ヒックの法則
ヒックの法則とは ヒックの法則（Hick’s law, Hick-Hyman’s law）とは、心理学者ウィリアム・ヒックによって提唱された理論で、選択肢の数が増えると、その中から一つを選ぶのに必要な時間が長くなるという原則のこと。 具体的には、選択肢が倍になると、決定にかかる時間も対数関数的に増加します。 この法則は、ユーザーが情報を処理し決定を下すプロセスを理解する上で重要です。
この記事は私, wataokaが1年間をかけて作り続けた超大作記事です. 総文字数は8万を超えていますので, お好みのところだけでもみていってください. ついにこの時が来ました！！！！！ 1年間書き続けたQiita記事です！！！！！ ご覧下さい！！！！！https://t.co/eKBwP1zoeB — 綿岡 晃輝 (@Wataoka_Koki) December 31, 2020 俺的ランキング 動画での解説も挑戦してみました！ ぜひぜひご覧下さい！ 動画のリンク 第3位: Likelihood-Free Overcomplete ICA and Applications in Causal Discovery wataokaの日本語訳「尤度が必要ない過完備ICAと 因果探索における応用」 - 種類: ICA - 学会: NeurIPS2019 - 日付: 20190904 - URL:
【Metal】Metal Shading Language 仕様 Version2.2 - main() blog
Metal のシェーダー言語の仕様は以下のURLにあります。 https://developer.apple.com/metal/Metal-Shading-Language-Specification.pdf 必要なところから抜粋して翻訳してみます。 6 Metal Standard Library この章では Metal Standard Library（MSLib）の関数について説明します。 6.1 Namespace and Header Files MSLib関数と列挙は、metal名前空間で宣言されています。 MSLib関数で説明されているヘッダーファイル<metal_stdlib>ヘッダーが利用可能で、 MSLibでサポートされているすべての関数にアクセスできます。 6.2 Common Functions 表6.1の関数は、ヘッダー <metal_common> で定義され
この文書は 応用情報 Advent Calender 2020 に投稿した PDF の記事 の Web ページ版です。 はじめに こんにちは。応用情報 Advent Calender 2020 も9日目に突入しましたが、みなさまいかがお過ごしでしょうか。知的情報処理研究室 M1 の生田です。 正規分布は自然現象を良く表現する 1 ことから、数値シミュレーションをはじめとした工学上の応用が数多くあります。また、正規分布からのサンプリングは、他の確率分布（t分布やベータ分布など）に従う乱数の生成にも用いられるため、直接的に正規分布を用いないシミュレーションでも、間接的に正規分布が必要になることがあります。私たちの研究室でも、ニューラルネットワークの重みの初期値など、正規分布は至るところで活躍しています。 しかし、現在広く使われている疑似乱数生成アルゴリズム（線形合同法やメルセンヌ・ツイスターな
英語における複合主語って何？
タグ 2乗a band ofa flock ofa herd ofa host ofa number ofa pair ofa run for one's moneya school ofa sea ofa swarm ofa touch of makeupa/anA/D converterA/D変換回路abbrev.abbreviationaboutabout toabsentabsorbabsorbanceabsorberabsorptionaccelerateaccelerationaccordinglyactact of Congressact of evilact of Parliamentact of violenceact onacute painAdam's appleADCadsorbadvanceaffairageaimAliceallall outalrightalt
こんにちは。カナメです。 2020年11月に、日本の内閣府、内閣官房がパスワード付きZipファイルメールを廃止すると発表しました。 とはいえ、現在でも完全になくなっているわけではありません。 私の業界ではいまだにZipファイルメールが飛び交っています。 PPAPと呼ばれるこのメール送信方法ですが、セキュリティ上の利点はあまりないといわれています。 何が大変かというと、このZipファイルメールの添付ファイルを見るためには、 ・一度ファイルを保存して、 ・拡張子を.zipに変えて（メールの受信セキュリティをくぐりぬけるため、拡張子が「.zi_」のように一文字変えてあるため） ・別メールからパスワードをコピペして解凍しないといけません。 私のデスクトップは一時置きファイルだらけになってしまいました。 そこで、何かいい方法はないかとインターネットで検索したら、 何名かのエンジニアの方々が、この問題
