Submit Search
Upload
PRML上巻勉強会 at 東京大学 資料 第1章前半
•
21 likes
•
18,688 views
Ohsawa Goodfellow
Follow
Technology
Report
Share
Report
Share
1 of 43
Download now
Download to read offline
Recommended
12/09/25 w8prml 学習会 パターン認識と機械学習 上 1.3節~1.6節 申し訳ありませんが、字の大きさが変になって改行がおかしかったり、式に画像データを使ってる部分がぼやけ気味だったりします。 (9/25)いくつか再び訂正をしましたので再アップします。主な修正箇所は (P28)効用関数最小化→最大化 (P51) log(24)/log(3)=log(8)=3 → log(24)/log(3)=2.892789.... (P57) 右下枠内のエントロピー低・高が逆だったのを訂正。 ・・・以上となります。
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#3
PRML輪読#3
matsuolab
東京大学松尾研究室におけるPRMLの輪読資料です。
PRML輪読#1
PRML輪読#1
matsuolab
haito
Prml 1.2,4 5,1.3|輪講資料1120
Prml 1.2,4 5,1.3|輪講資料1120
Hayato K
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
パターン認識と機械学習 (PRML) の第1章、「多項式曲線フィッティング」「確率論」に関しまとめ話した講師資料です。 -PRML復習レーン(第1回) (10/05/01) #PRMLrevenge hamadakoichi
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
Koichi Hamada
パターン認識と機械学習(PRML)読み会第一章
PRML読み会第一章
PRML読み会第一章
Takushi Miki
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#2
PRML輪読#2
matsuolab
Recommended
12/09/25 w8prml 学習会 パターン認識と機械学習 上 1.3節~1.6節 申し訳ありませんが、字の大きさが変になって改行がおかしかったり、式に画像データを使ってる部分がぼやけ気味だったりします。 (9/25)いくつか再び訂正をしましたので再アップします。主な修正箇所は (P28)効用関数最小化→最大化 (P51) log(24)/log(3)=log(8)=3 → log(24)/log(3)=2.892789.... (P57) 右下枠内のエントロピー低・高が逆だったのを訂正。 ・・・以上となります。
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#3
PRML輪読#3
matsuolab
東京大学松尾研究室におけるPRMLの輪読資料です。
PRML輪読#1
PRML輪読#1
matsuolab
haito
Prml 1.2,4 5,1.3|輪講資料1120
Prml 1.2,4 5,1.3|輪講資料1120
Hayato K
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
パターン認識と機械学習 (PRML) の第1章、「多項式曲線フィッティング」「確率論」に関しまとめ話した講師資料です。 -PRML復習レーン(第1回) (10/05/01) #PRMLrevenge hamadakoichi
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
Koichi Hamada
パターン認識と機械学習(PRML)読み会第一章
PRML読み会第一章
PRML読み会第一章
Takushi Miki
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#2
PRML輪読#2
matsuolab
社内における読書会のスライドです。 毎回この作り込んだスライドは辛いので、以後はpublicには鳴り得ないのですが、せっかく作ったので、公開しています。
PRML読書会1スライド(公開用)
PRML読書会1スライド(公開用)
tetsuro ito
SVMの基本的な数学を説明しています. ブログにもまとめてますので,どうぞ https://kenyu-life.com/2019/02/11/support_vector_machine/ 動画解説してます 「https://www.youtube.com/watch?v=TNOC0vyIL-g」
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#5
PRML輪読#5
matsuolab
パターン認識と機械学習(PRML)の第9章「混合モデルとEM」について説明したスライドです。文字多め。 潜在変数を持つモデルの最適化を行うことができるEMアルゴリズムについて、最初は具体的でイメージしやすいk-meansクラスタリングから説明し、最後は数式を詳細に見ていきその意味を考察します 9.1 K-meansクラスタリング 9.2 混合ガウス分布 9.3 EMアルゴリズムのもう1つの解釈 9.4 一般のEMアルゴリズム
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Keisuke Sugawara
機械学習プロフェッショナルシリーズの劣モジュラ最適化と機械学習の1章の発表資料です。
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
PRML上巻勉強会 at 東京大学の資料です 詳細:https://www.facebook.com/PRML.Tokyo
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
2013-05-05 PRML復々習レーン#10 で発表
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
sleepy_yoshi
研究室で説明した「パターン認識と機械学習(下)」の第9章混合モデルとEMアルゴリズムについてです.
