統計検定2級の出題範囲の改訂(2017年11月から) - 樋口三郎の授業情報@龍谷大学先端理工学部数理・情報科学課程
統計検定の出題範囲が改訂された. 2017-11-26検定から適用. 出題範囲の改訂が行われました。｜統計検定：Japan Statistical Society Certificate 貸出用に過去問題集を大量に買ったばかりなのに…と思ったが, 2級に関しては, 少なくとも表の上では大きな変更ではない*1*2. 差分を抽出すると, 次の項目が追加になっている(と思う)*3*4. ジニ係数, 尖度, 歪度 超幾何分布, 負の2項分布 自由度調整(修正)済み決定係数 改訂前はこうだった. hig3r.hatenadiary.com 改訂版 日本統計学会公式認定 統計検定2級対応 統計学基礎 作者: 田中豊,中西寛子,姫野哲人,酒折文武,山本義郎,日本統計学会出版社/メーカー: 東京図書発売日: 2015/12/10メディア: 単行本この商品を含むブログを見る 日本統計学会公式認定 統計検定
データサイエンス、データ分析、機械学習に必要な数学２ - Qiita
数学の専門家でもなく、微分積分、線形代数、統計学は一応、最適化数学、集合・位相を勉強中というところなので以下、ツッコミどころ満載と思いますが、こういうまとめ記事が欲しいところなかなかなかったので書いてみました。 微分積分、線形代数、統計学の先へ データサイエンス、データ分析、機械学習に必須な数学として、微分積分、線形代数そして最適化数学はどのレベルが必要かについて データサイエンス、データ分析、機械学習に必要な数学 に書いております。 ただ、そこから先の数学を学ぼうと、機械学習やデータ分析に必要な数学を整理しようと思うと、数学の各科目間の前提知識やつながりなどが曖昧模糊としていて悩む。大学のシラバスなどを見ても「代数Ⅱ」などと書かれ何の内容か分からず、同じタイトルのテキストを見ても目次が異なっている事がある。 数学の各科目数学は純粋数学と応用数学に分かれ、…… c.f. 数学分野紹介 -
機械学習の数学 - Qiita
気になる記事があったのでメモ。 http://datascience.ibm.com/blog/the-mathematics-of-machine-learning/ ここ数ヶ月で、私は、データ科学の世界への挑戦と、機械学習（ML）技術を使用して統計的規則性を探り、完璧なデータ駆動型製品を構築するという熱意について、私に連絡しました。しかし、私は実際に有用な結果を得るために必要な数学的な直感とフレームワークがないことを知っています。これが私がこのブログ記事を書くことにした主な理由です。最近では、scikit-learn、Weka、Tensorflow、R-caretなどの使いやすいマシンやディープ・ラーニング・パッケージが多数利用できるようになっています。機械学習理論は、統計的、確率的、コンピュータ的データから繰り返し学習し、インテリジェントなアプリケーションを構築するために使用できる隠
Not Found – Medium
You can find (just about) anything on Medium — apparently even a page that doesn’t exist. Maybe these stories about finding what you didn’t know you were looking for will take you somewhere new?
文系プログラマから見た「いまさら聞けない!コンピュータの数学」
学習ガイドラインとしてだと思うのだが、ソフトウェア・エンジニアの数学学習のために、情報処理学会誌「情報処理」の2015年5月号の特集「いまさら聞けない！コンピュータの数学」が勧められていた*1ので、確認してみた。計算機工学に必要な数学のための本が十分ではない事を背景に、どういう種類の数学が必要になるのかさわりの部分を紹介する特集で、内容は興味深い。しかし、大学一、二年次の数学の続きを説明するものだけに、基礎的な大学数学の知識が無いと十分に理解できないかも知れない。 第1節の「プログラミング言語の数学」は、プログラミング言語の形式意味論の紹介記事になっていて、平易な記述となっている。Haskell厨が言いたい事を理解したい人は読んでおくと良いかも知れないが、大半の職業プログラマは言語自体のデザインは行わないので、興味が沸く人は少ないかも知れない。 第2節の「数値計算における数学」は、連立一次
http://www.ms.k.u-tokyo.ac.jp/2015/IPSJ-math-jp.pdf
1 , vol.56, no.5, pp.10–15, 2015. Mathematics for Machine Learning Masashi Sugiyama (University of Tokyo) sugi@k.u-tokyo.ac.jp, http://www.ms.k.u-tokyo.ac.jp Taiji Suzuki (Tokyo Institute of Technology) s-taiji@is.titech.ac.jp 1 x ∈ Rd y ∈ {1, . . . , c} Rd d c 16×16 d = 16×16 = 256 c = 10 x p(x) y p(y) p(x, y) x y p(y|x) y x p(x|y) 1 p(y|x) x y p(y) x y y p(y|x) 1 p(x) p(y) 2 y x p(y|x) p(x, y) n
線形代数の基礎 - Qiita
本稿の目的 私は工学部出身ですが、大学１年の時に授業をサボっていたため、線形代数・微分積分はチンプンカンプンな感じでずっと騙し騙しやってきました。本稿は、これではいかんと一念発起し、数学を勉強しなおした時のメモとなります。主に、「プログラミングのための線形代数」という本に沿って勉強した内容をまとめてあります。（この本は私のバイブルです！） 本稿では、まずは、そもそも、私が挫折をした、線形代数の目的や意味、エンジニア（工学部出身者）が線形代数を理解するための心得についてまとめました。 私は数学科出身ではないので、本流はよく分かりませんし、主観的なところや我流の理解もあると思いますが、適宜ご指摘をお願いします。また、以下は一介のエンジニアの個人的な見解ですので、異なる意見の皆様はコメントがある場合でもお手柔らかにお願いします（特に数学科の皆様）。 線形代数の目的 線形代数の目的は以下のとおり。
線形代数の用語と意味まとめ（主に自分用） - About connecting the dots.