「ARCHISS AS-MC34MWQ165A」をレビュー。2304分割FALD対応モニタを徹底検証 【PR】 : 自作とゲームと趣味の日々
2023年12月15日01:20 （注：商品価格は執筆当時のものです。販売ページリンクにはアフィリエイトを含みます） 「ARCHISS AS-MC34MWQ165A」をレビュー。2304分割FALD対応モニタを徹底検証 【PR】 wisteriear コメント(0) タグ ：#レビュー#モニタ_レビュー#G-Sync_モニタ_レビュー#ウルトラワイド_モニタ_レビュー#HDRモニタ_レビュー#FreeSync_モニタ_レビュー#スポンサード_レビュー#ウルトラワイド_モニタ スポンサードリンク 最大輝度1000nitかつ2304分割のフルアレイ型ローカルディミングに対応する直下型Mini-LEDバックライトを採用、UWQHD解像度/165HzリフレッシュレートVA液晶ゲーミングモニタ「ARCHISS AS-MC34MWQ165A」をレビューします。 プレスリリース：https://arch
「アフィリエイトで稼ぎたいけどリサーチの仕方がわからない」「稼いでいる人は何をリサーチしているんだろう」と気になったことはありませんか？ リサーチはアフィリエイトで稼ぐ為に絶対に必要なことなので、リサーチ方法やリサーチする場所、場面を理解しておかなければ失敗してしまうリスクが高まります。 このページでは、現役で月1,000万円をアフィリエイトで稼ぐ筆者がアフィリエイトで稼ぐ為に必要なリサーチ方法を目的別で詳しく解説します。 最後まで読めば、あらゆるシーンのリサーチ方法がわかり、失敗するリスクを下げることができるでしょう。 1. アフィリエイトで稼ぐ為に必要なリサーチについて アフィリエイトで稼ぐ為にはあらゆる場面でリサーチをする必要があります。 何事も”知らなければ”検索ユーザーのことがわかりませんし、誰に何をどのように紹介していけば良いか見えてきません。 その為にも、アフィリエイトで稼ぐ
現在のSaaS企業の市場評価を見ると、売上成長率と利益率を足し合わせた40%ルールや筆者が提唱したシン・40%ルールの高いSaaS企業に高いバリュエーションがつく構造になっています。 つまり、市場からはSaaS企業に対して売上成長だけでなく、利益創出または黒字化の目処を示してほしいという声が高まっているということです。 ここ2年ほどでも、Appier Group、カオナビ、ヤプリは上場後初の通期営業利益黒字化を達成していたり、サイボウズやHENNGEは一度落とした営業利益率を再び高めています。 先日、大きく投資していたマネーフォワードもEBITDAを黒字化したというニュースがありました。 黒字化の方法として、すぐに思い付くのはコストカットですが、単にコストカットばかりしていては競合に市場シェアを奪われて、中長期的な競争力を失ってしまうことは誰もが想像するところでしょう。 一方、事業を成長さ
【BTYDモデル】阿部(2020)の解説
0. この記事の趣旨 この記事では BTYD モデルの一種として提案された 周期的な購買行動に対応した顧客の 生涯価値の導出と顧客維持介入戦略への応用(阿部 2020) について、その数理構造を解説することを目的としています。一応 python を用いた推定の実装についても触れるつもりではありますが、私は数値最適化や計算の高速化については十分な知見がないので、ご利用の際はご注意ください。ソースコードは以下にあります。 1. モデルの概要 本章では、以下の 2 点について解説したいと思います。 シンプルな BTYD モデルが何をしようとしているのか 阿部(2020) ではどのような提案がなされているのか 本章を通じて、まずはこれらのモデルのアイデアについて理解していただければ幸いです。 1.1. BTYD モデルとは おそらくこの記事を見ている人に BTYD モデルを全く知らない方はいらっし
mambaの理論を理解する②：S4のアルゴリズム
はじめに この前のブログでは、HiPPOフレームワークとLSSLについて書いた。 本シリーズでは、mambaの理論的背景を理解するために、それらの先行研究を順々にまとめて解説していく。重要な先行研究としては、LMU, HiPPO, LSSL, S4, H3などがあり、主に以下の流れで解説する。 HiPPOフレームワークとLSSL S4のアルゴリズム H3とHyena Hierarchy mamba 本記事は、第二弾として、S4のアルゴリズムについて書く。 元論文を以下に記す。 S4 読者の方へ 補足や訂正などがあれば、コメントにて優しく丁寧にご教示いただけると喜びます。 書くのけっこう大変だったのでバッチを送っていただけると嬉しいです。たくさんもらえると僕のやる気が上がって投稿頻度が上がるかもしれません。（逆にもらえないと下がるかもしれない。） おさらい：状態空間モデル LSSLでは、以下
