速水桃子「パターン認識と機械学習入門」
250. Reference "Pattern Recognition and Machine Learning" Christopher M. Bishop Springer; 1st ed. 2006. Corr. 2nd printing edition (October 1, 2007) "Truth and Probability" Frank Plumpton Ramsey (1926) "The physical basis of IMRT and inverse planning" S Webb British Journal of Radiology (2003) 76, 678-689 251. Wikipedia 渡辺慧 http://ja.wikipedia.org/wiki/%E6%B8%A1%E8%BE%BA%E6%85 %A7 『No Free Lunch T
Prml 10 1
1. PRML 読書会 (第12回) 10.1 変分推論 坪坂正志 Hatena/twitter id: tsubosaka Mail: m.tsubosaka@gmail.com 2. 2010/3/7 PRML読書会 第12回 2 第10章 近似推論法 • 観測データ������が与えられたときの潜在変数������の事後分布 ������(������|������)を求める • 完全にベイズ的なモデルでは未知パラメータにも事前分布が与えられ、 潜在変数ベクトルの中に含まれている • EMアルゴリズムでは完全データの対数尤度の期待値を隠れ 変数の事後分布に沿ってとった • しかし、事後分布を求めることや期待値を計算することが不可能な事が 多い • Ex: 次元が高すぎて空間全体を直接扱えない、期待値が解析的に計算 できない… • 近似法を用いて事後分布を求める 3. 2010/3/7
Chapter2.3.6
2. おさらい • ガウス分布（１次元） p( x | , ) N x | , 2 1 1 exp ( x )2 (2 2 )1/ 2 2 2 正規化係数 二次形式 μ x 3. おさらい • ガウス分布（D次元） p(x | μ, Σ) N x | μ, Σ 1 1 1 T 1 exp (x μ) Σ (x μ) (2 ) D/2 Σ 1/ 2 2 正規化係数 二次形式 Σ μ x 4. おさらい • 最尤推定 N p(x | θ) p( xn | θ) 尤度 n 1 観測データ パラメータ サンプル データが観測されたとき，そのデータが発生する確 率（尤度）を最大化するパラメータを求めること
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
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
PRML復々習レーン#2 2.3.6 - 2.3.7
