Submit Search
Upload
ディリクレ過程に基づく無限混合線形回帰モデル in 機械学習プロフェッショナルシリーズ輪読会
•
2 likes
•
2,104 views
Shotaro Sano
Follow
機械学習プロフェッショナルシリーズ輪読会での発表資料：http://ml-professional.connpass.com/event/33166/
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 32
Download now
Download to read offline
Recommended
Prml14 5
Prml14 5
正志 坪坂
第4回 統計・機械学習若手シンポジウム（11/15）発表資料
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
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
SSII2019 チュートリアル講演 TS1 6月12日(水) 9:45～11:05 (メインホール) Generative Adversarial Nets (GAN) は、提案されて以降、画像生成を中心に応用がなされ、また同時に理論的面も研究がなされてきた。本チュートリアルにおいては、まずGANの基本的な事項について述べる。GAN は「二つの分布を一致させる」ものであるが、提案手法を用いることでそれが達成できることを確認し、簡単な場合の数値計算結果を例示する。その後、時間の限り、GAN の応用例や、GAN の問題点とそれに対する最近の研究を紹介する。
SSII2019TS: Shall We GANs? ～GANの基礎から最近の研究まで～
SSII2019TS: Shall We GANs? ～GANの基礎から最近の研究まで～
SSII
REQUIRE31 (2017/10/24) での発表内容です。
中断時系列分析の書き方
中断時系列分析の書き方
Shuhei Ichikawa
2017/10/17における交通・都市理論ドクター勉強会＠金沢大での発表資料です．
スパースモデリング
スパースモデリング
harapon
【2022/3/14追記】Slideshareが使い物にならなくなったため，今まで上げていた資料はより高機能なDocswellに上げ直しました。混乱防止のため，Slideshare上の資料はそのうち消すかもしれませんので了承ください。 Docswellの動画リスト: https://www.docswell.com/user/mutopsy 心理学実験の実データに対し，Stanで階層折れ線回帰分析を行ってみました。Stanコードも載せてあります。この資料は，『StanとRでベイズ統計モデリング』読書会 (Osaka.Stan #6 2017.11.18）のLTで用いたものです。 12/11追記：このスライドの紹介記事をブログに投稿しました。コピペしやすいStanコードも載せています。 URL: http://bayesmax.sblo.jp/article/181811562.html
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
Hiroyuki Muto
Recommended
Prml14 5
Prml14 5
正志 坪坂
第4回 統計・機械学習若手シンポジウム（11/15）発表資料
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
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
SSII2019 チュートリアル講演 TS1 6月12日(水) 9:45～11:05 (メインホール) Generative Adversarial Nets (GAN) は、提案されて以降、画像生成を中心に応用がなされ、また同時に理論的面も研究がなされてきた。本チュートリアルにおいては、まずGANの基本的な事項について述べる。GAN は「二つの分布を一致させる」ものであるが、提案手法を用いることでそれが達成できることを確認し、簡単な場合の数値計算結果を例示する。その後、時間の限り、GAN の応用例や、GAN の問題点とそれに対する最近の研究を紹介する。
SSII2019TS: Shall We GANs? ～GANの基礎から最近の研究まで～
SSII2019TS: Shall We GANs? ～GANの基礎から最近の研究まで～
SSII
REQUIRE31 (2017/10/24) での発表内容です。
中断時系列分析の書き方
中断時系列分析の書き方
Shuhei Ichikawa
2017/10/17における交通・都市理論ドクター勉強会＠金沢大での発表資料です．
スパースモデリング
スパースモデリング
harapon
【2022/3/14追記】Slideshareが使い物にならなくなったため，今まで上げていた資料はより高機能なDocswellに上げ直しました。混乱防止のため，Slideshare上の資料はそのうち消すかもしれませんので了承ください。 Docswellの動画リスト: https://www.docswell.com/user/mutopsy 心理学実験の実データに対し，Stanで階層折れ線回帰分析を行ってみました。Stanコードも載せてあります。この資料は，『StanとRでベイズ統計モデリング』読書会 (Osaka.Stan #6 2017.11.18）のLTで用いたものです。 12/11追記：このスライドの紹介記事をブログに投稿しました。コピペしやすいStanコードも載せています。 URL: http://bayesmax.sblo.jp/article/181811562.html
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
StanとRで折れ線回帰──空間的視点取得課題の反応時間データを説明する階層ベイズモデルを例に──【※Docswellにも同じものを上げています】
Hiroyuki Muto
勉強会用資料
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
Daisuke Yoneoka
Deep learningを使った生成モデルの中でも、VAEとその拡張であるCVAE、IWAE、ADGMの導出と理論の話。 ADGMについては、論文がラベルありについての導出がメインなので、ラベルなしの場合のグラフィカルモデルを作って定式化し導出過程を説明。 VAEは実装できるけどどういう理論でできてるかわからないとか、どうやって拡張するか、ADGMの実装をどうすればいいかわからない人向け。
深層生成モデルの理論と導出(Variational Auto-encoderからADGM)
深層生成モデルの理論と導出(Variational Auto-encoderからADGM)
Tetsuo Tashiro
文献紹介のスライドです。学部4年生〜修士課程くらい向けです。
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
WACODE 3rdの資料
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
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
春学期に行ったゼミでの文献調査です． ベイズの枠組みを利用したActive Learningを中心に発表しました
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
Naoki Matsunaga
2022/03/18 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
Deep Learning JP
#PRMLrevengeで発表した資料。 PRML3.3-3.3.1
PRMLrevenge_3.3
PRMLrevenge_3.3
Naoya Nakamura
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#12
PRML輪読#12
matsuolab
2022/06/03 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational A...