エクセルでの対数グラフの作り方
この記事では対数グラフの作り方をご紹介します。 対数グラフとは、横軸/縦軸のうちの片方、もしくは両方の目盛が「対数」になっているグラフです。 目盛が倍々で増えていくので、変化の大きいデータをグラフとして表す際に役立ちます。 以下では、片対数グラフ/両対数グラフの作成方法などについてご紹介しています。 エクセルで対数グラフの作り方 エクセルで対数グラフを作成する方法をご紹介します。 手順で使用するフォーマットのダウンロードはこちら 片対数グラフの作り方 片対数グラフは、グラフの横軸/縦軸のうち一方の軸のみに対数目盛が付いているグラフです。 今回は縦軸に対数目盛を付けて、片対数グラフを作成する方法をご説明します。
夏の気配が少しずつ薄れ、秋の訪れを感じる季節になりました。これからだんだんと日が短く、寒くなっていくにつれ、自然と家の中で過ごす時間が増えていくでしょう。在宅時間を快適に、前向きな気持ちで過ごすためにも、インテリアにこだわって心地よい空間をつくりたいもの。そこでお手本にしたいのが、インテリアに手をかけることで日照時間の短い冬を乗り切ってきた「北欧」のスタイルです。 インテリアに北欧スタイルを上手に取り入れるコツを、インテリアコーディネーターの住吉さやかさんに教えていただきました。 人によってイメージが違う？ 実は幅広い「北欧スタイル」のイメージ インテリアコーディネーターの住吉さやかさん。鮮やかなグリーンとナチュラルモダンの家具類が見事に調和したご自宅にお邪魔し、秋冬の夜長を心地よく過ごすためのインテリアのコツを伺いました。 そもそも「北欧スタイル」とはどういうものなのでしょうか？ 住吉さ
はじめに人口減少により、持続可能性が危ういということが言われる。しかし、地球上の資源の有限性を考慮すると、このことは必ずしも正しくない。むしろ、人口を徐々に減少させ、資源をゆっくりと消費していく方が、人類の持続可能な期間が伸びることも考えられる。そこで、このノートでは、簡単なシミュレーションと数学の計算により、人口増加と減少のどちらが持続可能性があるかを検証した。 考え方・前提ここでは、人類は、次の1.または 2.のどれかに初めてなった年に絶滅するものとし、絶滅までの年数を人類存続可能年数という。 人類の人口が1人未満になる 地球上に存在する資源量が0以下になる。 一人当たり資源消費量は、経過年数にかかわらず同じとする。また、人口増加率も、経過年数にかかわらず同じとする。 資源は、消費されるとその分減少し、それ以外の理由により減少または増加することはないものとする。 初期（1年目のことをい
神秘の数、素数の世界｜超入門・リーマン予想
（株）インフォマティクスが運営する、GIS・AI機械学習・数学を楽しく、より深く学ぶためのWebメディア プライムな数 1859年、リーマンは「予想」に到達します。遡ること今から二千年以上も昔、古代ギリシャからのテーマである素数についてのものです。 2016年1月、最大素数の記録更新のニュースが世界中に流れました。2000万桁を越える巨大な数は、電子計算機の中にしか見ることができません。 数学者を魅了しつづける素数（prime number）。「超入門・リーマン予想」は素数に迫ります。 古代ギリシャ ユークリッドの研究 探査。 この言葉が連想させる舞台は、宇宙や深海や深い地中でしょう。新しい星の探査、新種の生物の探査、そして石油の探査。 ロケットを用いた宇宙探査よりも遥か昔から続けられている探査が素数の探査です。 素数とは、2,3,5,7,11,13のように1とその数自身の2つだけでしか割
CUDA C++でNeRFをほぼ0から実装してみた(Part1/3): 概要~MLP編 - TTRS_Yoshiのブログ
概要 CUDA C++を使用してMLP，Multiresolution Hash Encoding，NeRFを実装しました．NVIDIAの実装と比較すると遅いですが，数分でおおよそ綺麗に学習できました．本記事では一番初めに実装の大まかな雰囲気を示し，3編に分けて具体的に実装を説明していきます． 想定する読者の対象 C++やCUDAの基本文法が分かっていれば大丈夫だと思ってます． GitHubとかにプロジェクト全体のソースコード公開しないのか 個人的な研究用に書いてるプログラムもあったりするのでしばらくは公開しないと思います． 一応 内容には気を付けて書きましたが，もし誤りや実装の改善点等があれば教えていただけると嬉しいです． NeRFとは NeRFはNeural Radiance Fieldsの略称です．ある物体を様々な視点から撮った写真（2次元）の情報から3次元の形状を推定するView
ディスプレイの色校正について
