EMアルゴリズム - Wikipedia
EMアルゴリズム（英: expectation–maximization algorithm）とは、統計学において、確率モデルのパラメータを最尤推定する手法の一つであり、観測不可能な潜在変数に確率モデルが依存する場合に用いられる。EM法、期待値最大化法（きたいちさいだいかほう）[1][2]とも呼ばれる。その一般性の高さから、機械学習、音声認識、因子分析など、広汎な応用がある[1]。 EMアルゴリズムは反復法の一種であり、期待値(英: expectation, E) ステップと最大化 (英: maximization, M)ステップを交互に繰り返すことで計算が進行する。Eステップでは、現在推定されている潜在変数の分布に基づいて、モデルの尤度の期待値を計算する。Mステップでは、E ステップで求まった尤度の期待値を最大化するようなパラメータを求める。M ステップで求まったパラメータは、次の E
)
Lean (証明アシスタント) - Wikipedia
Cantorの定理をLeanで示している様子．右側の infoview に今使える仮定と示すべきゴールが常に表示される． Lean は純粋関数型プログラミング言語のひとつである。また、同時に証明支援系(theorem prover)（英語版）でもある。帰納型（英語版）を伴うCalculus of constructions（英語版）と呼ばれる型システムに基づいている。純粋関数型言語であるが、functional but in-place と呼ばれるプログラミングパラダイムに基づいており、効率性を重視している。 歴史[編集] 2013年: 開発開始[編集] Lean はGitHubでホストされているオープンソース（英語版）プロジェクトである。2013年にMicrosoft ResearchのLeonardo de Mouraによって立ち上げられた[1]。 Lean は最初の定理証明支援系では
スパースモデリング - Wikipedia
スパースモデリング（英語: Sparse modeling、スパース sparse とは「すかすか」、「少ない」を意味する）または疎性モデリングとは、少ない情報から全体像を復元しようとする科学的モデリング手法である[1]。これは、スパース表現あるいはスパース近似という、連立一次方程式のスパース解を扱う理論に基づいている。スパースモデリング技術は、スパース解を見つけて応用するもので、画像処理、信号処理、機械学習、医用画像処理などで広く利用されている。 概要[編集] 圧縮センシングの一技法で膨大なビッグデータを解析して大量のデータに埋もれて見えにくくなってしまう有為な情報を抽出したり、法則性を導き出したり、断片的なデータを補完して実状に忠実に再現する[2]。地球科学、MRIや天文学を含む多くの分野で高分解能化に使用される[3][4][5][6]。 医用画像に関しての応用は、2002年頃に筑波大
ゴロム符号 - Wikipedia
ゴロム符号（ゴロムふごう、Golomb coding)とは、南カリフォルニア大学のソロモン・ゴロムによって開発された、幾何分布に従って出現する整数を最適に符号化することのできる整数の符号化手法である。 ゴロム符号と類似の手法にライス符号があるが、ゴロム符号の特別な場合がライス符号になるため、ライス符号のことをゴロム・ライス符号(Golomb-Rice coding)と呼称することが多い。特にライス符号は符号化・復号の計算量が少ないことが特徴。圧縮率は幾何分布の時はハフマン符号と同一で、それ以外ではそれよりも悪い。 符号化の原理[編集] 符号化のパラメータとして、1 以上の整数値 m を用いる。 m > 1 のとき、符号化対象とする整数値 x(≧0) に対して、x を m で割った商を q 余りを r とする。 商 q をunary符号を用いて符号化する。 余り r は に従って、次のように
弱形式 - Wikipedia
数学において弱形式（じゃくけいしき、英: weak formulation）は、線型代数学の概念を、例えば偏微分方程式などの他の分野において問題を解くために用いることを可能にする、重要な解析上の道具である。弱形式において、方程式の絶対性はもはや要求されず（適切である必要すらない）、代わりにあるテストベクトルあるいはテスト函数に関する弱解が存在する。これは超函数の意味で解を要求する問題を構成することと同値である。 ここでは弱形式に関するいくつかの例を紹介し、その解に対する主要な定理であるラックス＝ミルグラムの定理（Lax-Milgram theorem）を述べる。 一般の概念[編集] をあるバナッハ空間とする。次の方程式の解 を見つけたい。 但し および であり、 は の双対である。 定義よりこの問題は全ての に対して次を満たすような を見つけることと同値である： . ここで をテストベクト