【DL輪読会】FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational A...
Deep Learning JP
機械学習における「木」や「森」のモデルの概要 [招待講演] 合成変量とアンサンブル：回帰森と加法モデルの要点 ○瀧川一学（北大） 信号処理研究会（SIP）https://goo.gl/PxAbbK 2017年 6月19日(月) - 2017年 6月20日(火) 回路とシステム研究会（CAS）/ VLSI設計技術研究会（VLD）/ システム数理と応用研究会（MSS） 備考) 機械学習研究者・瀧川一学さん [北大人図鑑 No.5] https://youtu.be/XNz3D26wy0o
合成変量とアンサンブル：回帰森と加法モデルの要点
合成変量とアンサンブル：回帰森と加法モデルの要点
Ichigaku Takigawa
2018/10/26 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]A Hierarchical Latent Vector Model for Learning Long-Term Structure in...
[DL輪読会]A Hierarchical Latent Vector Model for Learning Long-Term Structure in...
Deep Learning JP
第33回R勉強会＠東京 MICとHSICの性能比較です
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
Toru Imai
関数データ解析とはどういうものか、どのような場面で用いられるかについてまとめてみました。
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
Lassoなどで使う劣微分を簡単な形で説明しています．
劣微分
劣微分
ShintaUrakami
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
CVXPYの使い方の説明とラグランジュ双対問題について説明 ※縮小表示だと日本語が消えることがあるので全画面で御覧ください
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Tomoki Yoshida
素人なりにまとめてみました
最近の自然言語処理
最近の自然言語処理
naoto moriyama
PRML上巻勉強会 at 東京大学の資料です。 この資料はChristopher M. Bishop 著「Pattern Recognition and Machine Learning」の日本語版「パターン認識と機械学習 上 - ベイズ理論による統計的予測」について補足説明を入れた上でなるべくわかりやすくしたものです。 本資料では第３章の前半、特に3.1節を中心に解説しています。 詳しくはこちらのサイト（外部）を御覧ください。 http://ibisforest.org/index.php?PRML
PRMLの線形回帰モデル（線形基底関数モデル）
PRMLの線形回帰モデル（線形基底関数モデル）
Yasunori Ozaki
広島ベイズ塾で発表した，負の二項分布についての資料です。
負の二項分布について
負の二項分布について
Hiroshi Shimizu
機械学習プロフェッショナルシリーズ輪読会での発表資料。ラグランジュ法、Support Vector Data Description (SVDD)、カーネルトリックについて。
サポートベクトルデータ記述法による異常検知 in 機械学習プロフェッショナルシリーズ輪読会
サポートベクトルデータ記述法による異常検知 in 機械学習プロフェッショナルシリーズ輪読会
Shotaro Sano
Kaggleのコンペに参加することで 色々な実践的ノウハウを学んだので そのノウハウを共有する p.3～53 コンペ中に自分がやったこと p.54～99 ハイランカーがやっていたこと p.100～ ハイランカーかやっていたことを 自分も実際にやってみる
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
More Related Content
What's hot
勉強会用資料
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
Daisuke Yoneoka
Deep learningを使った生成モデルの中でも、VAEとその拡張であるCVAE、IWAE、ADGMの導出と理論の話。 ADGMについては、論文がラベルありについての導出がメインなので、ラベルなしの場合のグラフィカルモデルを作って定式化し導出過程を説明。 VAEは実装できるけどどういう理論でできてるかわからないとか、どうやって拡張するか、ADGMの実装をどうすればいいかわからない人向け。
深層生成モデルの理論と導出(Variational Auto-encoderからADGM)
深層生成モデルの理論と導出(Variational Auto-encoderからADGM)
Tetsuo Tashiro
文献紹介のスライドです。学部4年生〜修士課程くらい向けです。
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
WACODE 3rdの資料
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
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
春学期に行ったゼミでの文献調査です． ベイズの枠組みを利用したActive Learningを中心に発表しました
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
Naoki Matsunaga
2022/03/18 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
Deep Learning JP
#PRMLrevengeで発表した資料。 PRML3.3-3.3.1
PRMLrevenge_3.3
PRMLrevenge_3.3
Naoya Nakamura
東京大学松尾研究室におけるPRML輪読資料です。
PRML輪読#12
PRML輪読#12
matsuolab
2022/06/03 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational A...
