質的研究の理論的サンプリングに おける理論的飽和度 日本教育心理学会第53回総会自主企画 25-J-01 日時: 2011年 7月 25日(月) 19:00~21:00 場所: 北海道民活動センター かでる2・7 大会議室 企画者 豊田秀樹 早稲田大学 司会者 秋田喜代美 東京大学 講演者 豊田秀樹 早稲田大学 指定討論 吉田寿夫 関西学院大学 無藤隆 白梅女子大学 はじめに • 質的研究における理論的飽和の問題に数理モデルを 適用しようという試みは,国内外の研究をみても筆者 の知る限り皆無である。 • その意味で本研究は端緒であり,それ故荒削りでもあ る。 • 講演者は質的研究の初心者である。 • 实用レベルには、達していると信じるが、建設的批判 を切に乞うものである。 • 本研究は、大橋洸太郎氏、池原一哉氏(早稲田大学 大学院)と行っている 質的研究(qualitative rese
Normalization of ChIP-seq data with control Kun Liang and S¨und¨uz Kele¸s Department of Statistics Department of Biostatistics and Medical Informatics University of Wisconsin-Madison, 53706 email: liang@biostat.wisc.edu July 19, 2011 Abstract Motivation: ChIP-seq has become an important tool for identifying genome-wide protein- DNA interactions, including transcription factor binding and histone
学校での講義 Fall 2024: Advanced NLP (CS11-711 @ CMU) Fall 2022: Advanced NLP (CS11-711 @ CMU) Spring 2022: Multilingual NLP (CS11-737 @ CMU) Fall 2021: Advanced NLP (CS11-711 @ CMU) Spring 2021: Neural Networks for NLP (CS11-747 @ CMU) Fall 2020: Multilingual NLP (CS11-737 @ CMU) Spring 2020: Neural Networks for NLP (CS11-747 @ CMU) Fall 2019: Machine Translation and Sequence-to-sequence Models (CS11-7
「モテる女」の法則とは? 「ブス」がモテている実態と背景を詳細分析!2011.01.19 11:307,502 福田ミホ 意外だけど、納得! 米国の大手出会い系サイトOkCupidが、サイト内でのデータを使って、どんな女性がモテるのかを分析しました。やり方としては、女性のルックスに対する評価と、実際に女性が受け取る男性からのメッセージの数の関係を分析したのです。その結果、世間でよくある「あいつブスなのにモテてるみたいだけど、何なの?」という状況がデータ上でもはっきり確認されました。その状況はどのように、なぜ発生しているのでしょうか? 以下、OkCupidで行われた分析の詳細です! 今回は女性の魅力について分析してみたのですが、ありがちな写真の分析とかではなく、写真の向こうにあるもの、つまりその写真を見て男性が女性をどう評価し、行動したのかを分析しました。 いろいろ発見がありましたが、主にこ
1. #TokyoWebmining Infer.NET でグラフィカルモデルを計算する C. M. Bishop: “Pattern Recognition and Machine Learning”, Springer (2006) “Infer.NET 2.4β User Guide and Code Documentation (Infer.chm)”, Microsoft の内容紹介 Twitter: @wk77 #TokyoWebmining Infer.NET でグラフィカルモデルを計算する by @wk77 p. 1 2. なぜグラフィカルモデルを計算するのか • 現代的な手法によって機械学習を実現するには、 現実の現象を確率を用いて表現することが有用である - 観測データから、それを生成する真の確率分布を推論する - 分類、予測、回帰といったどのような複雑なタスクでも、
一般化線形モデル (GLM) について書いたり講義したりしなければならないので、GLMの例として、ポアソン回帰が本当に「役に立つ」のかシミュレーションで調べてみた。被説明変数を Y とし、Y はポアソン分布に従っているとする。Y は例えば、犯罪被害に遭った回数とか、裁判の原告になった回数のように、分布が著しく偏った頻度が典型的である。説明変数を X とし、Y の期待値を E(Y) とすると、ポアソン回帰は、ふつう ln E(Y) = a + b X (1) という回帰式を立て、Y がポアソン分布すると仮定して尤度関数をたててこれを最大化する。 しかし、上記の (1) 式だけみれば、通常の最小二乗法 (OLS) でも推定可能である。OLSの場合、Yは正規分布すると仮定するので(正確には正規分布すると仮定する必要はないが正規分布すると仮定すると得られたパラメータ推定値は最尤推定値になる
「好きなことを徹底してやりぬけば、誰でも創造性を発揮できる」 第22回(2006)京都賞・基礎科学部門を受賞した赤池弘次博士からのメッセージ映像です。 http://www.inamori-f.or.jp/laureates/k22_b_hirotugu/prf.html
Notice You are accessing a machine-readable page. In order to be human-readable, please install an RSS reader. All articles published by MDPI are made immediately available worldwide under an open access license. No special permission is required to reuse all or part of the article published by MDPI, including figures and tables. For articles published under an open access Creative Common CC BY li
Thank you for visiting nature.com. You are using a browser version with limited support for CSS. To obtain the best experience, we recommend you use a more up to date browser (or turn off compatibility mode in Internet Explorer). In the meantime, to ensure continued support, we are displaying the site without styles and JavaScript.
はじめに 統計のできるまで データの探し方(初級編) グラフの作り方(初級編) 特徴を捉える(初級編) 統計クイズ王!
統計的機械学習入門(under construction) 機械学習の歴史ppt pdf 歴史以前 人工知能の時代 実用化の時代 導入ppt pdf 情報の変換過程のモデル化 ベイズ統計の意義 識別モデルと生成モデル 次元の呪い 損失関数, bias, variance, noise データの性質 数学のおさらいppt pdf 線形代数学で役立つ公式 確率分布 情報理論の諸概念 (KL-divergenceなど) 線形回帰と識別ppt pdf 線形回帰 正規方程式 正規化項の導入 線形識別 パーセプトロン カーネル法ppt pdf 線形識別の一般化 カーネルの構築法 最大マージン分類器 ソフトマージンの分類器 SVMによる回帰モデル SVM実装上の工夫 クラスタリングppt pdf 距離の定義 階層型クラスタリング K-means モデル推定ppt pdf 潜在変数のあるモデル EMアル
Innovation Day Mainfranken OptiY will take part in Innovation Day Mainfranken at the university Würzburg on the field of artifical intelligence on 25. September 2024. Data-driven Modeling and Simulation of a double Spring Mass Damper System For the double spring mass damper system, there are only measurement data for the position of mass 1 and partial differential equation and initial conditions f
Diagram of distribution relationships Probability distributions have a surprising number inter-connections. A dashed line in the chart below indicates an approximate (limit) relationship between two distribution families. A solid line indicates an exact relationship: special case, sum, or transformation. Click on a distribution for the parameterization of that distribution. Click on an arrow for d
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