This domain may be for sale!
織田信長 ぼちぼち、元気にやっています。少し薬にも慣れた...んかなぁ。相変わらず食べられないけど。朝、指がこわばって文字なんて入力できなかったけど、それはほぼなくなった。関節もどこも痛くない。薬効いてきたんやろな。 で、ブログを書こうと言う気がまた起きてきた。 …
統計的機械学習 (under construction) 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 数学のおさらいppt pdf 線形代数学で役立つ公式 情報理論の諸概念 (KL-divergenceなど) 指数型分布族、自然共役 正規分布(条件付き、および事前分布) 評価方法ppt pdf 順位なし結果の評価(再現率、精度、適合率、F値) 順位付き結果の評価 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 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 モデル推定ppt pdf 潜在変数のあるモデル EMアルゴリズム 変分ベイズ法 Expecta
Cでプログラムを書いていて, テキスト形式でセーブされたパラメータファイルから ベクトル/行列に読み込むという処理は非常によくあると思うのだが (MATLABの load に相当), うっかり前に書いたコードを忘れて車輪を再発明する ところだった。; 誰が書いても同じようなコードになると思うのだけれども, 次元を事前に指定せず, 読むのと同時に決めるコードは一瞬では書けないと思うので, せっかくなので 下に公開しておきます。(ファイルに書く方は簡単なので省略。) loader.c loader.h dmatrix.c dmatrix.h これを使うには, 以下のようにします。 #include "loader.h" double *vector, **matrix; int dim, rows, cols; if ((vector = load_vector(file, &dim)) ==
News 09.03.2016 MDP 3.5 released! This is a bug-fix release Note that from this release MDP is in maintenance mode. 13 years after its first public release, MDP has reached full maturity and no new features are planned in the future. If you plan to do serious machine learning in Python, use sklearn. Note though that some algorithms, notably SFA and Growing Neural Gas, are only available in MDP. We
息抜き話題「独立と直交」 1. 独立性と直交性 独立した変量 x, y があるとき、変量の組( x, y )を直交した X 軸、Y 軸で表された空間の点として表現する。中学数学以来の慣れ親しん できた表現方法であり、その有用性を実感した経験はあるものの、 疑問を抱いたこともないのが普通である。しかし、独立性と直交性 は異なる概念である。 例えば、平面上に2つの異なるベクトル v1, v2 をとり、ベクトル v1 の長さを変量 x の 1 にベクトル v2 の長さを変量 y 対応させる。つ まり変数の組( 1, 0 )をベクトル v1 と、変数の組( 0, 1 ) をベクトル v2 と同一視する。これを斜交座標系という。 一方、変量の組( x, y )が y = ax + b という関係式を満足するとき、普通の直交座標系では直線に対応し ていることは明らかだが、斜交座標系でも直線に対応し
主成分分析(PCA)とは、特徴量の次元がバカでかくなりすぎた場合に行われる次元収縮の手法である。 参考: http://www-pse.cheme.kyoto-u.ac.jp/~kano/document/text-PCA.pdf http://aoki2.si.gunma-u.ac.jp/lecture/PCA/index.html 主成分分析は広く知られている手法で、統計学で習った人も多いかもしれない。 パターン認識の分野では、この主成分分析と組み合わせて、独立成分分析(ICA)がしばしば使われる。 独立成分分析と主成分分析の処理は似ている。 だが、主成分分析は(主成分の)軸は直交しなければいけないのに対して、独立成分分析では軸は直交しなくてもよいという点が違う。 独立成分分析では、データ分布の独立性を見るのだ。 独立成分分析は fastICA ( http://www
来年も作りたい!ふきのとう料理を満喫した 2024年春の記録 春は自炊が楽しい季節 1年の中で最も自炊が楽しい季節は春だと思う。スーパーの棚にやわらかな色合いの野菜が並ぶと自然とこころが弾む。 中でもときめくのは山菜だ。早いと2月下旬ごろから並び始めるそれは、タラの芽、ふきのとうと続き、桜の頃にはうるい、ウド、こ…
今さら感はあるが、MCMC (Markov Chain Monte Carlo; マルコフ連鎖モンテカルロ)を使えるようになろうと、まずは簡単な例から試してみた。 手始めに、正規乱数から生成した標本の平均と標準偏差を推定してみる。 やはりRを使用。MCMCpackパッケージを あらかじめインストールしておいて、呼び出す。MCMCpack中のMCMCmetrop1R()関数を利用して、メトロポリス法によるMCMC推定をおこなう。 library(MCMCpack) 乱数系列を初期化。 set.seed(1) 平均10、標準偏差3の乱数を1000個生成して、xに入れる。 m <- 10 s <- 3 x <- rnorm(1000, m, s) MCMC推定に使用する関数を用意する。betaは要素数2のベクトル。beta[1]が平均、beta[2]が標準偏差で、betaを推定する。関数の返り値
独立成分分析 (independent component analysis; ICA)† 時刻 \(t\) での \(n\)個の情報源 \(\mathbf{s}(t)=[s_1(t),s_2(t),\ldots,s_n(t)]^\top\) は未知とする. やはり未知の \(m\times n\)行列 \(A\) があるとする.ただし,\(m\ge n\). 観測値 \(\mathbf{x}(t)=[x_1(t),x_2(t),\ldots,x_m(t)]^\top\) は,\(\mathbf{x}(t)=A\mathbf{s}(t)\) で生成されるものとする. 観測値の系列 \(\mathbf{x}(1),\mathbf{x}(2),\ldots\) が観測されたとき,情報源の系列 \(\mathbf{s}(1),\mathbf{s}(2),\ldots\) を推定する問題をblin
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