全てのモデルは間違っている、しかしいくつかはとんでもなく間違っている - Qiita
最近別の記事で、コロナウイルスの感染者数に関するデータはその背景を理解することなしに使うのは危険であるという内容の話をしましたが、今回は、コロナウイルスの感染者数を予測するモデルを使うときには気をつけなくてはいけない、という内容のエッセイがイギリスにおける統計学の学会である、王立統計学会（Royal Statistical Society）の中にあるデータ・サイエンス部のトップの人によって出されていました。 とくにそのモデルを作る人（科学者）、モデルによって出される数字を伝える人（ジャーナリスト）、モデルから得られる情報をもとに政策を作る人（政治家）は、責任が大きく、さらに間違いによる影響や被害が大きいだけに細心の注意を払うべきで、そのためのガイドラインを6つのルールとしてまとめています。 これは、コロナウイルスなどの感染症ウイルスの予測モデルに関わる人達だけでなく、広く一般の我々にとって
COVID-19 感染予測 (日本版) の公開について | Google Cloud 公式ブログ
Google Cloud は今年 8 月に Harvard Global Health Institute とのパートナーシップのもとで COVID-19 Public Forecasts を公開しました。このサービスは予測開始日から将来 14 日間における米国内の COVID-19（新型コロナウイルス感染症）陽性者数や死亡者数などの予測を提供しています。この度、本サービスを日本にも拡張し、COVID-19 感染予測（日本版）の提供を開始します。日本版では予測開始日から将来 28 日間のあいだに予測される国内の陽性者数や死亡者数等の予測値を表示します。 米国で提供している COVID-19 Public Forecasts は AI と膨大な疫学的データを組み合わせ、さらに、時系列の予測を扱う斬新な機械学習のアプローチを採用することで実現しました。米国向けのこの初期モデルは今年 8 月に初
解説・講義資料 - Toshihiro Kamishima
機械学習・データマイニング全般 変わりゆく機械学習と変わらない機械学習 [物理学会誌 2019]：機械学習・データマイニングについての専門家以外に向けた解説記事 機械学習・データマイニング分野の概要：分野全体の概要と国際会議動向まとめ資料 ML, DM, and AI Conference Map：人工知能，機械学習，およびデータマイニング関係の国際会議関連マップ データマイニング：4種類の主要分析タスクとデータマイニングによる知識発見プロセスについての学部前半レベルの説明資料 社会における機械学習 機械学習・データマイニングにおける公平性 [人工知能学会誌 2019]：アルゴリズム決定の公平性に関する議論 Fairness-Aware Machine Learning and Data Mining: Tutorial on data analysis considering pot
Zero's World: Taxonomy - 類似性と「みにくいアヒルの子の定理」
類似性と「みにくいアヒルの子の定理」 小野山 敬一 １．はじめに 類似性 similarity は対象間の関係を見るひとつの方法であり，しばしば分類における基準となるもので，それによって事物のグルーピングが行なわれたりするものである．一方，「みにくいアヒルの子の定理」（the theorem of the ugly duckling）は，形質を同等に評価した場合には類似性にもとづく分類がありえないこと，したがって客観的な分類がありえないことを示すものと解釈されている． 「みにくいアヒルの子の定理」はWatanabeが1961年にAAAS annual meetingで言及し，1962年ブラッセルでの講演で厳密な証明を与えた．後者はWatanabe (1965) に収録されている．その後，渡辺自身は，Watanabe (1969) や渡辺（1978，1986）で取り上げているが，他の著者が言
Jochen Görtler
I am a consulting software engineer and research scientist. I develop hand-tailored visualization systems that help my clients make sense of complex data and machine learning models. I'm based in Germany and I have a Ph.D. in computer science. Jochen Görtler ✌️ Build understanding. The systems I develop typically leverage a combination of frontend and backend components. Because of this, I have ex
【書籍紹介】ガウス過程と機械学習 - HELLO CYBERNETICS
はじめに 目次とコメント 0章 たった５分でガウス過程が分かってしまう 1章 線形回帰モデル 2章 ガウス分布 3章 ガウス過程 4章 確率的生成モデルとガウス過程 5章 ガウス過程の計算法 6章 ガウス過程の適用 7章 ガウス過程による教師なし学習 ガウス過程のライブラリ GPy GPyTorch GPflow はじめに 既に機械学習界隈の中で気になった方は手に取っているであろう「MLP ガウス過程と機械学習」の紹介です。 ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ) 作者: 持橋大地,大羽成征出版社/メーカー: 講談社発売日: 2019/03/09メディア: 単行本（ソフトカバー）この商品を含むブログを見る ガウス過程と言えば、「ベイズ」や「カーネル法」、「確率過程」など、難しそうな言葉のオンパレードで、どうも機械学習を学びたての人にとっては敬遠しがちなものである印象が