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
PRML読書会#2,#3資料
PRML読書会#2,#3資料
Hiromasa Ohashi
パターン認識と機械学習(PRML)の第6章「カーネル法」です 文字多め
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
(The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer, 2009.)
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
東大数理有志研究会(takamatsu26)、機械学習勉強会(Math-iine Learning)での発表資料.
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
変分ベイズ法の説明。 最尤法との対比で説明した。また、EMアルゴリズムとの対応も述べられている。 職場の勉強会での資料です。
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
PRML8章
PRML8章
弘毅 露崎
2013/3/10(日) @株式会社VOYAGE GROUP セミナールーム Pangea
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
情報処理学会連続セミナー2013
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
MIRU2018 のチュートリアルで発表された資料です。 https://sites.google.com/view/miru2018sapporo/%E3%83%97%E3%83%AD%E3%82%B0%E3%83%A9%E3%83%A0/%E3%83%81%E3%83%A5%E3%83%BC%E3%83%88%E3%83%AA%E3%82%A2%E3%83%AB
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
6/24京大PRML輪講(第3回)での発表資料. 第3章〜3.2まで
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
Sotetsu KOYAMADA(小山田創哲)
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
研究室の輪講で使った資料です
PRML6.4
PRML6.4
hiroki yamaoka
手書き数字文書の認識 (JOI夏期セミナー2016)
手書き数字文書の認識 (JOI夏期セミナー2016)
onkohdondo
ぞくパタ #2で発表した資料です。
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
weda654
More Related Content
What's hot
社内における読書会のスライドです。 毎回この作り込んだスライドは辛いので、以後はpublicには鳴り得ないのですが、せっかく作ったので、公開しています。
PRML読書会1スライド(公開用)
PRML読書会1スライド(公開用)
tetsuro ito
SVMの基本的な数学を説明しています. ブログにもまとめてますので,どうぞ https://kenyu-life.com/2019/02/11/support_vector_machine/ 動画解説してます 「https://www.youtube.com/watch?v=TNOC0vyIL-g」
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#5
PRML輪読#5
matsuolab
パターン認識と機械学習(PRML)の第9章「混合モデルとEM」について説明したスライドです。文字多め。 潜在変数を持つモデルの最適化を行うことができるEMアルゴリズムについて、最初は具体的でイメージしやすいk-meansクラスタリングから説明し、最後は数式を詳細に見ていきその意味を考察します 9.1 K-meansクラスタリング 9.2 混合ガウス分布 9.3 EMアルゴリズムのもう1つの解釈 9.4 一般のEMアルゴリズム
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Keisuke Sugawara
機械学習プロフェッショナルシリーズの劣モジュラ最適化と機械学習の1章の発表資料です。
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
PRML上巻勉強会 at 東京大学の資料です 詳細:https://www.facebook.com/PRML.Tokyo
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
2013-05-05 PRML復々習レーン#10 で発表
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
sleepy_yoshi
研究室で説明した「パターン認識と機械学習(下)」の第9章混合モデルとEMアルゴリズムについてです.
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
PRML読書会#2,#3資料
PRML読書会#2,#3資料
Hiromasa Ohashi
パターン認識と機械学習(PRML)の第6章「カーネル法」です 文字多め
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
(The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer, 2009.)
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
東大数理有志研究会(takamatsu26)、機械学習勉強会(Math-iine Learning)での発表資料.