【DL輪読会】FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational A...
Deep Learning JP
機械学習における「木」や「森」のモデルの概要 [招待講演] 合成変量とアンサンブル：回帰森と加法モデルの要点 ○瀧川一学（北大） 信号処理研究会（SIP）https://goo.gl/PxAbbK 2017年 6月19日(月) - 2017年 6月20日(火) 回路とシステム研究会（CAS）/ VLSI設計技術研究会（VLD）/ システム数理と応用研究会（MSS） 備考) 機械学習研究者・瀧川一学さん [北大人図鑑 No.5] https://youtu.be/XNz3D26wy0o
合成変量とアンサンブル：回帰森と加法モデルの要点
合成変量とアンサンブル：回帰森と加法モデルの要点
Ichigaku Takigawa
2018/10/26 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]A Hierarchical Latent Vector Model for Learning Long-Term Structure in...
[DL輪読会]A Hierarchical Latent Vector Model for Learning Long-Term Structure in...
Deep Learning JP
第33回R勉強会＠東京 MICとHSICの性能比較です
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
Toru Imai
関数データ解析とはどういうものか、どのような場面で用いられるかについてまとめてみました。
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
Lassoなどで使う劣微分を簡単な形で説明しています．
劣微分
劣微分
ShintaUrakami
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
CVXPYの使い方の説明とラグランジュ双対問題について説明 ※縮小表示だと日本語が消えることがあるので全画面で御覧ください
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Tomoki Yoshida
素人なりにまとめてみました
最近の自然言語処理
最近の自然言語処理
naoto moriyama
PRML上巻勉強会 at 東京大学の資料です。 この資料はChristopher M. Bishop 著「Pattern Recognition and Machine Learning」の日本語版「パターン認識と機械学習 上 - ベイズ理論による統計的予測」について補足説明を入れた上でなるべくわかりやすくしたものです。 本資料では第３章の前半、特に3.1節を中心に解説しています。 詳しくはこちらのサイト（外部）を御覧ください。 http://ibisforest.org/index.php?PRML
PRMLの線形回帰モデル（線形基底関数モデル）
PRMLの線形回帰モデル（線形基底関数モデル）
Yasunori Ozaki
広島ベイズ塾で発表した，負の二項分布についての資料です。
負の二項分布について
負の二項分布について
Hiroshi Shimizu
What's hot
(20)
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
深層生成モデルの理論と導出(Variational Auto-encoderからADGM)
深層生成モデルの理論と導出(Variational Auto-encoderからADGM)
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
PRML輪読#1
PRML輪読#1
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...
PRMLrevenge_3.3
PRMLrevenge_3.3
PRML輪読#12
PRML輪読#12
【DL輪読会】FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational A...
【DL輪読会】FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational A...
合成変量とアンサンブル：回帰森と加法モデルの要点
合成変量とアンサンブル：回帰森と加法モデルの要点
[DL輪読会]A Hierarchical Latent Vector Model for Learning Long-Term Structure in...
[DL輪読会]A Hierarchical Latent Vector Model for Learning Long-Term Structure in...