NumPyroの基本を変化点検知で見る - HELLO CYBERNETICS
はじめに NumPyro基本 ライブラリの準備 確率分布 transoforms モジュール （tfp.bijector相当） 変化点検知 データ モデル 事前分布からのサンプリングでモデルの動作確認 MCMC推論 結果確認 はじめに TFUGベイズ分科会にてPPLについて話しました。改めてPPLを複数比較してみたことで、一層NumPyrpの書きやすさにほれぼれとしました。 www.hellocybernetics.tech 現状、PPLをまとめると 通常利用：Stan より低レベルを触れる研究用途：TensorFlow Probability 深層生成モデル及びベイズニューラルネットの変分推論 : Pyro 上記及び高速なMCMC : NumPyro という具合です。実際、速度やインターフェースの書きやすさを見るとNumPyroが個人的には抜けているのですが、一方でバックエンドがJaxで
TensorFlow User Group Meetup - ベイズ分科会 - 資料一覧 - connpass
「TensorFlow User Group Meetup - ベイズ分科会」の資料一覧です。
Control as Inference (強化学習とベイズ統計)
The document discusses control as inference in Markov decision processes (MDPs) and partially observable MDPs (POMDPs). It introduces optimality variables that represent whether a state-action pair is optimal or not. It formulates the optimal action-value function Q* and optimal value function V* in terms of these optimality variables and the reward and transition distributions. Q* is defined as t
ディリクレ過程混合モデルへの変分推論適用について - old school magic
この記事について ノンパラメトリックベイズは分かりやすいチュートリアルは良く見かけるのですが、そこから一歩進んだ(日本語の)資料に行きつけなかったので、色々と論文読んで簡単に(数式を出さないで)まとめてみます。 ぶっちゃけるとCollapsed Variational Dirichlet Process Mixture Modelsの簡単な要約です。 あまり自信がないのでもし間違ってたりしたらご指摘お願いします。 前の記事よりはまともな説明ができれば...と思います。 Infinite Gaussian Mixture Model (IGMM) の情報まとめ - old school magic 事前知識としてノンパラベイズと変分推論の知識が必要ですが、ノンパラベイズは持橋さんの分かりやすい解説があるのでご紹介します。 最近のベイズ理論の進展と応用 (III) ノンパラメトリックベイズ デ
続・わかりやすい パターン認識 －教師なし学習入門－ | Ohmsha
第1章 ベイズ統計学 第2章 事前確率と事後確率 第3章 ベイズ決定則 第4章 パラメータ推定 第5章 教師付き学習と教師なし学習 第6章 EMアルゴリズム 第7章 マルコフモデル 第8章 隠れマルコフモデル 第9章 混合分布のパラメータ推定 第10章 クラスタリング 第11章 ノンパラメトリックベイズモデル 第12章 ディリクレ過程混合モデルによるクラスタリング 第13章 共クラスタリング 付録A 補足事項 （凸計画問題と最適化，イェンゼンの不等式，ベクトルと行列に関する基本公式，KLダイバージェンス，ギブスサンプリング，ウィシャート分布と逆ウィシャート分布，，ベータ・ベルヌーイ過程） 第1章 ベイズ統計学 1･1 試行と事象 1･2 ベイズの定理 1･3 頻度から確信度ヘ 1･4 逆確率 -結果から原因を- 1･5 三つの扉問題 〔1〕 扉Aが当たりの場合 〔2〕 扉Bが当たりの場合
Infinite Hidden Markov Modelによる教師なし品詞推定
概要 The Infinite Hidden Markov Modelを読んだ C++で実装した はじめに Infinite Hidden Markov Model（以下IHMM）は、隠れマルコフモデル（HMM）の状態数をデータから決定することができるモデルです。 HMMにおける状態遷移確率をディリクレ過程によって生成することで無限の状態数を扱います。 それぞれの状態からの遷移確率に共通の（離散的な）基底分布を与えることで現在の状態数を共有し、さらにこの基底分布の基底分布として連続分布を与えることで新しい状態を無限に生成することができます。 参考文献 最近のベイズ理論の進展と応用 (III) ノンパラメトリックベイズ IHMMによる「不思議の国のアリス」の学習例が載っています ノンパラメトリックベイズ法 続・わかりやすいパターン認識―教師なし学習入門― ディリクレ過程や隠れマルコフモデルの
機械学習による統計的実験計画
× You’ve unlocked unlimited downloads on SlideShare! Your download should start automatically, if not click here to download You also get free access to Scribd! Instant access to millions of ebooks, audiobooks, magazines, podcasts, and more. Read and listen offline with any device. Free access to premium services like TuneIn, Mubi, and more.
