sequential labeling ŷ = argmax y∈YM s(x, y) (1.3) Y ŷ YM s(x, y) 2. linear binary classifie
NTT コミュニケーション科学基礎研究所 石黒 勝彦 1 2013/01/15-16 統計数理研究所 会議室1 • 機械学習の研究分野では、日々新しい、より 柔軟で表現力の高い（≒複雑な）トピックモ デルが提案されています • このスライドでは、それらのうち、特に構造化 に関する仕事を厳選してご紹介します 2 • 誤解を恐れずにいえば、単純な混合ガウシア ンモデル(GMM)が理解できれば、LDAは理 解できます • GMMがその単純さゆえに非常に幅広いドメ インの連続データで有効なように、LDAも幅 広いドメインの離散データで有効です 3 • モデルが単純ということは、大胆な仮定を置 いてデータを表現していることになります • 実際のデータと明らかに合わない仮定の場 合、これを正す必要があります • 沢山の複雑化したトピックモデルが提案され ています 4 Correlated Topic
www.ism.ac.jp/~fukumizu
1 福水健次 統計数理研究所／総合研究大学院大学 「ABCとその周辺」勉強会 Feb. 16, 2015. 主催： 科研費・新学術領域研究 「スパースモデリングの深化と高次元データ駆動科学の創成」 Approximate Bayesian Computation: 基礎と方法 ベイズ計算 Bayesの定理 2 Thomas Bayes (1701-1761) : 事前確率 （prior） : 尤度 （likelihood） ベイズ計算の代表的手法 大問題「分布の積分をどう計算するか？」 – サンプリング： Markov Chain Monte Carlo (MCMC), Sequential Monte Carlo (SMC), etc – 近似計算： Laplace近似，確率伝搬法（Belief propagation，BP），期待 値伝搬法（Expectation propag
NTT コミュニケーション科学基礎研究所 石黒 勝彦 1 2013/01/15-16 統計数理研究所 会議室1 • いわゆる文書データ以外の補助情報・クラス 情報が得られる場合のトピックモデル活用法 の例です 2 (unsupervised learning) • 「正解」信号となる情報がない設定でモデル を学習したりすることです • LDA(トピックモデル)は一般に教師なし学習 のフレームワークで使われます – 文書データだけが与えらえた状態で、まったく未 知のトピックを学習しています • 教師なし学習は基本的に難しいので、高い精 度を出すLDAは重宝されます 3 • 全てをLDAで、つまり教師なし学習でまとめ る必要はありません • 教師信号・補助情報があるならば、モデル全 体の「部品」としてトピックモデルを利用すれ ば十分です 4 Supervised LDA [Blei & McA
内容紹介 《研究者トーク》機構・機関の概要や研究内容を講演形式で紹介 11：30 受付開始/研究紹介ブース展示開始 13：00-13：10 開会挨拶・来賓挨拶 13：10-17：30 研究者トーク 人間文化研究機構 【13:10-14:15】 1. 人文機構の目指すもの ～21世紀の人類の生存のために～ （人間文化研究機構 佐藤 洋一郎 理事） 2. ここまでわかった！縄文人の植物利用－植物考古学の最前線－ （国立歴史民俗博物館 工藤 雄一郎 准教授） 3. 過去・今・未来をつなぐアーカイブズ （国文学研究資料館 宮間 純一 准教授） 4. 外国人の「誤用」 日本人の「誤用」 （国立国語研究所 石黒 圭 教授） 5. 千年の娯楽―大衆文化史を学ぼう （国際日本文化研究センター 細川 周平 教授） 6. 地球研とFuture Earth （総合地球環境学研究所 Hein Mallee 教授・
[ 第1号 | 第2号 ] 第64巻 第1号 統合PDFをダウンロード 特集「生態学における統計モデリング」 「特集 生態学における統計モデリング」について ..........久保 拓弥 (64, 1-2) 全文pdf 動的サイト占有モデル ―状態の不確実性を考慮したサイト占有動態の統計的推測 ..........深谷 肇一 (64, 3-22) 要旨 全文pdf 多変量状態空間モデルを用いたリター分解実験のためのパラメータ推定 ..........仁科 一哉 (64, 23-38) 要旨 全文pdf 水産資源学における統計モデリング ..........岡村 寛、市野川 桃子 (64, 39-57) 要旨 全文pdf 一般化状態空間モデルで漁業動態を記述する ―マサバ努力量管理効果の定量評価 ..........市野川 桃子、岡村 寛 (64, 59-75) 要旨 全文pdf 安定同位
–EM Wake-Sleep – 21 2-1 Shiro.Ikeda@brain.riken.go.jp 1 (Latent Variable) 2 2.1 -5 -2.5 0 2.5 5 x -5 -2.5 0 2.5 5 y 0 0.01 0.02 0.03 P(x,y) -5 -2.5 0 2.5 5 x -8 -6 -4 -2 0 2 4 6 8 -8 -6 -4 -2 0 2 4 6 8 1: y µ Σ G(y; µ, Σ) p(y; θ) ( θ ) πi ( � i πi = 1) 1 p(y; θ) = � i πiG(y; µi, Σi) 2 6 1 2.2 y x1 xn z1 zm ij w k v 2: 2 1 3 x (n ) y ( ) z = (z1, . . ., zm)T sigmoid y = g(x) g(x) = v · z = � j vjzj
