The Theory That Would Not Die: How Bayes� Rule Cracked the Enigma Code, Hunted Down Russian Submarines, and Emerged Triumphant from Two Centuries of Controversy. - Sharon Bertsch McGrayne
The Theory That Would Not Die: How Bayes� Rule Cracked the Enigma Code, Hunted Down Russian Submarines, and Emerged Triumphant from Two Centuries of Controversy. In the first-ever account of Bayes� rule for general readers, Sharon Bertsch McGrayne explores the controversies and human obsessions surrounding it. She traces its discovery by the amateur mathematician Reverend Bayes in the 1740s throug
モンティ・ホール問題 - Wikipedia
モンティ・ホール問題 閉まった3つのドアのうち、当たりは1つ。プレーヤーが1つのドアを選択したあと、例示のように外れのドアが1つ開放される。残り2枚の当たりの確率は直感的にはそれぞれ 1/2（50%）になるように思えるが、はたしてそれは正しいだろうか。 モンティ・ホール問題（モンティ・ホールもんだい、英: Monty Hall problem）とは、確率論の問題で、ベイズの定理における事後確率、あるいは主観確率の例題の一つとなっている。モンティ・ホール（英語版）（Monty Hall, 本名：Monte Halperin）が司会者を務めるアメリカのゲームショー番組、「Let's make a deal（英語版）[注釈 1]」の中で行われたゲームに関する論争に由来する。一種の心理トリックになっており、確率論から導かれる結果を説明されても、なお納得しない者が少なくないことから、モンティ・ホール
GitHub - CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers: aka "Bayesian Methods for Hackers": An introduction to Bayesian methods + probabilistic programming with a computation/understanding-first, mathematics-second point of v
The Bayesian method is the natural approach to inference, yet it is hidden from readers behind chapters of slow, mathematical analysis. The typical text on Bayesian inference involves two to three chapters on probability theory, then enters what Bayesian inference is. Unfortunately, due to mathematical intractability of most Bayesian models, the reader is only shown simple, artificial examples. Th
“基礎”からのBayesian Nonparametrics-点過程と機械学習の数理-
深層学習(Deep Learning)とベイズ的最適化(Bayesian Optimization)による医用画像読影支援の試み
HBC: Hierarchical Bayes Compiler
Pre-release version 0.7 (03 Apr 2008); see what has been updated here) Older versions: 0.6 0.5 0.4 0.3 0.2 0.1
Stan
Stan is a state-of-the-art platform for statistical modeling and high-performance statistical computation. Many thousands of users rely on Stan for statistical modeling, data analysis, and prediction in the social, biological, and physical sciences, engineering, and business. Stan interfaces with the most popular data analysis languages (R, Python, shell, MATLAB, Julia, Stata) and runs on all majo
なぜベイズ統計はリスク分析に向いているのか？－その哲学上および実用上の理由－
1. 2010.6.17国環研生物系若手セミナー＊ブログup用改変版＊ なぜベイズ統計は リスク分析に向いているのか？ ∼その哲学上および実用上の理由∼ (ver 2.0) 林岳彦 国立環境研究所環境リスク研究センター hayashi.takehiko@nies.go.jp
Stat 260/CS 294: Bayesian Modeling and Inference
Stat 260/CS 294 Bayesian Modeling and Inference Prof. Michael Jordan Monday and Wednesday, 1:30-3:00, 330 Evans Spring 2010 Announcements 4/28: Homework 5 is due on May 5th at 5pm. Hardcopies only accepted; they should be placed in the box outside my office door (427 Evans). 4/22: On problem 1 in Homework 5, you can assume that the kernel satisfies detailed balance. 4/21: The due date for the fina
