Suche senden
Hochladen
数式を綺麗にプログラミングするコツ #spro2013
•
208 gefällt mir
•
50,714 views
S
Shuyo Nakatani
Folgen
Technologie
Melden
Teilen
Melden
Teilen
1 von 26
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
最適化超入門
最適化超入門
Takami Sato
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
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
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
Empfohlen
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
最適化超入門
最適化超入門
Takami Sato
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
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
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
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
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
強化学習その3
強化学習その3
nishio
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
【メタサーベイ】Neural Fields
【メタサーベイ】Neural Fields
cvpaper. challenge
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
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
Word2vecの並列実行時の学習速度の改善
Word2vecの並列実行時の学習速度の改善
Naoaki Okazaki
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
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
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
最適輸送入門
最適輸送入門
joisino
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
Keigo Nishida
最適輸送の解き方
最適輸送の解き方
joisino
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
NumPy闇入門
NumPy闇入門
Ryosuke Okuta
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
Shuyo Nakatani
Weitere ähnliche Inhalte
Was ist angesagt?
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
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
強化学習その3
強化学習その3
nishio
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
【メタサーベイ】Neural Fields
【メタサーベイ】Neural Fields
cvpaper. challenge
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
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
Word2vecの並列実行時の学習速度の改善
Word2vecの並列実行時の学習速度の改善
Naoaki Okazaki
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
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
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
最適輸送入門
最適輸送入門
joisino
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
Keigo Nishida
最適輸送の解き方
最適輸送の解き方
joisino
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
Was ist angesagt?
(20)
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
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
強化学習その3
強化学習その3
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
【メタサーベイ】Neural Fields
【メタサーベイ】Neural Fields
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
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Word2vecの並列実行時の学習速度の改善
Word2vecの並列実行時の学習速度の改善
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
coordinate descent 法について
coordinate descent 法について
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
最適輸送入門
最適輸送入門
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
最適輸送の解き方
最適輸送の解き方
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Andere mochten auch
NumPy闇入門
NumPy闇入門
Ryosuke Okuta
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
Shuyo Nakatani
CuPy解説
CuPy解説
Ryosuke Okuta
PRML 2.3
PRML 2.3
Yuto Suzuki
Prml 2.3
Prml 2.3
Yuuki Saitoh
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Yuki Matsubara
多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討
Yu Sato
111015 tokyo scipy2_ディスカッション
111015 tokyo scipy2_ディスカッション
Shohei Hido
猫に教えてもらうルベーグ可測
猫に教えてもらうルベーグ可測
Shuyo Nakatani
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Shuyo Nakatani
Chainer Contribution Guide
Chainer Contribution Guide
Kenta Oono
Lighting talk chainer hands on
Lighting talk chainer hands on
Ogushi Masaya
ディープラーニングにおける学習の高速化の重要性とその手法
ディープラーニングにおける学習の高速化の重要性とその手法
Yuko Fujiyama
ボケるRNNを学習したい (Chainer meetup 01)
ボケるRNNを学習したい (Chainer meetup 01)
Motoki Sato
Chainer meetup lt
Chainer meetup lt
Ace12358
Simple perceptron by TJO
Simple perceptron by TJO
Takashi J OZAKI
Andere mochten auch
(16)
NumPy闇入門
NumPy闇入門
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
CuPy解説
CuPy解説
PRML 2.3
PRML 2.3
Prml 2.3
Prml 2.3
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
多次元配列の効率的利用法の検討
多次元配列の効率的利用法の検討
111015 tokyo scipy2_ディスカッション
111015 tokyo scipy2_ディスカッション
猫に教えてもらうルベーグ可測
猫に教えてもらうルベーグ可測
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Chainer Contribution Guide
Chainer Contribution Guide
Lighting talk chainer hands on
Lighting talk chainer hands on
ディープラーニングにおける学習の高速化の重要性とその手法
ディープラーニングにおける学習の高速化の重要性とその手法
ボケるRNNを学習したい (Chainer meetup 01)
ボケるRNNを学習したい (Chainer meetup 01)
Chainer meetup lt
Chainer meetup lt
Simple perceptron by TJO
Simple perceptron by TJO
Ähnlich wie 数式を綺麗にプログラミングするコツ #spro2013
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Zansa
「現実世界に活かす数学」 (麻布高等学校、教養総合、数学講義 5 回目)
「現実世界に活かす数学」 (麻布高等学校、教養総合、数学講義 5 回目)
Kensuke Otsuki
Math in Machine Learning / PCA and SVD with Applications
Math in Machine Learning / PCA and SVD with Applications
Kenji Hiranabe
行列計算アルゴリズム
行列計算アルゴリズム
Takuo Tachibana
Gmm勉強会
Gmm勉強会
Hayato Ohya
クリエイティブコーディングのための数学 JavaScript 入門 [三角関数と行列]
クリエイティブコーディングのための数学 JavaScript 入門 [三角関数と行列]
Nobuhiro Takahashi
線形写像を行列で表現しよう
線形写像を行列で表現しよう
HanpenRobot
線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート
Kenji Hiranabe
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Keisuke Sugawara
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
. .