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
関数データ解析の概要とその方法
関数データ解析の概要とその方法
劣微分
劣微分
PRML第６章「カーネル法」
PRML第６章「カーネル法」
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
最近の自然言語処理
最近の自然言語処理
PRMLの線形回帰モデル（線形基底関数モデル）
PRMLの線形回帰モデル（線形基底関数モデル）
負の二項分布について
負の二項分布について
Viewers also liked
機械学習プロフェッショナルシリーズ輪読会での発表資料。ラグランジュ法、Support Vector Data Description (SVDD)、カーネルトリックについて。
サポートベクトルデータ記述法による異常検知 in 機械学習プロフェッショナルシリーズ輪読会
サポートベクトルデータ記述法による異常検知 in 機械学習プロフェッショナルシリーズ輪読会
Shotaro Sano
Kaggleのコンペに参加することで 色々な実践的ノウハウを学んだので そのノウハウを共有する p.3～53 コンペ中に自分がやったこと p.54～99 ハイランカーがやっていたこと p.100～ ハイランカーかやっていたことを 自分も実際にやってみる
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
大阪Pythonユーザの集まり 2014/03 で発表した資料 http://connpass.com/event/5361/
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
敦志 金谷
Deep Learning の簡単な説明から実装、そしてChainer の使い方を紹介します。CUDA サポートについても簡単に解説します。 最新のインストール方法も含んでいます。
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
Ryosuke Okuta
TensorFlow の基本的な使い方やコーディング方法を、線形重回帰やロジスティック回帰、パーセプトロンの実装例を通じて解説しています。（機械学習初心者向け） ※2016/02/27に開催した「GDG京都 機械学習勉強会」で発表した資料です。
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
徹 上野山
2015/04/14 初期バージョン 2015/04/16 ver1.4（参考資料追加、k平均法の解説追加など） 2015/04/20 ver1.5（最大対数尤度関数の評価、混合分布によるクラスタリングを追加） 2015/04/21 ver1.6（EM法のアルゴリズム説明を追加） 2015/04/24 ver1.7（その他の性能指標を追加） 2015/05/19 ver1.8（ギリシャ文字ベクトルフォントの修正、その他リファクタリング） 2015/05/25 ver1.9（EM法の初期データ画像を追加） 2015/06/07 ver2.1（セミナー用に修正） 2015/06/24 ver2.2（EM法の説明を追加） 2016/09/01 ver2.3（誤字修正） 2016/12/27 ver1.0 タイトルを変更 2016/07/07 ver1.4 Update
機械学習概論 講義テキスト
機械学習概論 講義テキスト
Etsuji Nakai
機械学習を実際にビジネスで利用するに当たり、使いやすいツールを3つ厳選して紹介。
実戦投入する機械学習
実戦投入する機械学習
Takahiro Kubo
シリコンバレーの有名大学であるスタンフォード大学にて、Andrew Ngの教える機械学習の講義が人気を集めているそうです。 Andrew Ngは相当な有名人で、よくニュースで名前が出てきます。有名な例では、グーグルが「Google Brain」という名のニューラルネットワークを構築し、YouTubeの動画から「猫」を教師なし学習で認識したといったニュースが流れましたが、このプロジェクトはAndrew Ngが主導したものです。 このAndrew NgがCourseraというオンラインコースで機械学習の授業を公開しています。このたび私も受講しまして、ようやく修了しました。 [Machine Learning by Stanford University] https://www.coursera.org/learn/machine-learning/ 内容的には、Deep Learning登場前の機械学習について、特に応用を意識した講義の構成になっています。たとえば、以下の様なトピックが含まれていました。 - ニューラルネットワーク(バックプロパゲーション) - スパムフィルターの作り方 - 異常検知の方法 - リコメンデーションエンジンの作り方 - OCRの作り方 - オンライン学習 - 機械学習を用いたプロジェクトの進め方 講義は全体的に非常によくまとまっていまして、個別の数学的な内容に深入りすることなく、かといって表面をなぞるような感じでもない、バランスが取れた内容でした。明確に、機械学習を実プロジェクトに適用することに軸足を置いていまして、そのための様々な助言が講義の中に散りばめられていたという印象があります。 ちなみにAndrew Ngは、今やGoogleの猫の人、Deep Learningの人、というイメージが強いので、この講義にもDeep Learningについての話が含まれている事を個人的には期待しましたが、残念ながらDeepLearningに関しては、この講義に含まれていませんでした。 この社内勉強会では、Andrew Ngの講義のダイジェスト版となるように意識して講義内容を紹介します。機械学習を用いたシステムを構築する際のノウハウは、なかなか得がたいものがあると思いますので、機械学習に興味がある方は勉強会に参加して頂けると嬉しいです。また、機械学習のさわりだけでも分かれば、なぜビッグデータが必要なのかも分かると思います(単純に大量のデータがあると機械学習に有利だからです)。
「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11
Minoru Chikamune
Deep Learningと画像認識 ～歴史・理論・実践～
Deep Learningと画像認識 ～歴史・理論・実践～
Deep Learningと画像認識 ～歴史・理論・実践～
nlab_utokyo