視覚心理物理実験や神経生理実験、画像評価実験では画像を正しく表示することが重要である。正しくと言うのは、計画通りの色と輝度をコンピューターディスプレイに表示することである。それには、画面の測光と、少しややこしい計算が必要となる。この測定と計算の作業をまとめて、ディスプレイのキャリブレーション、測光、色校正などと呼ぶ。本ドキュメントでは、ディスプレイを用いた際のキャリブレーションの手続きについて説明する。 ここでは一般的なwindowsパソコンとディスプレイを用いることを前提に説明する。 キャリブレーションの計算は、以下の二つの手続きから成り立っている。 （1) パソコンに入力する値とディスプレイに出る輝度との対応づけ。（ガンマ補正と呼ぶことも） （2) 目的の色度・輝度をもつ中間色を呈示するために、R, G, Bの光をどんな強さで混ぜるかを求める計算。 名称の定義： Digit（ディジット
ゲーム作りとかCGとかに関わる数学(初歩)① 今回HIKKYさんのアドベントカレンダーに投稿するにあたって、別の温めてたネタはあったんですが諸事情により封印してしまったので、何か別のテーマにしようと考えました。 で、色々考えたのですが、特に思いつかなかったのでCG数学の初歩的な話をしようかなと思います。実際VKetCloudの中でも基本的な数学は必ず使われてますし。 あと「ゲームメーカーズ」さんの記事でも取り上げていただいた、僕のCEDEC+KYUSHU2023の数学のお話がやたらとウケがよかったため、数学の話で行くことにしました。 で最初に書いておくと、書きたかったことの半分もかけていません。 時間の都合上と、あと数式と頭が多すぎるのか、このドキュメントの編集が何度も落ちるからです。 と言うわけで、今回は概要と三角関数とベクトルの話だけにします。 あとは年末年始休みの間にでも続きを書きま
使用データ 今回もいつも通りGoogle Trendsのデータを使います。『引越し』というワードの検索数データをGoogle Trendsのサイトからcsv形式でダウンロードしておきます。単位は週次(7日間ごとの値)です。 (注：下図のグラフは5年間くらいのデータのうち、直近約2年半のものです。最大値が100になっていないのはそのためです。) 今回”引越し”というワードを使用した理由は、顕著な季節性が存在すると考えたためです。グラフを見ると、毎年1月〜4月に検索数が増える傾向にあります。理由は明らかで、この時期は4月の新生活前に引越しを検討する人がたくさんいるためだと思われます。 モデル このデータに状態空間モデルを適用し、トレンド成分と周期性成分に分解してみようと思います。 $$ y_t = \mu_t + \gamma_t + \varepsilon_t,\ \varepsilon_t
第1章 絶望編 4/1～4/3 登場人物 うさ吉 スペック アラ40サラリーマン 統計検定2級持ち 統計検定準1級をなめ腐っている 4/1 新年度という事で新しいチャレンジに燃えていたうさ吉。データラーニングスクールに入校しデータサイエンティストになりたいと息巻いていた☆彡 スクール🏫 4月はカリキュラム準備期間です。これから課題がいろいろ出るので各々数学やプログラミング基礎など自習をして基礎課題に備えてくださいね✨✨ うさ吉は燃えていた🔥🔥 おっしゃー！周りの生徒なんかごぼう抜きじゃ！統計検定準1級ゲットしてイケてるデータサイエンティストになってやるます☆彡 さっそく本屋さんで統計検定準1級公式の統計学実践ワークブック（以後WB）と過去問題集を買い込んでいた📚 購入した本 統計学実践ワークブック 統計検定準1級公式問題集 だが・・・この時うさ吉は知る由も無かった・・・このバケモノ
RIETI - Rise in Wage Inequality between Firms: Evidence from Japan 1995-2013
1995年から2013年までの日本の賃金格差の変動の要因を、雇用者-被雇用者マッチデータを用いて明らかにする。その結果明らかになったことは以下の通り。まず、企業間対数賃金分散は上昇し、男性フルタイム労働者全体の対数賃金分散の上昇をもたらしたが、企業内対数賃金分散は横ばいだった。すなわち、企業間分散が増大したことが賃金格差拡大の主要因だが、その企業間分散の増大は、企業の技術やその他の特性に対するリターンの変化、企業固定効果、企業の参入と撤退によってもたらされたことがわかった。これとは対照的に、観測された企業特性の分布や人的資本へのリターンの変化は、企業間対数賃金分散にほとんど影響を与えなかった。 Using firm employer-employee matched data, we document changes in wage inequality in Japan from 199
