エイズという病を知っていますか？【10】 今回10回目となるHIV（ヒト免疫不全ウイルス）、エイズをテーマにしたこのシリーズのタイトルが、「エイズという病を知っていますか」とされていることからも分かるように、日本ではこの疾患について、我々医療従事者からすれば知っておいてほしい知識が社会に浸透していません。前回述べた、「HIVに感染しても1日1回1錠の薬を飲み続けていればエイズを発症しない」ということを知っている人はどれだけいるでしょう。 今回紹介したいのは、優れた抗HIV薬が開発されたことにより、可能になった次の二つの方法です。まず（1）HIVに感染したかもしれない出来事があった後から、薬の内服を開始して感染を防ぐ方法。そして（2）パートナーがHIV陽性などの場合に、毎日薬を飲むことによって感染を防ぐ方法、です。 アクシデントの「後」に感染を防ぐ法－PEP （1）から説明していきましょう。

About 南の島のプログラマ。 たまに役者。 Practical Schemeの主。 WiLiKi:Shiro 最近のエントリ 無限cxr高校受験Defense振り返ってみると2019年は色々学んで楽...覚えるより忘れる方が難しい(こともある)眼鏡のつると3DプリンタIris Klein Acting ClassSAG-AFTRA conservatory: Voice Acting創作活動って自分を晒け出さねばならないと...ループを使わずに1から100までMore... 最近のコメント shiro on 歳を取ると時間が速く過ぎるのは、新しいことに挑戦しないから? (2023/03/14)1357 on 歳を取ると時間が速く過ぎるのは、新しいことに挑戦しないから? (2023/03/01)ベアトリーチェ on ハイポハイポハイポのシューリンガン (2022/04/02)ベアトリーチ

AdaGradとAdaDeltaを実装&収束速度評価を行ってみました. https://github.com/saiias/Adadelta 詳しいアルゴリズムは論文を参照してください. AdaGradもAdaDeltaのどちらも学習率を自動で調節することによって学習の高速化をすることができる手法です. どちらも実装が簡単で適用範囲が広いです. AdaGradとAdaDeltaについてざっくり述べると Adagradは過去すべての勾配の2乗和の平方根の逆数を利用 AdaDeltaはAdadeltaの改良版で,学習率の初期値が不要で、直近の勾配を重く評価する などの特徴を持っています. 今回は実装の簡単さからロジスティック回帰+L2正則化の実装と評価を行いました. 実装についてはgithubにのせているのでここでは重みの更新式について記載します. ロジスティック回帰+L2正則化 w(idx)

はじめに こんにちは。皆さんD言語使っていますか？ 今回は liblinear のような教師あり線形分類器のライブラリ, libarowを作ったので紹介します。 特長 収束が早い 精度が良い(liblinearより良い) パラメータが少ない（1個） そのパラメータもデフォルトの値を使っておけば大抵OK オンライン学習（すべてのデータを一度に読む必要がなく、省メモリ） アルゴリズム 以下の更新式にしたがって、各特徴の分散を小さくしつつ、与えられた教師データを正しく分類できるようにし、かつなるべく今までの分布に近い形で更新していきます。 (\mathbf{\mu}_{t+1}, \Sigma_{t+1}) = arg~min_{\mathbf{\mu}, \Sigma} D_{KL} (\rm N(\mathbf{\mu}, \Sigma) || \rm N(\mathbf{\mu}, \Si

(編注：2016/11/17、記事を修正いたしました。) ディープラーニングの分野でテクノロジの進化が続いているということが話題になる場合、十中八九畳み込みニューラルネットワークが関係しています。畳み込みニューラルネットワークはCNN（Convolutional Neural Network）またはConvNetとも呼ばれ、ディープニューラルネットワークの分野の主力となっています。CNNは画像を複数のカテゴリに分類するよう学習しており、その分類能力は人間を上回ることもあります。大言壮語のうたい文句を実現している方法が本当にあるとすれば、それはCNNでしょう。 CNNの非常に大きな長所として、理解しやすいことが挙げられます。少なくとも幾つかの基本的な部分にブレークダウンして学べば、それを実感できるでしょう。というわけで、これから一通り説明します。また、画像処理についてこの記事よりも詳細に説明

[ICLR2021 (spotlight)] Benefit of deep learning with non-convex noisy gradien... Presentation slide of our ICLR2021 paper "Benefit of deep learning with non-convex noisy gradient descent: Provable excess risk bound and superiority to kernel methods." Abstract: Establishing a theoretical analysis that explains why deep learning can outperform shallow learning such as kernel methods is one of the bi

Please use the new website.