Trianguler
Trianguler
Ken Ogura
秘密分散法の数理
秘密分散法の数理
Akito Tabira
Lispでやる記号微分
Lispでやる記号微分
Keiichi Watanabe
論文紹介 Semi-supervised Learning with Deep Generative Models
論文紹介 Semi-supervised Learning with Deep Generative Models
Seiya Tokui
CODE FESTIVAL 2014 エキシビジョン 解説
CODE FESTIVAL 2014 エキシビジョン 解説
AtCoder Inc.
2015年度春学期 画像情報処理 第8回 行列の直交変換と画像情報圧縮 (2015. 6. 10)
2015年度春学期 画像情報処理 第8回 行列の直交変換と画像情報圧縮 (2015. 6. 10)
Akira Asano
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
第9回スキル養成講座講義資料
第9回スキル養成講座講義資料
keiodig
Practical topology
Practical topology
Tatsuki SHIMIZU
数学教材(中間発表)
数学教材(中間発表)
Mizuguchi1205
Ähnlich wie 数式を綺麗にプログラミングするコツ #spro2013
(20)
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
「現実世界に活かす数学」 (麻布高等学校、教養総合、数学講義 5 回目)
「現実世界に活かす数学」 (麻布高等学校、教養総合、数学講義 5 回目)
Math in Machine Learning / PCA and SVD with Applications
Math in Machine Learning / PCA and SVD with Applications
行列計算アルゴリズム
行列計算アルゴリズム
Gmm勉強会
Gmm勉強会
クリエイティブコーディングのための数学 JavaScript 入門 [三角関数と行列]
クリエイティブコーディングのための数学 JavaScript 入門 [三角関数と行列]
線形写像を行列で表現しよう
線形写像を行列で表現しよう
線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
Trianguler
Trianguler
秘密分散法の数理
秘密分散法の数理
Lispでやる記号微分
Lispでやる記号微分
論文紹介 Semi-supervised Learning with Deep Generative Models
論文紹介 Semi-supervised Learning with Deep Generative Models
CODE FESTIVAL 2014 エキシビジョン 解説
CODE FESTIVAL 2014 エキシビジョン 解説
2015年度春学期 画像情報処理 第8回 行列の直交変換と画像情報圧縮 (2015. 6. 10)
2015年度春学期 画像情報処理 第8回 行列の直交変換と画像情報圧縮 (2015. 6. 10)
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
第9回スキル養成講座講義資料
第9回スキル養成講座講義資料
Practical topology
Practical topology
数学教材(中間発表)
数学教材(中間発表)
Mehr von Shuyo Nakatani
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
Shuyo Nakatani
Generative adversarial networks
Generative adversarial networks
Shuyo Nakatani
Memory Networks (End-to-End Memory Networks の Chainer 実装)
Memory Networks (End-to-End Memory Networks の Chainer 実装)
Shuyo Nakatani
人工知能と機械学習の違いって?
人工知能と機械学習の違いって?
Shuyo Nakatani
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
Shuyo Nakatani
ドラえもんでわかる統計的因果推論 #TokyoR
ドラえもんでわかる統計的因果推論 #TokyoR
Shuyo Nakatani
[Yang, Downey and Boyd-Graber 2015] Efficient Methods for Incorporating Knowl...
[Yang, Downey and Boyd-Graber 2015] Efficient Methods for Incorporating Knowl...
Shuyo Nakatani
星野「調査観察データの統計科学」第1&2章
星野「調査観察データの統計科学」第1&2章
Shuyo Nakatani
言語処理するのに Python でいいの? #PyDataTokyo
言語処理するのに Python でいいの? #PyDataTokyo
Shuyo Nakatani
Zipf? (ジップ則のひみつ?) #DSIRNLP
Zipf? (ジップ則のひみつ?) #DSIRNLP
Shuyo Nakatani
ACL2014 Reading: [Zhang+] "Kneser-Ney Smoothing on Expected Count" and [Pickh...
ACL2014 Reading: [Zhang+] "Kneser-Ney Smoothing on Expected Count" and [Pickh...
Shuyo Nakatani
ソーシャルメディアの多言語判定 #SoC2014
ソーシャルメディアの多言語判定 #SoC2014
Shuyo Nakatani
アラビア語とペルシャ語の見分け方 #DSIRNLP 5
アラビア語とペルシャ語の見分け方 #DSIRNLP 5
Shuyo Nakatani
どの言語でつぶやかれたのか、機械が知る方法 #WebDBf2013
どの言語でつぶやかれたのか、機械が知る方法 #WebDBf2013
Shuyo Nakatani
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
[Kim+ ICML2012] Dirichlet Process with Mixed Random Measures : A Nonparametri...