この記事は、テキスト「RとStanではじめる 心理学のための時系列分析入門」の第３章「時系列の回帰分析」のRスクリプトをお借りして、Pythonで「実験的」に実装する様子を描いた統計ドキュメンタリーです。 取り扱いテーマは時系列回帰分析の基礎編です。 ・単位根過程 ・系列相関 ・一般化最小二乗法 ・時系列データの観察～対数変換 そろそろ、テキストのコード・分析結果の再現が難しくなってきました。 第３章 時系列の回帰分析インポートこの章で用いるライブラリをインポートします。 ### インポート # 基本 import numpy as np import pandas as pd from scipy.linalg import toeplitz # Rデータ読み取り import rdata # Rデータセット・一般化線形モデル・時系列分析 import statsmodels.api a
ELIZA NG（１）今時の傾聴対話を考える - "Truth of the Legend" Notes
Thinking about listening dialogue with current technology and social conditions. 2019/11/19 藤田昭人 タイトルの NG は "New Generation" です。"Not Good" ではありません（笑） 前回 の ELIZA 第２論文は楽しんでいただけたでしょうか？ この論文の結論とおぼしき次のくだり… I call attention to this contextual matter once more to underline the thesis that, while a computer program that "understands" natural language in the most general sense is for the present beyond our
好きな電卓 - ステーショナリー研究室日報
文房具と同じで、好きな電卓もたくさんありますが、関数電卓だとfx-JP900CWは結構好き。若干クセはあるものの、使いやすいと思います。自宅の机の上に常に置いています。 会社ではシャープのEL-520TかEL-501Tを使うことが多いです。この二つの機種はボタンの押し心地が気持ちいいです。ちょっと安っぽいですが（というか、実際に安い）EL-501Jの方が優れた点もあるので、無くなる前に買うのはアリだと思います。家電量販店とかでも1000円しないと思います。標準入力の関数電卓は操作に慣れておいて損はないです。 BRAUNの電卓は1年前に買ったまま箱に入れたままですが、そのうち会社でデビューさせようと思っています。一般電卓と関数電卓は全く別物で、四則演算しかやらないなら一般電卓の方が使い勝手がいいです。ただ、仕事柄、どうしても三角関数とか対数の計算が必要なので、関数電卓は必需品です。分数表記は
predicate.jp - Yusuke Oda
ユニグラム言語モデル 最も単純な言語モデル 自然言語処理では、解析対象の文書を何らかの形で確率モデル上の現象として扱う。 そのようなモデルのうち、文書に対してそれが生成される確率を与えるモデルを 言語モデル と呼び、他の様々なモデルの基礎となっている。 ユニグラム (unigram) 言語モデル は言語モデルの一つであり、 全ての単語が独立に出現するという強い仮定の下で導出される、最も単純なモデルである。 今、NNN 個の単語の列 S:=w1w2⋯wNS := w_1 w_2 \cdots w_NS:=w1w2⋯wN が得られているとしよう。 これは 1 文でもよいし、1 文書でもよいし、クローリングで得られた全ての文書を結合したものと考えてもよい。 iii 番目の単語 wiw_iwi は 語彙 (vocabulary) V\mathcal{V}V に含まれる記号である。 例えば英
eMAXIS NASDAQ100 手数料 0.2%違うとどうなる？｜Kota＠Python＆米国株投資チャンネル
サブテーマ：資産形成から取り崩し期の一括シミュレーションで差を確認 １ 初めに 最近、eMAXIS NASDAQ100インデックス投資信託の信託手数料をライバルニッセイNASDAQ100並に値下げ（年率0.44→0.2035％）に下げるというニュースを受け、0.2%の差ってどうなの？？と気になる方も多いのではと思います。 そこで今回は過去とは違う、手数料の評価ということで、積立期から定年もしくはFIRE後の取り崩し期までの一括シミュレーションできるコードで比較してみます。 投資信託手数料0.2%の違いに興味のある方、その解析方法に興味のある方ぜひ読んでみてください。 今回の結論： ・手数料年率0.2％の差は軽微（アセットの違いの差の方が大きい） ・NASDAQ100を今回の条件で投資すると、95％の確率で 元本３０万円／月取り崩しても資産が減らない。 今回のシミュレーション条件： init