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
変分ベイズ法の説明。 最尤法との対比で説明した。また、EMアルゴリズムとの対応も述べられている。 職場の勉強会での資料です。
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
PRML8章
PRML8章
弘毅 露崎
2013/3/10(日) @株式会社VOYAGE GROUP セミナールーム Pangea
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
情報処理学会連続セミナー2013
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
MIRU2018 のチュートリアルで発表された資料です。 https://sites.google.com/view/miru2018sapporo/%E3%83%97%E3%83%AD%E3%82%B0%E3%83%A9%E3%83%A0/%E3%83%81%E3%83%A5%E3%83%BC%E3%83%88%E3%83%AA%E3%82%A2%E3%83%AB
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
6/24京大PRML輪講(第3回)での発表資料. 第3章〜3.2まで
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
Sotetsu KOYAMADA(小山田創哲)
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
研究室の輪講で使った資料です
PRML6.4
PRML6.4
hiroki yamaoka
What's hot
(20)
PRML読書会1スライド(公開用)
PRML読書会1スライド(公開用)
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
PRML輪読#5
PRML輪読#5
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
PRML読書会#2,#3資料
PRML読書会#2,#3資料
PRML第6章「カーネル法」
PRML第6章「カーネル法」
統計的学習の基礎_3章
統計的学習の基礎_3章
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
変分ベイズ法の説明
変分ベイズ法の説明
PRML8章
PRML8章
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
ベイズ統計入門
ベイズ統計入門
PRML6.4
PRML6.4
Viewers also liked
手書き数字文書の認識 (JOI夏期セミナー2016)
手書き数字文書の認識 (JOI夏期セミナー2016)
onkohdondo
ぞくパタ #2で発表した資料です。
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
weda654
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
Hokuto Kagaya
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
5分では分からなかったorz
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
Viewers also liked
(6)
手書き数字文書の認識 (JOI夏期セミナー2016)
手書き数字文書の認識 (JOI夏期セミナー2016)
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
パターン認識と機械学習入門
パターン認識と機械学習入門
More from Ohsawa Goodfellow
Deep Learning Japan では、現在、毎週水曜日 9:00 に東京大学での輪読会を実施しています。参加登録はこちらから http://docs.google.com/forms/d/1kjT_kjwsoB_6FkDkm85nqapoZkNS2yUpmjW9rWW4p8U
Open-ended Learning in Symmetric Zero-sum Games @ ICML19
Open-ended Learning in Symmetric Zero-sum Games @ ICML19
Ohsawa Goodfellow
Deep Learning Japan @ 東大です http://www.facebook.com/DeepLearning https://sites.google.com/site/deeplearning2013/
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Ohsawa Goodfellow
Deep Learning Japan @ 東大です http://www.facebook.com/DeepLearning https://sites.google.com/site/deeplearning2013/
Deep Learning via Semi-Supervised Embedding (第 7 回 Deep Learning 勉強会資料; 大澤)
Deep Learning via Semi-Supervised Embedding (第 7 回 Deep Learning 勉強会資料; 大澤)
Ohsawa Goodfellow
Deep Learning Japan @ 東大です http://www.facebook.com/DeepLearning https://sites.google.com/site/deeplearning2013/
Deep Auto-Encoder Neural Networks in Reiforcement Learnning (第 9 回 Deep Learn...
Deep Auto-Encoder Neural Networks in Reiforcement Learnning (第 9 回 Deep Learn...
Ohsawa Goodfellow
Deep Learning Japan @ 東大です http://www.facebook.com/DeepLearning https://sites.google.com/site/deeplearning2013/
Semi-Supervised Autoencoders for Predicting Sentiment Distributions(第 5 回 De...
Semi-Supervised Autoencoders for Predicting Sentiment Distributions(第 5 回 De...
Ohsawa Goodfellow
Learning Deep Architectures for AI (第 3 回 Deep Learning 勉強会資料; 松尾)
Learning Deep Architectures for AI (第 3 回 Deep Learning 勉強会資料; 松尾)
Ohsawa Goodfellow
Deep Learning 勉強会資料です。https://sites.google.com/site/deeplearning2013/
Deep Learning 勉強会 (Chapter 7-12)
Deep Learning 勉強会 (Chapter 7-12)
Ohsawa Goodfellow
Deep Learning 勉強会資料です。https://sites.google.com/site/deeplearning2013/
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
Ohsawa Goodfellow
第9章 ネットワーク上の他の確率過程
第9章 ネットワーク上の他の確率過程
Ohsawa Goodfellow
XLWrapについてのご紹介
XLWrapについてのご紹介
Ohsawa Goodfellow
XLWrapについてのご紹介
XLWrapについてのご紹介
Ohsawa Goodfellow
More from Ohsawa Goodfellow
(11)
Open-ended Learning in Symmetric Zero-sum Games @ ICML19
Open-ended Learning in Symmetric Zero-sum Games @ ICML19
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Deep Learning via Semi-Supervised Embedding (第 7 回 Deep Learning 勉強会資料; 大澤)
Deep Learning via Semi-Supervised Embedding (第 7 回 Deep Learning 勉強会資料; 大澤)
Deep Auto-Encoder Neural Networks in Reiforcement Learnning (第 9 回 Deep Learn...