恥ずかしながら，線形代数周りの用語って似たようなものが多くて，すぐにアレがどれだっけと混同してしまいがちになります．線形代数の手計算とかがんばってたのなってもう10年とか昔の話だし，チートシート的にまとめなおしておこうと思いました．内容的には，主に統計や機械学習で使うような内容が中心になっています． 概要 統計・機械学習で使う線形代数は，基本的には以下「計算の簡便化」と「データ変換」の2つがメインです．もちろん数学的に突っ込んでいったり，統計・機械学習でも応用的な手法を用いる場合はその限りではないですが，基本的には下の2つが大きいと思います*1． 計算の簡便化 （例えば固有値・固有ベクトルを用いて）行列を対角化することで，行列の乗算を高速に実施する （LU分解を用いて）扱いやすい形に行列を分解することで，その後の計算を高速にする データ変換 SVDを行うことでLSIやPCAといったデータ縮
ただの微分幾何学徒だった僕がデータサイエンスを何故/どのように勉強したのか - Obey Your MATHEMATICS.
こんにちは。久々の投稿です。 僕のTwitterをフォローしてくれている方はご存知かと思いますが、4月から機械学習エンジニア/データサイエンティスト(見習い)として働く事が決まりました。 今日六本木の某社から正式に内定を頂きましたが、間違いなくTwitterのおかげでありTwitterこそ就活の全てであると確信した次第でございます— マスタケ (@MATHETAKE) 2017年2月23日 良い区切りですので今回はタイトルの通り、ただの純粋数学の学生だった僕がデータサイエンスの勉強を何故/どのようにしてきたのか、についての思い出せる範囲で書こうと思います。 Disclaimer: この記事は基本的に、"What I did" に関する記事であって決して "What you should do" についての記事ではありません。そんな勉強方法おかしいとか、こうすべきだ、みたいなマサカリは一切受
ディープラーニングがわかる数学入門を読んだ
ディープラーニングがわかる数学入門を４章まで読んだので、感想を書きます。 5 章の CNN はとりあえず時間をおいてから読んで、追記します。 これを読むまで、バックプロパゲーション（誤差逆伝搬法） がわかったようなわからないような、モヤモヤしていた。 coursera Machine Learning ゼロから作る Deep Learning Udacity Deep Learning Nanodegree Foundation この本でようやく、バックプロパゲーションがなにをやっているのかわかった気がする。 数列の漸化式と初めから言ってくれよ。 どんな人にオススメか# 目次はここから。 ディープラーニングがわかる数学入門：書籍案内｜技術評論社 ■ 1 章 ニューラルネットワークの考え方 ■ 2 章 ニューラルネットワークのための数学の基本 ■ 3 章 ニューラルネットワークの最適化 ■
データサイエンス、データ分析、機械学習に必要な数学 - Qiita
データサイエンス、データ分析、機械学習の専門書の前書きには「大学初年度の数学」≒微分積分と線形代数を前提としているものが多い。 それならば大学に行っている人はほとんど履修しているはずなのだが、その専門書を読むと全然歯が立たない事が多い。 かといって微分積分や線形代数のテキストを開くと、これが機械学習やデータ分析のどこに役立つのか全然分からず、途方に暮れる。 データの変化を捉えるから微分 変化を結果にまとめるから積分 多変量を扱いやすくするための線形代数 なのだがそんなお題目ではどうにもこうにも…… そんなときには下記の 『統計学のための数学入門30講 (科学のことばとしての数学)』 がいい。1冊で微分積分と線形代数の内容が入っている。また、それらが統計学にどうつながっているか、統計学のどこでどう使われているかが明示されている。「統計学のための」なので必ずしも機械学習やデータ分析向けではない
都立大 自然言語処理研究室 - 自然言語処理を独習したい人のために
東京都立大学自然言語処理研究室（小町研）に入学する人たちは、入学後に自然言語処理・機械学習・プログラミングの基礎勉強会を行なうため、特に事前に学習することはありませんが、入学前に勉強しておいたほうがよいことはあるか、と問い合わせがあるので、自然言語処理の独習用の情報を書いておきます。（主に情報系以外の学部生を対象にしています。） 近年の深層学習の発展に伴ってニューラル機械翻訳をはじめとした深層学習の研究をしたいという人がうちの受験希望者の大半ですが、深層学習の研究をしたい人はプログラミングと数学と英語のすべてがある程度できなければいけません。どれか1つでも足りないものがあれば、ほとんど研究できないと思ってください。これらは現在ほぼ未習の人が入学してから勉強して追いつけるものではないので、深層学習の研究がしたい、という場合はよくよく考えたほうがいいです。東大中山研の深層学習の研究がやりたい人