はじめに 最近「ANSI Common Lisp　ポール・グレアム著」を読んでいます.この本で構造体について学習したことをメモしておきます. 表示関数を自分で定義 defstruct を使用して構造体を定義する際に,構造体の内容をどのように表示するかを定義した関数を引数に渡すことにより,構造体の内容の表示方法を任意に指定することができます.これを省略すると構造体の内容は,デフォルトの表示方法で表示されます.下のコードによって違いを示します. ;;; デフォルトの表示 (defstruct human (height 0) (weight 0)) (make-human :height 160 :weight 40) ;=> #S(HUMAN :HEIGHT 160 :WEIGHT 40) ;;; 自分で定義 ;; humanという構造体を重複して定義することによって引き起こるエラーを防ぐた

(:meta ((:this “Lisp Advent Calendar 2014の3日目の記事”) (:prev (:author “tk_riple” :title “時の羅針盤＠blog: R7RSポータブルライブラリを書く際の落とし穴”)) (:next (:author “nobkz” :tite “Shenの基礎その1 基本的な型 - Qiita”)))) κeenです。さっきまでVOPで遊んでたので当初の予定を変更してVOPの話をします。 VOPとは何か SBCLやCMU CLで使われているネイティブコードを吐くための機構、要はインラインアセンブラです。 VOPとはどんなものか とりあえずコードをば。x86-64用です。 (in-package :cl-user) (defpackage vop-sample (:use :cl :sb-ext :sb-c)) (in-pac

ここ最近、Google翻訳がリニューアルされ、性能が向上したという話が流れてきたので、さっそく試してみた。 ぼくが真っ先に試したのは、「母は、父が誕生日を忘れたので、怒っている。」だ。 なぜこの文が気にかかっていたかは後述する。 結果は次の通り。 "My mother is angry because my father forgot her birthday." すばらしい。 では、「母は、父が鞄を忘れたので、怒っている。」はどうだろうか。 "My mother is angry because my father forgot his bag." 完璧だ！ 「誕生日を忘れた」の場合は「母の誕生日」と解釈し、「鞄を忘れた」の場合は「父の鞄」と解釈する。 これこそ、利用者が翻訳に求めるものじゃないだろうか。 しかし、ここまでだった。 次にぼくは、「父」と「母」を入れ替え、「父は、母が誕生日

About reserved postingIf you register a secret article by the day before the same day, it will be automatically published around 7:00 on the same day. About posting periodOnly articles submitted after November 1 of the year can be registered. (Secret articles can be registered anytime articles are posted.)

＜知識層からときに「白いゴミ」とまで蔑まれる白人の労働者階級。貧困と無教養を世代を越えて引き継ぐ彼らに、今回の選挙で「声とプライド」を与えたのがトランプだった＞（写真：筆者が取材したニューハンプシャー州のトランプの選挙集会） 無名の作家が書いたメモワール『Hillbilly Elegy』が、静かにアメリカのベストセラーになっている。 著者のＪ.Ｄ.ヴァンスは、由緒あるイェール大学ロースクールを修了し、サンフランシスコのＩＴベンチャー企業の社長として働いている。よく見るタイプのエリートの半生記がなぜこれだけ注目されるのかというと、ヴァンスの生い立ちが普通ではないからだ。 ヴァンスの故郷ミドルタウンは、ＡＫスチールという鉄鋼メーカーの本拠地として知られるオハイオ州南部の地方都市だ。かつて有力鉄鋼メーカーだったアームコ社の苦難を、川崎製鉄が資本提携という形で救ったのがＡＫスチールだが、グローバル

※何度投稿しようとしてもBad Requestが出てしまったのでgistで投稿します。ご了承下さい。 gist.github.com

\epsilon = 10^{-5}\\ \mu_{B} \leftarrow \frac{1}{m} \sum_{i=1}^{m} x_i\\ \sigma^2_{B} \leftarrow \frac{1}{m} \sum_{i=1}^{m} (x_i - \mu_{B})^2\\ \hat{x_i} \leftarrow \frac{x_i - \mu_{B}}{\sqrt{\sigma^2_{B} + \epsilon}}\\ y_i \leftarrow \gamma \hat{x_i} + \beta 上式について，$\gamma$と$\beta$がパラメータでそれぞれ正規化された値をScaling及びShiftするためのものだそうです．それぞれ，誤差逆伝播法で学習する必要があるのですが，ここでは詳しい式の導出を割愛します． Fully-Connected Layerの場合 通