ユーザーインターフェイススレッド - Wikipedia
ユーザーインターフェイススレッド (英: user-interface thread) とは、アプリケーションソフトウェアのグラフィカルユーザーインターフェイス (GUI) におけるメインスレッドのことを指す。UIスレッドと表記されることもある。本項では、GUIでのマルチスレッドに関するデザインパターンを記載する。ユーザーインターフェイススレッドは、Javaではイベントディスパッチスレッド、Adobe Flashではprimordial workerと呼ばれる。 歴史的経緯[編集] GUIアプリケーションにおいて、応答性を維持するためには、基本的にフレームの描画およびユーザー応答（さまざまなユーザー入力に対するアクション）はできるかぎり高いフレームレートで処理しないといけない[注釈 1]。例えば60fps (frames per second) の場合、1フレームの処理を1/60秒=約16
貞観政要 - Wikipedia
『貞観政要』（じょうがんせいよう / ぢょうがんせいよう）は、中国唐代に呉兢[注 1]が編纂したとされる太宗の言行録である。題名の「貞観」は太宗の在位の年号で、「政要」は「政治の要諦」をいう。全10巻40篇からなる。 中宗の代に上呈したものと玄宗の代にそれを改編したものと2種類があり、第4巻の内容が異なる。伝本には元の戈直（かちょく）が欧陽脩や司馬光による評を付して整理したものが明代に発刊されて広まった「戈直本」と、唐代に日本に伝わったとされる旧本の2系がある。日本以外にも朝鮮・女真・西夏の周辺諸語に訳されるなど大きな影響を与えた。 大要と背景[編集] 本書は、唐の太宗の政治に関する言行を記録した書で、古来から帝王学の教科書とされてきた。主な内容は、太宗とそれを補佐した臣下たち（魏徴・房玄齢・杜如晦・王珪[注 2]ら重臣45名[1]）との政治問答を通して、貞観の治という非常に平和でよく治ま
菜根譚 - Wikipedia
『菜根譚』（さいこんたん）は、洪自誠（洪応明、還初道人）による随筆集で中国古典の一つ。前集222条、後集135条からなる中国明代末期のものであり、主として前集は人の交わりを説き、後集では自然と閑居の楽しみを説いた書物である[1]。別名「処世修養篇」（孫鏘（そん しょう）の説）。 概要[編集] 書名は宋の汪信民（中国語版）「人咬能得菜根、則百事可做（人能く菜根を咬みえば、則ち百事なすべし）」に依拠する[2]。菜根は堅くて筋が多いので、これをよく咬みうるのは、ものの真の味わいを味わいうる人物であるということを意味する[2]。 『菜根譚』の版本は、洪自誠を著者とする「洪自誠本」と、洪応命を著者とする「洪応命本」の二系統がある[2]。日本で流布したのは洪自誠本である[2]。 著者の洪自誠の来歴は不明である[2]。日本に『菜根譚』をもたらした林蓀坡も、明代末期に引退して道を楽しんだ人物と述べるに留ま
文様群 - Wikipedia
文様群（もんようぐん、英: wallpaper group）もしくは壁紙群（かべがみぐん）は、パターンの対称性に基づく、2次元内での繰り返しパターンに関する数学的な分類である。このようなパターンは、建築や美術で頻繁に使用され、そのパターンは17種に大別される。 歴史[編集] 1891年にEvgraf Fedorovによって、2次元空間内での繰り返しパターンが17種に大別されることの証明が試みられ[1]、1924年George Pólyaによって証明された[2]。 卜部東介（1953–2011、当時茨城大学）が、2002年に 利根安見子、近藤誠造（京都府立大学）の協力のもと、日本の伝統文様には17種類の文様群すべてが含まれていることをインターネット上に発表した。[1] 導入[編集] 文様群は、対称性によるパターン分類であるため、色・形状・サイズが大きく違う場合でも、同じグループに分類される。
代数的数 - Wikipedia
代数的数（だいすうてきすう、英: algebraic number）とは、複素数であって、有理数係数（あるいは同じことだが、分母を払って、整数係数）の 0 でない一変数多項式の根（すなわち多項式の値が 0 になる値）となるものをいう。全ての有理数と、その整数冪根は代数的数である。実数や複素数には代数的数でないものも存在し、そのような数は超越数と呼ばれる。例えば π や e は超越数である。ほとんどすべての複素数は超越数である（#集合論的性質）。 概要[編集] 複素数 α に対し、有理数を係数とする多項式 が存在して、f(α) = 0 となるとき α を代数的数という。 まず α が有理数ならば f(x) = x − α は、α を根に持つので、有理数はすべて代数的数である。 さらに実数の は f(x) = x2 − 2 の根であるから代数的数であり、また複素数の i は f(x) = x2
東京物語 - Wikipedia
