xiangzeのブックマーク / 2016年10月28日

xiangze id:xiangze

2016年10月28日のブックマーク (4件)

Z[√-5] のイデアルについて - tsujimotterのノートブック
二次体上の整数環を考えたときに，その代数的整数に対して「素因数分解の一意性は必ずしも保証されない」という問題は，代数的整数論のイントロダクションとして重要なトピックだと思います。具体的には，のときには，という数が２通りに素因数分解されてしまうことが，例として紹介されます。ミステリーだったら「伏線」のようなもので，この伏線が「イデアル」という手法によって鮮やかに解決していくのを，読者は期待するでしょう。当然，大抵の本では，このことをきちんと説明します。ところが，これがなかなか難しい。一番知りたかった結果に至るまでの準備が長過ぎて，そこまで至るまでに力尽きてしまったりします。そこで，本記事では「が２通りに分解されてしまう問題」を解決するためだけに，イデアルの解説をしたいと思います。あくまで，この問題を解決するためなので，余計な例は出さず，一直線に向かっていきます。とはいえ，
xiangze 2016/10/28
数学

イデアル
リンク
モデル選択とAICとcross validationの関係を大雑把に実験してみる - 渋谷駅前で働くデータサイエンティストのブログ
Stanの開発者でもある統計学界の重鎮、Andrew Gelmanがこんなブログ記事をupしていました。ちなみに@berobero11さんがこの件についてこんなコメントをされてました。 AkiらのPSIS-LOOがWAICより良いとする論文が出た。https://t.co/BWYNALp88K 渡辺先生の反論はこちら。https://t.co/MLQQvQuwM7 ・WAICはCVではなく汎化誤差を小さくするもの・MCMCを何度もやった場合の揺らぎを見よ— Kentaro Matsuura (@berobero11) October 21, 2016 WAICとcross validationの関係については渡辺澄夫先生の本にも当然のように記述があって、そこで密林でポチって読んでみたのですが、いかんせん僕の数学力が弱すぎてまだ全然理解できてない有様ですorz ベイズ統計の理論と方法作
xiangze 2016/10/28
統計

情報量基準

R
リンク
Age and Gender Classification Using Convolutional Neural Networks
Faces from the Adience benchmark for age and gender classification. These images represent some of the challenges of age and gender estimation from real-world, unconstrained images. Most notably, extreme blur (low-resolution), occlusions, out-of-plane pose variations, expressions and more.. AbstractAutomatic age and gender classification has become relevant to an increasing amount of applications,
xiangze 2016/10/28
cv
リンク
広く使える情報量規準(WAIC)の続き
このページでは WAIC の追加説明を行っています。 WAIC の基本事項の説明は WAIC をお読みください。以下は、WAICについてより広く理解したいかたのための注意事項です。以下で述べることをお読みにならなくても WAIC は誰でも利用することができます。（注０）【値のスケーリング】情報量規準の値を定義するとき、AIC や DIC のオリジナルに合わせて汎化損失の 2n 倍を用いることがあります。（たとえば「Gelman他, Bayesian Data Analysis, CRC Press,2013」の記述では 2n倍のものが用いられています）。それはすなわち AIC=－２×対数尤度＋2×パラメータ数にスケールを合わせて比べることができるということです。この意味でスケールを合わせたい場合には、上記の WAICの式を 2n 倍してください。 ○ この「2n倍」を用
$広く使える情報量規準(WAIC)の続き$
xiangze 2016/10/28
統計

情報量基準
リンク
- 2016年10月29日
- 2016年10月28日
- 2016年10月27日