Best place to learn about Bayesian Nonparametric modelling? - MetaOptimize Q+A
Many of the "Introduction to Bayesian Nonparametric" slides and tutorials that I've found immediately jump into equations that are a little too terse for me. I feel like I need a stronger background in the required statistics. Does anyone know of a good set of videos/slides/open-course-ware-esque materials to provide a comprehensive introduction to Bayesian Nonparametrics? Thanks! My technical bac
Strong Inference
The First Release of PyMC3 On Monday morning the PyMC dev team pushed the first release of PyMC3, the culmination of over 5 years of collaborative work. We are very pleased to be able to provide a stable version of the package to the Python scientific computing community. For those of you unfamiliar with the history and progression of this project, PyMC3 is a complete re-design and re-write of the
NTTコミュニケーション科学基礎研究所 知能創発環境研究グループ
内部で行っている, 統計的機械学習(ベイズに限らなくてもよい)の論文輪講です。 参加希望の方は採用ページをご覧下さい。 学生の方は, 夏季実習・一般実習でも参加できます。 実習については, 大学または, 最寄りの所員までどうぞ。 日程: 毎週金曜日 15:00-, ＠3階 交流コーナ. 注: 現在, 発表資料は外部へは公開していませんのでご注意ください。 2013 2012 2011 2010 2009 2008 2007 12/6(金) : 岩田 "Iterative discovery of multiple alternative clustering views," D. Niu, J. Dy, and M. I. Jordan, IEEE Transactions on Pattern Analysis and Machine Intelligence, to appear ht
Publications
Papers "Learning Adverbs with Spectral Mixture Kernels", Tomoe Taniguchi, Ichiro Kobayashi and Daichi Mochihashi. Findings of ACL 2024, to appear. (will also be presented at SpLU-RoboNLP 2024) 「潜在的正規分布によるイベントの時間関係の推定」. 船曳日佳里 (お茶大), 持橋大地, 浅原正幸, 小林一郎. 言語処理学会第30回年次大会A5-5, 2024. (NLP2024 委員特別賞) 「語形の分布状況のベクトル化による言語地図の分類方法」. 近藤泰弘(青山学院大), 持橋大地, 言語処理学会第30回年次大会D5-1, 2024. 「木構造自己注意機構による教師なし統語構造解析」. 成田百花(お茶大
Graham Neubig - チュートリアル資料
学校での講義 Fall 2024: Advanced NLP (CS11-711 @ CMU) Fall 2022: Advanced NLP (CS11-711 @ CMU) Spring 2022: Multilingual NLP (CS11-737 @ CMU) Fall 2021: Advanced NLP (CS11-711 @ CMU) Spring 2021: Neural Networks for NLP (CS11-747 @ CMU) Fall 2020: Multilingual NLP (CS11-737 @ CMU) Spring 2020: Neural Networks for NLP (CS11-747 @ CMU) Fall 2019: Machine Translation and Sequence-to-sequence Models (CS11-7
スライド 1
ノンパラメトリックベイズ モデルの複雑さが不明な場合 これまでに説明してきたK-means、EM、変分ベイズなどは、 モデルの複雑さ、たとえばクラスタリングにおけるクラスタ数 は予め分かっているとしてモデル推定した。 しかし、実際はクラスタ数が不明の場合が多い。 ノンパラメトリックとは 観測データに応じてモデル自体の複雑さも学 習する クラスタリングの場合は、クラスタ数が予め分かっ ていない場合。観測データに適したクラスタ数も 推定 データから学習するということの直観 有限個の正規分布を配分比πkでの混合モデル:式(NP1) クラスタ数Kの値を観測データから最適化することによっ て推定する。 基本的アイデア：無限次元の連続分布から観測データ に適応した有限次元の離散分布を学習する。 ( ) ( )∑= = K k kk NPxNxp 1 )1(|,| θππθ 無限次
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
Google Code Archive - Long-term storage for Google Code Project Hosting.
COS597C: Advanced Methods in Probabilistic Modeling
Getting Started with JAGS, rjags, and Bayesian Modelling
http://www.variational-bayes.org/
はてなブログ | 無料ブログを作成しよう
http://www.phontron.com/slides/nonparametric-tutorial-ja-2.pdf