p({\bf x}_t|{\bf y}_{1:T})=p({\bf x}_t|{\bf y}_{1:T})\int\frac{p({\bf x}_{t+1}|{\bf x}_t)}{p({\bf x}_{t+1}|{\bf y}_{1:t})}p({\bf x}_{t+1}|{\bf y}_{1:T})d{\bf x}_{t+1} いずれの分布を計算するにも積分計算を乗り越えなければならない。カルマンフィルタはすべての確率変数が正規分布に従うと仮定することによって積分を行列計算に落とし込み解析的に分布を求める、という手法であった。一方マルコフ連鎖モンテカルロ法(MCMC)は、求めたい分布からのサンプルを直接得て分布を推定する方法である。 MCMCをフィルタリングに用いると各時点でのフィルタ分布からの乱数を毎回発生させる必要があり、現実的ではない。MCMCは逐次的なアプローチよりも平滑化に導
小学校のときに習った概念 ｢分数｣ 。 計算規則がややこしくて何度も練習しましたよね。 今回は、この分数の計算、特に割り算の話です。 ある数を分数で割るときに行う、｢分母と分子をひっくり返して掛ける｣ という操作がありますよね。どうしてこれだけで割り算ができてしまうのでしょう？ 分母と分子をひっくり返して掛けるだなんて、もはや当たり前すぎて、気にも留めない人も多いのではないかと思いますが、ふとこんな質問をされたときに、きちんと答えることができますか？ 当たり前に思うことほど、説明しようとしても意外とできなかったりします。どのように説明したら答えることができるのか考えていきましょう。 まずは、そうですね、いきなり答えを出すのは難しいですから、与えられた問いに対して部分的に答えを出すことはできないのか、と考えるのがひとつの方法です。 考えの道筋をざっと書いておきます。これはあくまでも一例で、私
目次 1.はじめに 2.正式な数式 3.キーワード１：基本形（左右対称、x=0で１） 4.キーワード２：確率密度関数（面積は１） 5.キーワード３：正規化（の逆） 6.おわりに 1. はじめに 正規分布の数式って、滅茶苦茶（メチャクチャ）複雑ですよね。なぜ、こんなに複雑なカタチをしているのか、３つのキーワードと共に、考えてみましょう。 なお、数学的に、厳密な議論ではなく、ザックリと数式の意味を理解することを目的としていますので、その点はご留意くださいね。 2. 正式な数式 正規分布（ガウス分布）の確率密度関数（probability density function, PDF）は以下のように表されます： $$ f(x | \mu, \sigma) = \frac{1}{\sigma\sqrt{2\pi}} \cdot e^{-\frac{(x - \mu)^2}{2\sigma^2}} $
本記事は、G検定のチートシートです。 「ディープラーニングG検定公式テキスト」と「ディープラーニングG検定問題集」を中心にまとめています。 どちらも代表的なG検定のテキストです。（代表的というか、これくらいしか無いです。。） また、機械学習やディープラーニングについては、モデルごとの解説動画を日々更新しているので、ぜひこちらもお役立てください。 ■Youtube:https://www.youtube.com/channel/UCwlSTr8FIuNnaNPZIzDghAA ■ブログ：https://datascience-lab.sakura.ne.jp/ 1.1 人工知能の定義 人工知能とは何か コンピュータを使って、学習・推論・判断など人間の知能のはたらきを人工的に実現したもの。 AI効果 人工知能で何か新しいことが実現され、その原理が分かってしまうと、「それは単純な自動化であって知
「探索のアルゴリズム」について解説｜基礎理論・基本情報技術者試験 - リスキリング｜情報技術者への歩み、デジタルを使う側から作る側へ
｜探索のアルゴリズム（問題解決の鍵） ｜探索の重要性 ｜主要な探索アルゴリズムと番兵法 １．線形探索のアルゴリズム ＞線形探索のアルゴリズム ＞番兵法 ｜２分探索のアルゴリズムと最大探索回数の制御 １．２分探索の基本原理 ２．最大探索回数の制御 ｜ハッシュ表探索（データを素早く見つける方法） １．ハッシュ関数の役割 ２．ハッシュ表のメリット ３．衝突（コリジョン）の問題とその対処法 ４．オープンアドレッシング法 ５．チェイン法 ６．パフォーマンスとメモリ使用量のトレードオフ ｜探索アルゴリズムの計算量（オーダ） １．ビッグオー記法（Big O Notation） ＞主なビッグオー記法の例 ２．計算量の選択 ｜アルゴリズム設計のポイント Amazon.co.jp: Amazon Prime Amazon.co.jp: Audibleブック・オリジナル Amazon.co.jp: Amazon
気象庁｜異常気象リスクマップ 確率降水量の推定方法