『東京物語』（とうきょうものがたり）は、1953年（昭和28年）に公開された日本映画である。監督は小津安二郎、主演は笠智衆と原節子。モノクロ、スタンダード・サイズ、136分。 概要[編集] 『晩春』（1949年）、『麦秋』（1951年）、『東京物語』（1953年）で原節子が演じたヒロインはすべて「紀子」という名前であり、この3作品をまとめて「紀子三部作」と呼ぶことがある[2][3][4][5]。昭和28年度文化庁芸術祭参加作品。 上京した年老いた両親とその家族たちの姿を通して、家族の絆、親と子、老いと死、人間の一生、それらを冷徹な視線で描いた作品である[3][6][7][8][9]。戦前の小津作品、特に『戸田家の兄妹』などにすでに見出されるテーマだが、本作でより深化させられることになった。「ロー・ポジション」[注 1]を多用し、カメラを固定して人物を撮る「小津調」と形容される独自の演出技法
CMA-ES - Wikipedia
CMA-ES (共分散行列適応進化戦略、Covariance Matrix Adaptation Evolution Strategy の略) は、連続最適化問題のアルゴリズム。目的関数 の最小値を探す。目的関数の導関数は不要。100次元程度[1]以下のノイズも乗っている目的関数を想定している。1996年に Nikolaus Hansen と Andreas Ostermeier が発表し[2][3]、その後も改良が続けられている。 概要[編集] ES は進化戦略(evolution strategy)の事で、確率を使用したメタヒューリスティックスの乱択アルゴリズム。多変量正規分布に基づいて新しいサンプルが選ばれる。分布は同じ平均値になるように設定され、突然変異は平均値を変えないように導入される。変数間の依存関係は共分散行列によって扱われる。 CMA は共分散行列適応(covariance
放射輝度 - Wikipedia
放射輝度（ほうしゃきど、英語: radiance）とは、放射源の表面上の点からある方向へと放出される放射束を表す物理量である。英語名のままラディアンスとも呼ばれる。放射輝度は、放射束の立体角と放射源表面の投影面積による微分として定義される。拡散源からの放射と、拡散面からの乱反射の両方に用いられる。 SIにおける単位はワット毎平方メートル毎ステラジアン（記号: W sr−1 m−2）が用いられる。 量記号には L や Le が用いられる。なお、添え字 e は放射量（エネルギー）であることを表している[1]。 定義[編集] 放射源の表面上の1点を考え、この点を含む微小な表面積を dS とし、この微小表面積 dS からでる放射束を Φsrc とする。また、この点から位置 r にある微小な断面積を dΣ、この点を中心として dΣ が張る立体角を dω とする。さらに dS の法ベクトルを n とし
素集合データ構造 - Wikipedia
素集合データ構造（そしゅうごうデータこうぞう、英: disjoint-set data structure）は、データの集合を素集合（互いにオーバーラップしない集合）に分割して保持するデータ構造。このデータ構造に対する以下の2つの便利な操作をUnion-Findアルゴリズムと呼ぶ。 Find: 特定の要素がどの集合に属しているかを求める。2つの要素が同じ集合に属しているかの判定にも使われる。 Union: 2つの集合を1つに統合する。 これら2つの操作をサポートしているため、素集合データ構造は「Union-Findデータ構造」あるいは「Merge-Find集合」とも呼ばれる。これら以外の重要な操作として MakeSetがある。これは、与えられた1つの要素だけを格納した集合（シングルトン）を作成する。これら3つの操作により、様々な実用的分割問題を解くことができる（「応用」の節を参照）。 これ
Ghoti - Wikipedia
ghoti （フィッシュ）は、英語の綴りの不規則性を示すために作り出された語。ジョークである。英単語 fish の音を異なる綴りで表したものであるため、 fish と同じく [ˈfɪʃ] と発音する。 概要[編集] ghoti は以下の三つの部分からなる。 gh - laugh (ラフ [læf], [lɑːf]) における gh と同様、[f] の音を表す。 o - women (ウィミン [ˈwɪmɪn], [ˈwɪmən]) における o と同様、[ɪ] の音を表す。 ti - nation (ネイシャン [ˈneɪʃən]) における ti と同様、[ʃ] の音を表す。 同じように、colonel (カーネル, [ˈkɝnəl]) の olo を付け加えた ghotiolo は fisher (フィッシャー [ˈfɪʃɚ]) と発音する。これには歴史的な経緯が深く関係している。 英
Random forest - Wikipedia