統計屋による新社会人のための統計系入門書お薦め一覧 - あんちべ！
本稿では統計学・データマイニング・機械学習関連書籍について 内容が易しいこと。数学力（特に微積・線形代数）を求められないこと 入手しやすいこと。絶版や学会に入らないと入手不可などではない、値段が安いこと 実務に繋げやすいこと。 持ち運びしやすいこと。忙しい新社会人が通勤中や休み時間ポケットからさっと取り出し、継続して勉強出来ること を主眼に選定したお薦め書籍を紹介します。 （満たせない要望も多いですが） 主な対象者は、文系で数学や統計学をやってこなかった、 プログラミングもわからない（Excelで四則演算やマウス操作くらいは使える） けどいつかマーケティングやデータマイニングやってやるぜ！ って考えてる新卒の方です。 筆者自身は経済学科出身の文系で、あまり数学力に自信がないなりに Web企業でデータマイニングをしているという人間です。 ここで紹介している内容で 「統計学・機械学習・データマ
結局、機械学習に必要な数学ってなに？
前置き# 記事がはてぶ炎上して恥ずかしい思いをしたので、結構書き直しました。 この記事よりも良質な記事を参考記事に列挙したので、このページをブックマーク集だとして、他のページを参照していただければと思います。 はじめに# 機械学習を勉強するにあたって、 ベースとなる数学を勉強したいというモチベーションが高まってきた。なぜか？それは、今まで数学的な知識なしに勉強を進めていたのたけれども、論文が読めなかったり、少し数式で込み入ってくると、とたんにわけがわからなくなったからだ。 しかし、一番のモチベーションは、やっぱり機械学習を勉強するものとしての登竜門、PRML(パターン認識と機械学習)を読みたいというものがある。 参考記事# そこで、機械学習のために必要な数学を調べてみたのだが・・・どのサイトをみてもこれはというものがみつからないのだ。 2017年現在で、有益な記事をできるかぎり集めてみた。
機械学習を学ぶ上で抑えておきたい数学２ - HELLO CYBERNETICS
機械学習や深層学習を学ぶ上で、数学は言語である 線形代数学 行列とベクトルは連立方程式を解くための記法 機械学習での活躍 どこまで学ぶか 最適化数学 学習とは 教師あり学習 教師なし学習 最適化を行う際の重要ワード「正則化」 どこまで学ぶ必要があるか 確率・統計 最低限知っておくべき定理や性質 最低限知っておくべき推定法 確率分布には見慣れるしかない 何に役立つのか 情報理論 情報を確率で記述する 何に役立つのか 情報幾何学 発祥は日本 機械学習での役割 海外での方が有名？ 機械学習や深層学習を学ぶ上で、数学は言語である 以前、学びたい機械学習のレベルに応じて、どんな数学が必要になってくるのかを紹介しました（以下の記事）。 s0sem0y.hatenablog.com そのときにも述べましたが、数学というのは何らかの操作を非常に簡潔に表現してくれます。要するに情報をギュッと圧縮して伝える手
機械学習を学ぶ上で抑えておきたい数学 - HELLO CYBERNETICS
機械学習を勉強する際にぶつかる最大の壁は数学です。 機械学習に必要な数学をリストアップし、いつでも参照できるようにまとめておきたいと思います。 数学の必要性と手順 数学は世界共通の言語 機械学習をやる上で厳密な数学は必要なし レベル別、必要な数学 機械学習の処理が具体的にどんな計算をしているのかが分かる 機械学習アルゴリズムの導出は追えなくとも、その手法の狙いが分かる 機械学習のアルゴリズムの導出を追い、アルゴリズムの理屈を理解する 行列の計算公式をまとめてあるpdf 数学の本に関して 数学の必要性と手順 数学は世界共通の言語 冒頭で述べた通り、機械学習で何をやっているのか分からない！となるのは大抵数学がわからないからです。もちろん数学が分かっていても、機械学習でわからないことは出てきますが、ちょっと数学が分かってさえいれば殆どの手法が見通しよく理解できます。それは非常に単純な理由で、数学
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
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
Mathcha - Online Math Editor
Intro - The Math of Intelligence