ホーム > 各種データ・資料 > 地球環境・気候 > 異常気象リスクマップ > 確率降水量の推定方法 異常気象リスクマップとは はじめに 対象とする現象について 用いた観測データについて 大雨のリスクマップ 「30年に1回の大雨」「100年に1回の大雨」（確率降水量） 確率降水量とは 確率降水量の推定方法 「100年に1回の大雨」は何mmくらい？ 「30年に1回の大雨」は何mmくらい？ 日降水量100mm以上の大雨は年に何日降っている？ 大雨が増えている 極端な多雨・少雨の年が増えている 少雨のリスクマップ 「10年に1回の少雨」は何mm？ 参考 異常気象リスクマップのデータ 確率降水量に関するＱ＆Ａ ＊以下は、日降水量の確率降水量を例に解説していますが、24時間降水量についても同様の方法で推定しています。 確率降水量・再現期間は、観測値をもとに、確率分布を当てはめて推定しています。 また
※ 個人的感想です 四国に帰省して中学校の同級生の家で雑談していた時、テレビが点けっぱなしになっていてワイドショーが放映されていました。 そのテレビの内容があまりにも酷いのにびっくり！ 以下、３つのアホな報道を紹介します。 ゲイNO人事件の本質 殆どのチャンネルでジャニーズ 事件に関し、東山氏の浅薄な弁明記者会見を数時間にわたってダラダラと垂れ流しています。 報道の視点はこの事件を「隠蔽されていたイジメ」として取り上げています。イジメなんてよくある事案ですよね。しかも本件の被害者は一人前の大人。 とするなら、公共の電波を数時間も費消して報道する必要はあるのだろうか？ この事件の本質は別のところにあります。 その本質とは、国民全員に関わる問題であって、特定の偏執的なイジメといった下世話な事案ではありません。 事件についてマスコミは意図的に報道を避けていました。 でも実際は… マスコミは知って
こんにちは，音楽情報処理の研究をしているしがない人間のひとりです． 今回はMERTという音楽音響信号に対する事前学習済みモデルの論文を読んでみたのでまとめます． 間違い等をもし見つけた場合は，お手数ですがご連絡お願いします． MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training (2024.02.15 追記：機械学習のトップカンファレンスとして名高いICLR 2024にアクセプトされたようです！ https://openreview.net/forum?id=w3YZ9MSlBu) 大規模事前学習済みモデルは，NLPで提案されたBERTを皮切りに，様々なドメインで研究が提案されてきました． 音声でもWav2Vec2.0やHuBERT，WavLMなどのモデルが提案され，少ないリソー
期待値最大化 (EM) アルゴリズム 期待値最大化 (EM) アルゴリズムは、潜在変数を持つ確率モデルで最尤推定する方法の一つである。 EM アルゴリズムの背後にある基本的な考え方は、次の 2 つのステップを交互に繰り返すことにより、潜在変数の推定値を繰り返し調整すること。 期待 (E) ステップ: 潜在変数の現在の推定値を使用して、完全なデータの対数尤度の期待値を計算する 最大化 (M) ステップ: E ステップからの期待値を使用して、モデル パラメーターに関して完全なデータの尤度(対数尤度)を最大化する これらの 2 つの手順は、Q関数の値が収束条件に達するまで繰り返す。 EM アルゴリズムは、直接的な最尤推定が困難または不可能な状況で特に役立つ。 つまり、EM アルゴリズムは、完全データの対数尤度の期待値の推定とモデルに関する完全データの対数尤度の最大化を交互に行うことにより、潜在変
タグ 2乗a band ofa flock ofa herd ofa host ofa number ofa pair ofa run for one's moneya school ofa sea ofa swarm ofa touch of makeupa/anA/D converterA/D変換回路abbrev.abbreviationaboutabout toabsentabsorbabsorbanceabsorberabsorptionaccelerateaccelerationaccordinglyactact of Congressact of evilact of Parliamentact of violenceact onacute painAdam's appleADCadsorbadvanceaffairageaimAliceallall outalrightalt
Pythonのmathモジュールは、数学的な関数や定数を提供する標準ライブラリです。このモジュールは、数学的な計算を行うプログラムを開発する場合に非常に役立ちます。以下では、いくつかのmathモジュールの利用例を紹介します。 math.ceil()関数 math.ceil()関数は、引数で渡された値を切り上げた整数値を返します。以下は、math.ceil()関数を使用した例です。 import math print(math.ceil(3.4)) # 4 print(math.ceil(3.9)) # 4 math.floor()関数 math.floor()関数は、引数で渡された値を切り捨てた整数値を返します。以下は、math.floor()関数を使用した例です。 import math print(math.floor(3.4)) # 3 print(math.floor(3.9))