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
この続きでTheanoの使い方について簡単に書きました：http://qiita.com/items/3fbf6af714c1f66f99e9
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
Ken Morishita
SACSIS2013でのチュートリアル講演資料です。機械学習の導入：背景、手法、理論、応用）、実践：オンライン学習+線形分類で実際作ってみる、使う際の課題、発展：分散+リアルタイムでの機械学習（Jubatus）、深層学習（Deep Neural Net）についてまとめました
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
某所で機械学習の講習会（？）のようなものをしたときの資料です． 機械学習によるデータ分析について，アルゴリズムやツールの使い方＊以外＊の部分で 重要だと思うことを重点的にまとめたつもりです．
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
2015.09.29 「続・わかりやすパターン認識」読書会 #13 の 発表資料。
「続・わかりやすいパターン認識」 第12章 ディリクレ過程混合モデルによるクラスタリング（前半 : 12.1 ）
「続・わかりやすいパターン認識」 第12章 ディリクレ過程混合モデルによるクラスタリング（前半 : 12.1 ）
aich_08_
京都大学大学院情報学研究科 最適化数理分野 Coordinate Descent 法 (座標降下法) のサーベイ
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
2015年に開催された機械学習コンペティション（Microsoft Malware Classification Challenge）における上位手法や優勝モデルについての解説。こちらのミートアップで発表させていただきました： http://connpass.com/event/25007/
Microsoft Malware Classification Challenge 上位手法の紹介 (in Kaggle Study Meetup)
Microsoft Malware Classification Challenge 上位手法の紹介 (in Kaggle Study Meetup)
Shotaro Sano
Rによる特徴抽出 第48回R勉強会＠東京（#TokyoR）
Rによる特徴抽出 第48回R勉強会＠東京（#TokyoR）
Keiku322
Presentation made at Recruit Seminar on NIPS 2016. The proceedings for this presentation is available at this link: https://www.researchgate.net/publication/312157083_Bayesian_Nonparametric_Motor-skill_Representations_for_Efficient_Learning_of_Robotic_Clothing_Assistance
Bayesian Nonparametric Motor-skill Representations for Efficient Learning of ...
Bayesian Nonparametric Motor-skill Representations for Efficient Learning of ...
Nishanth Koganti
代表的な生存時間解析モデルの一つである「離散時間ロジスティック回帰モデル」は、有用であるにもかかわらず、日本では（特に金融分野では）使われる機会が少ない。そこで、森平爽一郎氏による「離散時間ロジスティック回帰モデル」に関する解説文・啓蒙文（「信用リスクモデリング－測定と管理－」第５章所収）を紹介し、そのガイドとなるような資料を作成した。
離散時間ロジスティック回帰モデル解説
離散時間ロジスティック回帰モデル解説
akira_11
Viewers also liked
(20)
サポートベクトルデータ記述法による異常検知 in 機械学習プロフェッショナルシリーズ輪読会
サポートベクトルデータ記述法による異常検知 in 機械学習プロフェッショナルシリーズ輪読会
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
機械学習概論 講義テキスト
機械学習概論 講義テキスト
実戦投入する機械学習
実戦投入する機械学習
「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11
Deep Learningと画像認識 ～歴史・理論・実践～
Deep Learningと画像認識 ～歴史・理論・実践～
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
機械学習の理論と実践
機械学習の理論と実践
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
「続・わかりやすいパターン認識」 第12章 ディリクレ過程混合モデルによるクラスタリング（前半 : 12.1 ）
「続・わかりやすいパターン認識」 第12章 ディリクレ過程混合モデルによるクラスタリング（前半 : 12.1 ）
coordinate descent 法について
coordinate descent 法について
Microsoft Malware Classification Challenge 上位手法の紹介 (in Kaggle Study Meetup)
Microsoft Malware Classification Challenge 上位手法の紹介 (in Kaggle Study Meetup)
Rによる特徴抽出 第48回R勉強会＠東京（#TokyoR）
Rによる特徴抽出 第48回R勉強会＠東京（#TokyoR）
Bayesian Nonparametric Motor-skill Representations for Efficient Learning of ...
Bayesian Nonparametric Motor-skill Representations for Efficient Learning of ...
離散時間ロジスティック回帰モデル解説
離散時間ロジスティック回帰モデル解説
Download now