目に見えない無数の因果関係に囲まれている私たちの日常生活。ある事象が他の原因ともなり、その結果は複雑に連鎖する。 一定の結果が導かれるために、どの原因がどれだけ関与するのかは、容易には判断できない。 人間が苦悩する大きな課題として、宗教や哲学が何千年にもわたって掲げ続けてきた因果律。その原因と結果の関係性の解明に向けて、統計科学が確実な役割を果たそうとしている。 効率よく原因の確率を評価する可能性 「構造探索グループ」に所属する黒木。その研究テーマは「統計的因果推論・グラフィカルモデリングの理論構築と医学・工学・情報科学への応用」である。難解といわれる「因果推論」について、黒木は以下のように平易な説明を試みる。 「ある病気の患者さんがお医者さんからもらった薬を飲むのは、薬を飲めば（原因）、病気が治る（結果）と考えているからです。でも、ちょっと待って。薬を飲めば、本当に病気は治るのでしょうか
1 福水健次 統計数理研究所／総合研究大学院大学 大阪大学大学院基礎工学研究科・集中講義 2014 September カーネル法入門 ５．カーネル法のその他の話題 2 • 効率的計算 低ランク近似の方法 • 構造化データ 非ベクトルデータに対するカーネル カーネル法の計算効率化 3 グラム行列計算 – カーネル法の計算： グラム行列による線形代数演算 データ数のサイズの行列 • 元の空間の次元が高くても計算量の問題は（あまり）生じない • データ数が大きいと計算量の問題が生じる 逆行列計算，固有値計算 in time 4 計算効率化への一般的なアプローチ – 低ランク近似によるGram行列の近似 • 不完全Cholesky分解 • Nyström近似 – ランダムなカーネル展開 • Random kitchen sink – 少数データによる表現 • データのランダムサンプリング •
1 福水健次 統計数理研究所／総合研究大学院大学 大阪大学大阪大学大学院基礎工学研究科・集中講義 2014 September カーネル法入門 １．カーネル法へのイントロダクション 2 2 カーネル法: 近年 (1990年代半ばごろから) 発展したデータ解析の方 法論．非線形な情報や高次モーメントの扱いが容易． サポートベクターマシンの提案が発端となった． 3 3 線形なデータ解析，非線形な データ解析 データ解析とは? Analysis of data is a process of inspecting, cleaning, transforming, and modeling data with the goal of highlighting useful information, suggesting conclusions, and supporting decision ma
www.ism.ac.jp/~fujisawa
AIC とは 1. AIC を知ると何が嬉しいか 以下のようなデータが得られていたとして，多項式モデルを当てはめることを考え てみましょう： y = ¯0 + ¯1 x + ¢ ¢ ¢ + ¯k xk + "; " » N (0; ¾ 2 ): y (xi ; yi ) ( xn ; y n ) (x2 ; y2 ) (x1 ; y1 ) x 最初に未知のパラメータ µ = (¯0 ; ¯1 ; : : : ; ¯k ; ¾ 2 ) を特定しなければなりません．手持ち のデータ f(xi ; yi ) : i = 1; : : : ; ng を利用して，最尤法によって推定することにしましょ b う．得られた推定値を µ で表すことにします．結果的に以下のモデルを提案できたわけ です： ^ ^ ^ y = ¯0 + ¯1 x + ¢ ¢ ¢ + ¯k xk + "; " » N
[ 第1号 | 第2号 ] 第63巻 第1号 特集「地震予測と統計モデル」 「特集 地震予測と統計モデル」について ..........尾形 良彦 (63, 1-2) 全文pdf 地震の確率予測の研究－その展望 ..........尾形 良彦 (63, 3-27) 要旨 全文pdf 地震予測の評価法について ..........庄 建倉、尾形 良彦 (63, 29-44) 要旨 全文pdf 地震活動の異常性とモデリング ..........熊澤 貴雄 (63, 45-64) 要旨 全文pdf 本震直後からの余震活動のリアルタイム短期予測と中期予測 ..........近江 崇宏 (63, 65-81) 要旨 全文pdf 活断層で繰り返される地震の点過程モデルとその長期確率予測 ..........野村 俊一 (63, 83-104) 要旨 全文pdf GPSデータの逆解析と地震の発生予測
統計数理研究所 H26年度公開講座「ガウス過程の基礎と応用」 講師: 松井知子 (統数研), 持橋大地 (統数研), 大羽成征 (京都大), 斎藤正也 (統数研) 日時: 2015年3月3日(火) 10:00-16:00 講義スライド 講義1 (松井): 「ガウス過程の基礎」 講義2 (持橋): 「ガウス過程の基礎と教師なし学習」 講義3 (大羽): 「ガウス過程法 変分圧縮, GP-LVM, Deep GP」 講義4 (斎藤): 「ガウス過程のシミュレーションへの応用」 関連資料 Interactive demonstrations for linear and Gaussian process regressions (Andrew Gelman) http://andrewgelman.com/2015/03/07/interactive-demonstrations-linear-
次のページ
このページを最初にブックマークしてみませんか？
『ホーム | 統計数理研究所』の新着エントリーを見る
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