Deep Auto-Encoder Neural Networks in Reiforcement Learnning (第 9 回 Deep Learn...
Semi-Supervised Autoencoders for Predicting Sentiment Distributions(第 5 回 De...
Semi-Supervised Autoencoders for Predicting Sentiment Distributions(第 5 回 De...
Learning Deep Architectures for AI (第 3 回 Deep Learning 勉強会資料; 松尾)
Learning Deep Architectures for AI (第 3 回 Deep Learning 勉強会資料; 松尾)
Deep Learning 勉強会 (Chapter 7-12)
Deep Learning 勉強会 (Chapter 7-12)
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
第9章 ネットワーク上の他の確率過程
第9章 ネットワーク上の他の確率過程
XLWrapについてのご紹介
XLWrapについてのご紹介
XLWrapについてのご紹介
XLWrapについてのご紹介
Recently uploaded
Key topics covered: - Understanding Ballerina's role in integrations: features and advantages - Designing and implementing REST APIs for integration - Designing and implementing GraphQL services with Ballerina - Monitoring and observing applications - Introduction to data integration
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Jue Wang, Wentao Zhu, Pichao Wang, Xiang Yu, Linda Liu, Mohamed Omar, Raffay Hamid, " Selective Structured State-Spaces for Long-Form Video Understanding" CVPR2023 https://openaccess.thecvf.com/content/CVPR2023/html/Wang_Selective_Structured_State-Spaces_for_Long-Form_Video_Understanding_CVPR_2023_paper.html
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
This is an introduction to MAPPO's paper.
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
Syed Talal Wasim, Muzammal Naseer, Salman Khan, Ming-Hsuan Yang, Fahad Shahbaz Khan , "Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding" arXiv2024 https://arxiv.org/abs/2401.00901v2
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
2024年5月8日 Power Platform 勉強会 #1 LT資料
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20Lカタログ
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Recently uploaded
(10)
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
PRML上巻勉強会 at 東京大学 資料 第1章前半
1.
PRML 上巻勉強会 第1章 序論 東京大学大学院
工学系研究科 技術経営戦略学専攻 ウェブ工学研究室 大澤 昇平 ohsawa@weblab.t.u-tokyo.ac.jp
2.
ADGENDA •はじめに •1.1 多項式フィッティング •1.2 確率論 •1.3
モデル選択 1
3.
ADGENDA •はじめに •1.1 多項式フィッティング •1.2 確率論 •1.3
モデル選択 2
4.
はじめに データに潜むパターンを見つけ出すと言う問題は根源的なものであり、その歴史は深い • 天体観測を契機とする古典力学の誕生 • 原子スペクトルの規則性の発見を契機とする量子科学の誕生 パターン認識=計算機アルゴリズムを通して、データの規則性を発見すること • 人間が規則性を決定する方法もある • しかし、このアプローチはルール数の増大によってすぐに破綻する 3
5.
• 機械学習のアプローチを採用すれば、はるかに良い結果が得られる • N 個の手書き数字の大きな集合を使って、モデルのパラメータを適応的に調整 4
6.
パターン認識の例 手書き文字認識
7.
多項式曲線フィッティング • 限られたデータ点から、それを生成した元の関数を予測したい。 予測式(ここではM次多項式を想定)
8.
二乗和誤差関数 • データと予測関数の間の誤差を最小にする。
9.
過学習 しかし、実際はそんなに単純じゃない。変数が増えると、予測関数はデータに含まれるノイズに強く影響される。
10.
過学習 モデルが過学習するかを知るには、訓練時のデータとは別なデータを使って誤差を評価すれば良い。 テスト誤差は大き い! 訓練誤差は最も小さ いが・・・ 二乗平均平方根(RMS)誤差
11.