超巨大高性能モデルGPT-3の到達点とその限界. この記事では、超巨大言語モデルGPT-3の技術的な解説、GPT-3達成したことと… | by akira | Jul, 2020 | Medium
この記事についてこの記事ではGPT-3[1]の解説をします。内容のサマリは以下の通りです。 GPT-3の前身であるGPT-2では、巨大なデータセット＋巨大なネットワークで言語モデルを構築し、各タスクで学習させなくても良い結果が得られた。GPT-3では、さらに巨大なデータセット＋さらに巨大なネットワークで言語モデルを構築し、数十のサンプルを見せると凄く良い結果が得られた一方、様々なタスクに言語モデルのスケールアップのみで対応することへの限界が見えてきた。人種、性別、宗教などへの偏見の問題や、悪用に対する課題もある。この記事の流れは以下の通りです。 Transformer, GPT-2の説明GPT-3のコンセプトと技術的な解説GPT-3ので上手くいくタスクGPT-3で上手くいかないタスク偏見や悪用への見解 Transformerまず、GPT-3の前身となったGPT-2に入る前に、その中に使われ
『ツイッターに流れてきたパズル「164→64、265→130、498→392…」はいわゆる「小学生にも分かるが大学院生でも解けない」良問では？ - しいたげられたしいたけ』へのコメント
学び ツイッターに流れてきたパズル「164→64、265→130、498→392…」はいわゆる「小学生にも分かるが大学院生でも解けない」良問では？ - しいたげられたしいたけ
ノンパラメトリックベイズ
• – • • – • • } , , , { 2 1 N X x x x L = ) | ( Θ X p Θ • – • – ) | ( Θ X p ) | ( Θ x p ∏ = = Θ 6 1 ) | ( k x k k p θ x } , , , , , { 6 5 4 3 2 1 θ θ θ θ θ θ = Θ ∏∏ = = = Θ N n k x k k n X p 1 6 1 , ) | ( θ 1 ) | ( 6 1 = = Θ ∑ ∫ = k k d p θ x x } , , , { 2 1 N X x x x L = n x • – • – • Θ Θ ) | ( X p Θ ) | ( X p Θ • } , , , , , { 6 5 4 3 2 1 θ θ θ θ θ θ = Θ ∏∏ = = = Θ N n k x k k n X p 1 6 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
統計検定のまとめブログ
須山敦志 Suyama Atsushi on Twitter: "こちらのスレッドでTFUGで当日残ってしまった質問にお答えします。 https://t.co/oLqyeRhWcB #tfug"
Tsuyoshi Ide (井手 剛) on Twitter: "Amazonではプレビューができないので、序文を貼る。訳した人＝おれ。原著のいやらしい（笑）ニュアンスもなるべく正確に訳した、つもり。 https://t.co/BLrQWN9edY https://t.co/Cpl6TBdr3V"
須山敦志 Suyama Atsushi on Twitter: "「すべての雑用、すべての業務、すべての職業を消し、そして自分も失業する、永遠に」というネオエクスデスみたいな価値観の座右の銘を持っています"