ランダムフォレスト（英: random forest, randomized trees）は、2001年にレオ・ブレイマン（英語版）によって提案された[1]機械学習のアルゴリズムであり、分類、回帰、クラスタリングに用いられる。決定木を弱学習器とするアンサンブル学習アルゴリズムであり、この名称は、ランダムサンプリングされたトレーニングデータによって学習した多数の決定木を使用することによる。ランダムフォレストをさらに多層にしたアルゴリズムにディープ・フォレストがある。対象によっては、同じくアンサンブル学習を用いるブースティングよりも有効とされる。 アルゴリズム[編集] 学習[編集] 学習を行いたい観測データから、ブートストラップ法によるランダムサンプリングにより B 組のサブサンプルを生成する 各サブサンプルをトレーニングデータとし、B 本の決定木を作成する 指定したノード数 に達するまで、以
カチッサー効果 - Wikipedia
カチッサー効果（カチッサーこうか、英: Automaticity）とは、ある働きかけによって、深く考えることなしに、ある行動を起こしてしまう心理現象[1]。カチッ・サー効果とも表記する[2]。 認知バイアスの一種であるが「カチッサー効果」とは日本での呼び名であり正式には「自動性」という[3]。 概要[編集] 心理学者のエレン・ランガー（Ellen J. Langer） が実験をおこなった。被験者がコピー機の順番待ちの列の先頭へ行き3通りの言い方で頼む。 要求のみを伝える：「すみません、5(20)枚なのですが、先にコピーをとらせてもらえませんか？」 本物の理由を付け足す：「すみません、5(20)枚なのですが、急いでいるので先にコピーをとらせてもらえませんか？」 もっともらしい理由を付け足す：「すみません、5(20)枚なのですが、コピーをとらなければいけないので先にコピーをとらせてもらえません
ブラック–リッターマン・モデル - Wikipedia
ブラック–リッターマン・モデル（英: Black–Litterman model）とはファイナンスにおけるポートフォリオ選択についての数理モデルである。証券会社のゴールドマン・サックスに所属していたフィッシャー・ブラックとロバート・リッターマンによって1990年に考案され、1992年に出版された。ブラック–リッターマン・モデルでは、機関投資家が現代ポートフォリオ理論を実践するに当たって出くわす問題が克服されている。ブラック–リッターマン・モデルは代表的個人の資産配分が利用可能な資産の時価に比例しているという均衡の仮定に立脚しており、オーダーメイドの資産配分をもたらすために、投資家の'view'（つまり、資産のリターンについての特定の意見）を考慮にいれるようになっている。 背景[編集] 資産配分とは、少数のアセットクラス（例えば6つから20個）へのポートフォリオを決めなくてはならない投資家が
不連続性の分類 - Wikipedia
連続関数は数学およびその応用において非常に重要である。しかし、関数が全て連続というわけではない。ある関数がその定義域内のある点で連続でないとき、その関数は不連続性 (discontinuity) を有する。関数の不連続点全体の成す集合は離散集合の場合もあるし、稠密集合の場合もある。場合によっては定義域全体と同じとなるかもしれない。 本項目では、最も単純な実一変数で実数を値にとる函数の場合における不連続性の分類を述べる。 不連続性の分類[編集] 実軸上の点 x0 の近傍で定義される実変数 x の実数値をとる函数 f が点 x = x0 で不連続という場合を考える。便宜のため、 をそれぞれ x = x0 における f の左または右からの片側極限とする。また、L− = L+ であるときはこの一致する値を単に で表す。 可除不連続点: L− と L+ が有限確定（存在して有限）で相等しいが f(x
モレラの定理 - Wikipedia
数学の一分野である複素解析におけるモレラの定理（モレラのていり、英: Morera's theorem）とは、ジャチント・モレラ（英語版）の名にちなむ定理で、函数が正則であるか判別するための重要な指標を与えるものである。 数学的な記述[編集] モレラの定理では、複素平面内のある連結開集合 D 上で定義される連続な複素数値函数 f で、D 内のすべての区分的 C1 閉曲線 γ に対して を満たすものは、必ず D 上で正則であると述べられている。 モレラの定理の仮定は、f が D 上に原始関数を持つことと同値である。 この定理の逆は一般には成り立たない。正則函数は、付加的な仮定が課されない限り、その定義域上に不定積分を持つとは必ずしも言えない。例えば定義域が単連結であれば、そのような逆は成立する。これは、閉曲線に沿った正則函数の線積分はゼロであることを述べたコーシーの積分定理による。 一方、区
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
