「マルコフ連鎖モンテカルロ法」2014.06.08. 「ベイズ推定による多変量解析入門」＠広島大学 発表資料 http://www.slideshare.net/yoshitaket/32-35647139
RStanとShinyStanによるベイズ統計モデリング入門
第50回 TokyoR 発表資料 Stanコードは下のサイトで公開しております。 https://github.com/teuder/TokyoR50 Read less
『入門 機械学習』第３章：ベイズスパム分類器の作成 - StatsBeginner: 初学者の統計学習ノート
けっこうやっかいな教科書 オライリーの『入門 機械学習』という教科書を、半年ぐらい前に３分の１ぐらい読んで、内容をまとめたりはせずにほっといたのですが、このたび実際にRでコードを写経しながら走らせてみたりしたので、学習ノートとしてエントリを起こしておこうかと思います。 入門 機械学習 作者: Drew Conway,John Myles White,萩原正人,奥野陽,水野貴明,木下哲也出版社/メーカー: オライリージャパン発売日: 2012/12/22メディア: 大型本購入: 2人 クリック: 41回この商品を含むブログ (11件) を見る 機械学習の入門的な教科書としては、理論の本として『わかパタ』『続・わかパタ』をそれぞれ途中まで読んだという中途半端な状態ですがｗ、コーディングの本としては、RでやるものとPythonでやるものを１冊ずつぐらいやろうかなと思っておりました。 それでRのも
ベイジアンネットワーク入門
4. 因果(I) • Humeによると，事象CとEの間に因果関係 が存在するとは次の条件が成立すること 1.空間的時間的接近 原因は結果と時間/空間的に近い場所で発生する 2.時間的継起 原因は結果よりも時間的に先行している 3.恒常的連接 原因が生じるとき必ず結果を生じる 5. 因果(II) • Suppesは主観確率によって発生の不確実 さを扱い，以下のような定義をした 1.事象Cが事象Eの確率を変化させるとき，C はEの原因の候補と呼ぶ 2.事象Dが事象Eの原因の候補であり，Dの存 在でCが候補でなくなるなら，Cは見かけの 効果を生じる見かけの候補である 3.事象Cを見かけの候補とする事象Dが存在し ないとき，Cは事象Eの原因である
いまさら聞けないグラフィカルモデル入門
5. どんなグラフィカルモデルがあるか？ マルコフ確率場 （Markov Random Field） ベイジアンネットワーク （Bayesian Network） ＊これらの下位モデルとして，有向木や無向木がある．また，無向リンクと 有向リンクの両方からなる連鎖グラフ（chain graph）というものもある． 無向グラフィカルグラフ 有向グラフィカルグラフ UGM: Undirected Graphical Model DGM: Directed Graphical Model 6. どんな応用があるか？ モデル 応用例 補足 マルコフ確率場 画像復元・修復， 領域分割，画像合成， ステレオ照合, etc. 画素ベースの手法が多い．画素間 の因果関係を決めることが難しい ため，矢印を引きにくい． ベイジアン ネットワーク 物体追跡， ジェスチャ認識, etc. 系列データに対する手法が多
因果推論のススメ - データサイエンティスト上がりのDX参謀・起業家
2012年3月12日、計算機科学分野の権威ある賞、チューリング賞（wikiはこちら）をJudea Pearl先生が受賞されました（米記事はこちら、日本記事はこちら）。Pearl先生は「因果推論」分野の権威です。因果推論はベイジアンネットワークや構造方程式モデリング（SEM、パス解析）などの基本理論になります。チューリング賞が出たこともあって因果推論が注目されそうですが、難易度が高い分野でもあります。そこで、私が読んで理解が進んだ本を紹介致します。 まずは、このエッセイ本を読むと「因果関係とは何か？」「効果とは何か？」といった事をとてもイメージしやすくなります。これは医療統計分野の本なので、「ランダム化試験」という用語で因果関係を説明していますが、web業界の方はA/Bテストと言った方が分かりやすいかもしれません。A/Bテストをすることでレイアウトの良し悪しが判明するのも、基礎には因果推論の
ベイジアンネットとレコメンデーション －第５回データマイニング+WEB勉強会＠東京
「第５回 データマイニング+WEB 勉強会＠東京－WEB解析・最適化祭り－」の講師資料です(10/06/20) hamadakoichi 濱田晃一 Read less
生態学データ解析 - 最尤推定法とは
最尤推定 (さいゆうすいてい): 「最ももっともらしい」パラメーターの推定 「尤」の音読みは「ゆう」，訓読みは「もっともらしい (尤もらしい)」です． 尤度とは，ある確率論的モデルを仮定しているときに，その観測データが得られる確率 (あるいは確率密度) 簡単には，ある観測データに (あるパラメーターのもとで) 確率論的モデルが「どれぐらいあてはまっているか」を確率で表す尺度です 最尤推定とは，尤度を「手持ちの観測データのもとで，あるパラメーター値が得られる確率」とみなして (つまり尤度が未知パラメーターの関数とみなして)，尤度を最大化するようなパラメーター値を探索する推定方法です 最尤推定法を使う手順は 尤度方程式を作る: 確率論的モデルを作り (データがどういう確率分布に従うか，確率分布のパラメーターの関数型はどうなってるか)，それを数式として定義する……これが尤度方程式である 尤度最大
1
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
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
PyMCがあれば，ベイズ推定でもう泣いたりなんかしない
[特集] ベイズ推論とMCMCのフリーソフト - 岩波データサイエンス![[特集] ベイズ推論とMCMCのフリーソフト - 岩波データサイエンス](https://cdn-ak-scissors.b.st-hatena.com/image/square/38c2d6c83814d2ae88209ca9471f2d28e750817f/height=288;version=1;width=512/https%3A%2F%2Fsites.google.com%2Fsite%2Fiwanamidatascience%2F_%2Frsrc%2F1443012323967%2Fvol1%2Fsupport_tokushu%2F03867.jpg%3Fheight%3D200%26width%3D142)
階層ベイズによるワンToワンマーケティング入門
ベイズ推定の概要 超入門