グラフィカルモデル輪読会での発表資料です。 http://wbawakate.connpass.com/event/31613/
![Probabilistic Graphical Models 輪読会 #1](https://cdn-ak-scissors.b.st-hatena.com/image/square/5b368b0685e67396b2a76b17233bfab246dd06cb/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fgmstudy-01-160515070147-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
今回から数回にわたって、グラフィカルモデルを利用した確率モデルの設計についてお話しします。従来の統計モデルと比べ、機械学習を機械学習たらしめているものの一つは、扱う現象の複雑さにあると言えます。複雑な現象を解析するためにはそれに見合った複雑なモデルが必要で、それを簡潔に記述するための方法としてグラフィカルモデルが開発されました。 「グラフィカルモデルを使って現象をモデル化し、必要に応じて近似推論法を用いて未知の値を推定する」 という一連の流れが身につくと、いろんなデータサイエンスの課題に対してシンプルかつフォーマルに取り組めるようになります。 それではまず始めに、超超超重要な確率の加法定理と乗法定理の確認をしてみましょう。 ・加法定理(sum rule)*1 \[ p(x) = \sum_y p(x,y) \] ・乗法定理(product rule) \[ p(x,y) = p(x|y)p
さて、今日は以前ご紹介したグラフィカルモデルを使って、転移学習(Transfer Learning)の一例をモデル化してみたいと思います。この記事を読んでいただければグラフィカルモデルを使ったベイズ学習が、機械学習における様々な問題設定に対して柔軟なアプローチを与えてくれることがわかっていただけるかと思います。 [必要な知識] 下記をさらっとだけ確認しておくといいです。 グラフィカルモデルの基礎 有向分離(D分離) ・グラフィカルモデルによる表現 今日は転移学習の一例をグラフィカルモデルを使って表現し、さらにグラフ上での推論を考えてみたいと思います。最後に、具体的なガウス分布を使った例を用いて簡単な実験をしてみたいと思います。 自分は転移学習に関して取り立てて何かやった経験がないので正直なところあまり深淵な議論はできないのですが、ここではとりあえず 「ある確率変数を推定する課題(ドメイン)
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
処理を実行中です
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