ベイズの定理でプロジェクトの失敗を予測
データを確率の枠組みでとらえる「ベイズの定理」 今回は「ベイズの定理」を概説し、この定理をプロジェクト管理にどのように利用するのか説明します。「ベイズの定理」は確率論や統計学において知られている定理であり、さまざまな事象に関するデータを確率論の枠組みで取り扱うことができるという点で有用な定理です。 確率論の枠組みでデータをとらえることができるという点は、確率や統計の知識のある方にとっては特に大きな利点であるように思えないと思いますが、これがまさにベイズの定理の特徴であるということを説明します。 なおベイズの定理はさまざまな応用があります。この定理を使った内容を総じて「ベイズ的」もしくは「ベイジアン」（Bayesian）と呼びます。今回は、ページ数の都合もあり、ベイズ的意志決定に焦点を当て、特にプロジェクト管理における課題を例として説明していきます。 統計を用いた意思決定 ベイズ的意思決定の
協調フィルタリング技術を掘り下げる--ECサイトのレコメンド技術を考える（3）
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます 前回は、ECサイトのレコメンド技術の種類として、ルールベース方式、コンテンツベースフィルタリング方式、協調フィルタリング方式、ベイジアンネットワーク方式の4つを紹介した。今回は、これらのレコメンド方式をより細分化した上で、協調フィルタリングのロジックについて解説したい。 4つのレコメンド方式は、「レコメンドするために必要な情報は何なのか」、「何をもってレコメンドするためのルールとするか」という切り口で分類していると解説した。それぞれのレコメンド方式は、さらに「どの判別属性を軸にレコメンドアイテムを決定しているのか」という切り口によって細分化できる。その判別属性とは、アイテムベース、ユーザーベース、ユーザー提示情報ベースの3つだ。 例えば
綱引きに蛇口当てゲーム？！ 楽しく学ぶベイズフィルターの仕組み
付き合いたくないスパムと付き合うために 受信者の意向を無視して、一方的に送りつけられる迷惑メール（スパム）は、いまやメールボックスを雑音でいっぱいにしてしまい、大事なメールを見過ごしかねないほどの量に膨れ上がり、大きな問題となっています。 残念ながら、このようなスパムを発生源から断つような根本的な対策はいまだになく、私たちは、せめてメールサーバで受け取った大量のメール群からスパムと大事なメールを仕分けしてくれる仕組みに頼らざるを得ません。 スパムを判定する方法は、次の2つに大別することができます。 本稿では前者の方法に着目します。メールを受け取った人にとっては、メールの中身を読めば、そのメールがスパムかそうでないかを判定するのは容易なことです。スパムの定義は、メールを読む人によって変わる可能性があります。例えば、まったくゴルフをしない人にゴルフの勧誘メールが来た場合はスパムといえるでしょう
スパム対策に欠かせないベイズ理論とは？
測定できなければ科学は成立しない、と言う人がいる。ベイズ理論は、以前は測定できなかった物の測定方法を提示する。仮説や予測を検証し、結論や決断を洗練していく。この理論を利用したベイジアンフィルターは、今、スパムコントロールの分野でホットな話題となっている。 扱う要因と可能性が限定されている場合、基本的な確率の計算は簡単だ。例えば、出走馬が10頭の競馬レースを考えてみよう。どの馬に賭けるかの根拠となる情報が、「出走馬が10頭」だけであれば、どの馬を選んでも、勝つチャンスは10分の1だ。しかし、こんな計算を競馬場に持ち込んだら、たちまち財布は空になってしまう。現実の世界はもっとはるかに複雑だ。そしてここに、ベイズ理論の出番がある。 実際には、10頭の出走馬はそれぞれ、すでに少なくとも数レースは経験している。つまり、戦歴がある。ライトニングという馬が連戦連勝で、サンダーという馬が出走したすべてのレ
Bayesianって<br>どういう考え方なんだろう
*********** お知らせ *********** YukiWikiによるベイズ統計ファンサイト を開設しました。 このページ「Bayesianってどういう考え方なんだろう」は、 以上のファンサイトへ発展的解消いたします。 どうぞご贔屓に！ ********************************* ベイズ理論は、 普通の確率論とは一風異なる確率理論です。 この小文では、ベイズ理論の意味・意義について 私がこれまでに学び、考えたことについて整理を試みます。 とかく、＜宗教的信念＞のごとくに扱われがちのベイジアン思想ですが そのおかしいところ、よいところなど、基準を明確にして検証していけたら いいな、というのが目標です。 私自身勉強中の身なので定説と異なることを述べていたり、 明らかな間違いもあるかもしれません。 そのつもりでだまされ
PukiWikiBayesFun
重要なお知らせ：ベイズウィキのURLが変わります． † サーバーを京都大学に移動することにより ベイズウィキのURLが変わります． 新URLは，http://hawaii.sys.i.kyoto-u.ac.jp/~oba/bayeswiki/index.php で， すでに過去のデータをそのまま移して稼働中です． 以後の閲覧・書き込みは新サイトでおねがいします． ここ，旧サイトはしばらくしたら削除します． ↑ お知らせ † スパム対策に設置した併設会議場のほうのスパムがひどくなってきたので、 スパム対策を強化した本家pukiwiki のほうをメインとするべく整備中です。 2007/05/18 コメントスパム対策のために、合言葉を設定しました。 コメントを書き込むときには お名前欄に自分のハンドル名とともに bayes と半角英字で書き込む ようにして下さい。 2007/05/09 投
Passion For The Future: 確率的発想法~数学を日常に活かす
確率的発想法~数学を日常に活かす スポンサード リンク ・確率的発想法~数学を日常に活かす ■ベイズ推定 最近、ベイズ理論がインターネット技術でクローズアップされている。 ・グーグル、インテル、MSが注目するベイズ理論 http://japan.cnet.com/special/story/0,2000050158,20052855,00.htm 18世紀にトーマスベイズが発案した統計理論。この本の前半で大きく取り上げられていた。 サイコロを振って１がでる確率は6分の1。2回目も連続して１がでる確率は36分の1で、3回連続は216分の1である。実際に何度か振ってみると、その確率と違ったりする。だが、100回や1000回繰り返せば、正確にその数字に近づいていく（大数の法則）。であるから、100回も繰り返せば、次に１がでる確率はかなり正確に予想できるようになる。 では、無差別に選んだ大量のホー
株式会社NTTデータ数理システム
現象のつながりを直感的に表現するベイジアンネットワーク BayoLinkSで構築可能なベイジアンネットワークは、変数間の因果関係をグラフ構造で可視化します。変数間の依存関係を矢印の向きで表現。確率推論によって、原因から結果だけでなく、結果から原因を予測することもできる非常に柔軟なモデルです。 データ加工から予測まで、ノーコードで実現 ノーコード・直感的な分析をWebブラウザ上で実現 データ取り込みから前処理、可視化、モデリング、予測まで一連の分析プロセスをノーコードかつ直感的なGUI操作で行えます。 分析の流れが俯瞰できる。結果を多角的に確認できる アイコンを活用した直感的なビジュアル表現で処理全体を俯瞰できるため、見通しの良い分析が可能です。 また、ベイジアンネットワークによる確率推論結果など、分析の随所に現れる各種データを様々な角度から可視化するための機能も揃っています。 テキストデー
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
Tony Jebara
MLHealth