過学習 予測関数の係数を見ると、過学習のケースでは値が大きくなっている。 過学習をすると係数 は大きくなる。
12.
データセットのサイズの影響 データセットのサイズが増加するにしたがい、過学習の度合いは是正されていく。
13.
正規化: 過学習を防ぐ方法 大きな係数値にペナルティを与える
14.
正規化係数 • 正規化係数を大きくしすぎると、真値へのフィット具合も抑制される
15.
正規化係数 • vs 全ページでの事例を、RMS誤差を使って定量的に議論 正規化係数が小さす ぎると、過学習 テスト誤差を最小化 する正規化係数
16.
多項式の係数 • 正規化係数が大きすぎると、係数が小さくなりすぎる
17.
ADGENDA •はじめに •1.1 多項式フィッティング •1.2 確率論 •1.3
モデル選択 16
18.
確率論 40% 60% 赤い箱 青い箱 りんご オレンジ
19.
結合確率
20.
周辺確率
21.
条件付き確率
22.
加法定理 𝐿 𝑝 𝑋 =
𝑥𝑖 = 𝑝(𝑋 = 𝑥 𝑖 , 𝑌 = 𝑦 𝑗 ) 𝑗=1
23.
乗法定理 𝑝 𝑋 =
𝑥 𝑖, 𝑌 = 𝑦𝑗 𝑛 𝑖𝑗 𝑛 𝑖𝑗 𝑐 𝑖 = = ∙ = 𝑝 𝑌 = 𝑦 𝑗 𝑋 = 𝑥 𝑖 𝑝(𝑋 = 𝑥 𝑖 ) 𝑁 𝑐𝑖 𝑁
24.
確率の基本法則 加法定理 乗法定理
25.
ベイズの定理 尤度 事前確率 事後確率 正規化係数 事後確率 尤度
× 事前確率
26.
連続確率分布 累積確率 確率密度関数 xがある区間内に入る確率 累積確率分布は、値が特定の値以下になる 確率で与えられる。 確率分布の条件
27.
分布の変換 変換関数 ヤコビアン
28.
期待値 関数の期待値(離散) 条件付き確率(離散) 近似期待値(離散、連続) 関数の期待値(連続)
29.
分散、共分散 分散(期待値からのずれの期待値) 共分散(一変量) 共分散(多変量)
30.
ガウス分布 ガウス分布の定義式 ガウス分布のグラフ 確率分布の条件式を満たす
31.
ガウス分布の平均、分散 ガウス分布の期待値 ガウス分布の二次モーメント(二乗の期待値) ガウス分布の分散
32.
多変量ガウス分布 多変量ガウス分布の定義式 多変量ガウス分布の等高線
33.
ガウス分布のパラメータ推定 • ある点列から、ガウス分布がどの分布から生成されたものなのかを推定する 尤度関数
34.
最尤推定 • 対数尤度を最小化するようなパラメータμ、σを求める→最尤推定(ML) 平均の最尤推定値 分散の最尤推定値
35.
と の性質 • 平均の最尤推定値の期待値は、 平均の真値と等しい • しかし、分散の最尤推定値の期待値は、 真値よりも低く見積もられてしまう! •
不偏分散:期待値を補正する
36.
曲線フィッティング再訪 • 1.1 で見た曲線フィッティングを、確率論の観点から再考してみる
37.
最尤推定 • 尤度関数 • 対数尤度 二乗和誤差 を最小化することで、 •
分散の推定 を決定する
38.
予測分布
39.
MAP推定:ベイズへの道 • 事前分布 • 予測誤差 •
正規化最小二乗誤差 Determine by minimizing regularized sum-of-squares error, .
40.
ベイズ曲線フィッティング • 新たな点xに関する目標値tを、p(t|x,w)をwに対して周辺化するこ とによって求める。 • 予測平均 •
分散行列 • 予測分散 • 基底
41.
ベイズ予測分布
42.
ADGENDA •はじめに •1.1 多項式フィッティング •1.2 確率論 •1.3
モデル選択 41
43.
モデル選択 • これまで、正規化係数や次元数など、モデルの超パラメータを調整する方 法については説明してこなかった • 実際には、下図に示す交差検定をすることで求める 訓練データ 検定データ
Download now