[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本巻で使用されているソースコードやデータは以下のURLから取得できます。 https://github.com/iwanami-datascience/vol1 【DSオリジナル】の表記のある動画や原稿は岩波DSウェブサイトのオリジナルコンテンツです。
![[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)
俺的MCMCまとめ - yasuhisa's blog
12月くらいからMCMCの勉強しだして、いくつか代表的なアルゴリズムによるサンプリングをやったのでまとめておく。 Example of Rejection Sampling - yasuhisa's blog Example of importance sampling - yasuhisa's blog Example of Metropolis Hastings Algorithm - yasuhisa's blog Metropolis Hastings Algorithmの続き - yasuhisa's blog Gibbs Sampler Algorithmによって多変量正規分布からのサンプル抽出を行なう - yasuhisa's blog あとはモデルによって色々変わるけど、根幹となるアルゴリズムはできたからまあよいか。 これで一応自分で作れるという感じにはなったので、MCMC
PythonでMCMC（メトロポリス法）-ベイズ統計学: 知財ファイナンス・モデリング
最近は状態空間モデリングの勉強をしています。その一環できちんとMCMCを理解しようとあれこれ資料を漁っていました。マルコフ連鎖モンテカルロ法を実装してみようというブログ記事や「計算統計 2 マルコフ連鎖モンテカルロ法とその周辺」などを読みつつ、メトロポリス法というシンプルなMCMCをPythonで実装してみました。 ■計算条件 ・2変量正規分布からサンプリング 【2変量正規分布】 ・b = 0.5 (ここでは適当にこの値にした） ・burn-in = 0 -サンプリングの挙動を確認するためバーンインは0とした ■Pythonコード #!/usr/bin/env python #-*- coding:utf-8 -*- import math import random import numpy as np import matplotlib.pyplot as plt def metrop
PRML 11章 二変量正規分布からのギブスサンプリング - Qiita
はじめに Machine Learning Advent Calendar 2012の2日目を担当させていただく@yag_aysです．機械学習ガチ勢の皆様に囲まれて非常にガクブル((((;゜Д゜)))しておりますが，少しでも何か皆さんの印象に残るような記事を書ければと思います． 今回の内容 今回は「パターン認識と機械学習」11章で紹介されているサンプリング法・MCMCの中でも，ギブスサンプリングについて取り上げたいと思います．1日目のnaoya_tさんがメトロポリス・ヘイスティング法について書かれており，偶然にも続き物のような形になりました．ギブスサンプリングは，メトロポリス・ヘイスティング法というおおまかな枠組みの中の特殊なケースです．とは言うものの，実際のアルゴリズムは外見上かなり違ったものになるので，メトロポリス・ヘイスティング法をあまり知らないという人でもこの記事は問題なく読むこと
Small Data Scientist Memorandum R+BUGSで時系列データを階層ベイズモデル（AR model）で解析する (1) BUGS編
ほんとの薬を投与した場合にTreat = 1になっています。 RからWinBUGSを動かす方法のセットアップは久保先生の本に載っているので割愛します（要望があればインストールから詳しく書きます）。データを見て時系列がわりとなめらかであること、今回は薬によって減少したか（増加したか）の傾きを知りたいことなどからAR modelを採用しました。BUGSコードは以下になりました。 2～9行目がモデルの数式をBUGSコードに直したものに相当し、11～42行目が事前分布の設定になります。ざっと説明します。 ・（3行目, 6行目） mu.yは真の値でそこからノイズ（機器の測定誤差みたいなものを想定）を加えて観測値Yが得られます。 ・（4行目） mu.yの初期値は人によらないbaseline.0と個体差baseline[i]に分けて推定します。このようにするとbaseline.0は無情報事前分布、個体差
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