音の説明 - 日本消音研究所
※暗騒音の影響 対象としている音以外の音を暗騒音と呼びます。機器の運転騒音を判定する際には必ず暗騒音の影響を補正しなければなりません。基本的に機器から発生している騒音は一定ですが暗騒音は変動します。 例えば機器運転時の騒音を測定して53dBであった時の暗騒音が49dBであったとします。一般的に「暗騒音が10dB以上低い場合には無視できる」と言いますが、この場合には4dBの差ですので補正が必要になります。この補正は通常の四則演算ではなく「デシベル値の減算」になりますので関数計算機を必要とします。最近ではエクセル等の表計算ソフトで算出する場合が多いと思いますので、式を書いてみます。 =log10 (1 QA (53［測定結果dB値］ ／10)-1QA (49［暗騒音dB値］ ／10))*10 単位の項で述べたようにdB値は指数を10倍して表示していますので、測定結果のdB値を10で除します。そ
高校数学の学習アドバイス｜坂どん
僕が高校生に配っているプリントをちょこちょこ載せておきます．高校数学の学習をする上で，良ければ参考にしてみて下さい． まずは高校数学の《世界地図》です．特に一通り学び終えた受験生は，高校数学の全体像を掴めば，受験勉強もしやすくなると思います． 高校数学の世界地図大体，基礎が下に，応用が上に書いてある感じです． 言葉でも，学習アドバイスを色々と綴っておきます． 高校数学の概観右側では色々な本をオススメしていますが，ちょっと情報が古いです．高校生へのオススメ高校数学学参についての詳細は次の記事でご紹介しています． また，絶対に全部をやるべきという訳でもありません．残された時間から逆算して，自分の学力に合わせて参考にしてみて下さいね． 次に，色々な記号についてです．記述式の試験を受ける人は勿論，自分で書いた文字で混乱しないためにも，文字や数字をしっかり書き分けられるようにしておきましょう． 色々
参考文献（この記事はほとんどこの文献の内容のまま）： http://ee.sharif.edu/~bss/DarmoisTheorem.pdf統計的因果探索手法の LiNGAM で実際に因果グラフを推測するアプローチの一つに、「正しくない因果的順序で回帰すると（原因の変数を結果の変数で回帰すると）、説明変数と残差が独立にならない ⭐」ことを利用して因果的順序を特定するものがありますが、⭐ を保証するダルモア・スキットビッチ定理の証明が気になったのでウェブ上で拾った参考文献の自分の訳をメモします。解釈の誤りは自分に帰属します。定理1と定理2の証明はありません（参考文献にも）。お気付きの点がありましたらコメントでご指摘いただけますと幸いです。なお、ダルモア・スキットビッチ定理は以下の定理3で、「確率変数 がどちらも、非ガウス分布にしたがう の1次の項を含んでいる（係数 がどちらもゼロでない）な
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
【動画解説】2020年に読んだAI論文100本全部解説(俺的ベスト3付き) - Qiita
正規分布に従う疑似乱数を生成する方法は？速度は？調べてみました！
パスワード付きZipファイルメールを自動解凍する方法
アフィリエイト（ブログ）の目的別リサーチ方法｜手順と事例で詳しく解説
SaaS企業データ分析 | 売上成長によるコスト競争戦略｜ぽこしー📊SaaS企業データアナリスト
北欧スタイルに学ぶ夜も快適な秋冬仕様のインテリア…間接照明と家具の配置がポイント | @Living アットリビング
人口増加と人口減少はどちらが持続可能か？プログラミングと数学を用いて検証してみた！｜フライパン
ゲーム作りとかCGとかに関わる数学(初歩)① - Qiita
pymc-experimentalで状態空間モデルを実装してみる - ぱぐみの部屋
統計検定準1級合格体験記🏅｜DS勉強垢筋肉うさまらー@うさ吉
時系列分析入門【第３章 前編】単位根・系列相関・一般化最小二乗法GLSをPythonで実践する｜ネイピア eDAO
基礎から分かる時系列分析 5.マルコフ連鎖モンテカルロ法(MCMC)(Stanで実装) - Qiita
逆数を掛けると割ったことになるのはなぜ？ - ぐるます
【統計の基礎】ナゼ、正規分布の数式は複雑か？ - Qiita
【2022年3月受験版】G検定チートシート - Qiita
電動紙芝居屋の無知と欺瞞 - こに〜 の ざれごと
【論文読み】音楽情報処理の大規模事前学習済みモデルMERTについて 【音楽情報処理】 - Qiita
【Python】期待値最大化 (EM) アルゴリズム - Qiita
“not only A but (also) B”の動詞は単数？複数？
Pythonのmathモジュールの利用方法 - PyDocument
雑記： ダルモア・スキットビッチ定理の証明 - クッキーの日記