サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
Google I/O
www.slideshare.net/issei_sato
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
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
Estimating Mutual Information for Discrete‐Continuous Mixtures 離散・連続混合の相互情報量の推定
Big Data時代の大規模ベイズ学習�-Stochastic Gradient Langevin Dynamics�を中心として
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
Bayesian Nonparametrics入門 DPからHDPまで 1. Bayesian Nonparametrics 入門 -DPからHDPまで- 東京大学 情報基盤センター 中川研究室 助教 佐藤一誠 2. Dirichlet Process (DP)を一言で 「確率分布→無限次元で離散化」 何を? どのくらい? 𝐻:基底確率分布 α→大 𝐺~𝐷𝑃(𝐻, 𝛼) α→小 Hを αくらい 𝐺 𝐺 𝑑 ※𝛼 → ∞で𝐺 → 𝐻 2 3. • なぜ無限次元離散分布が必要か? – 無限混合モデル • どのように無限次元離散分布を構成するのか? – 構成しない(積分消去):Chinese restaurant process – 構成+計算で工夫:Stick-breaking process 3 4. 準備:有限混合モデル 𝜃1 𝑝(𝑥|𝜑1 ) G 𝑝(
KDD2014勉強会: Large-Scale High-Precision Topic Modeling on Twitter
introductino to persistent homology and topological data analysis
このページを最初にブックマークしてみませんか?
『Issei_sato presentations』の新着エントリーを見る
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