[Kim+ ICML2012] Dirichlet Process with Mixed Random Measures : A Nonparametri...
Shuyo Nakatani
Short Text Language Detection with Infinity-Gram
Short Text Language Detection with Infinity-Gram
Shuyo Nakatani
[Karger+ NIPS11] Iterative Learning for Reliable Crowdsourcing Systems
[Karger+ NIPS11] Iterative Learning for Reliable Crowdsourcing Systems
Shuyo Nakatani
極大部分文字列を使った twitter 言語判定
極大部分文字列を使った twitter 言語判定
Shuyo Nakatani
Mehr von Shuyo Nakatani
(20)
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
Generative adversarial networks
Generative adversarial networks
Memory Networks (End-to-End Memory Networks の Chainer 実装)
Memory Networks (End-to-End Memory Networks の Chainer 実装)
人工知能と機械学習の違いって?
人工知能と機械学習の違いって?
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
ドラえもんでわかる統計的因果推論 #TokyoR
ドラえもんでわかる統計的因果推論 #TokyoR
[Yang, Downey and Boyd-Graber 2015] Efficient Methods for Incorporating Knowl...
[Yang, Downey and Boyd-Graber 2015] Efficient Methods for Incorporating Knowl...
星野「調査観察データの統計科学」第1&2章
星野「調査観察データの統計科学」第1&2章
言語処理するのに Python でいいの? #PyDataTokyo
言語処理するのに Python でいいの? #PyDataTokyo
Zipf? (ジップ則のひみつ?) #DSIRNLP
Zipf? (ジップ則のひみつ?) #DSIRNLP
ACL2014 Reading: [Zhang+] "Kneser-Ney Smoothing on Expected Count" and [Pickh...
ACL2014 Reading: [Zhang+] "Kneser-Ney Smoothing on Expected Count" and [Pickh...
ソーシャルメディアの多言語判定 #SoC2014
ソーシャルメディアの多言語判定 #SoC2014
アラビア語とペルシャ語の見分け方 #DSIRNLP 5
アラビア語とペルシャ語の見分け方 #DSIRNLP 5
どの言語でつぶやかれたのか、機械が知る方法 #WebDBf2013
どの言語でつぶやかれたのか、機械が知る方法 #WebDBf2013
Active Learning 入門
Active Learning 入門
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
[Kim+ ICML2012] Dirichlet Process with Mixed Random Measures : A Nonparametri...
[Kim+ ICML2012] Dirichlet Process with Mixed Random Measures : A Nonparametri...
Short Text Language Detection with Infinity-Gram
Short Text Language Detection with Infinity-Gram
[Karger+ NIPS11] Iterative Learning for Reliable Crowdsourcing Systems
[Karger+ NIPS11] Iterative Learning for Reliable Crowdsourcing Systems
極大部分文字列を使った twitter 言語判定
極大部分文字列を使った twitter 言語判定
Kürzlich hochgeladen
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
Kürzlich hochgeladen
(9)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
数式を綺麗にプログラミングするコツ #spro2013
1.
数式を綺麗に プログラミングするコツ 夏のプログラミングシンポジウム 2013 2013/8/25 中谷 秀洋@サイボウズ・ラボ
/ @shuyo
2.
今回のおはなし
3.
「ビッグデータの手法を実装」って どうするの? 手法いろいろ 数式! 数式!! 数式!!! 実装
4.
「数式→実装」は共通 機械学習 数式! 数式!! 数式!!! 実装 こ こ は 共 通 ← 数値解析
統計処理
5.
数式から実装まで 数式! 数式!! 数式!!! 実装 数式見てすぐ実装? ムリムリ!
6.
小さいステップに分解 数式! 数式!! 数式!!! 実装 数式から 行間の情報を読み解く 「逐語訳」できる形に 数式を書き換える 今日のポイント
7.
この後の流れ 1. 数式がそこにあった – 「式はどうやって出てきたか」は考慮しない 2.
数式を読み解く 3. 数式を書き換える 4. 数式を「逐語訳」で実装
8.
対象とする「数式」 • 行列やその要素の掛け算が出てくる数式 – 機械学習などの手法には、行列を使って表さ れているものが多い –
強力な線形代数ライブラリをうまく使えば楽 に実装できる • 数式の例はC.M.ビショップ「パターン認 識と機械学習」(以降 PRML)から採用 – ただし機械学習の知識は一切要求しない
9.
方針 • 「楽に」「確実に」実装しよう – 間違いにくく、可読性が高い –
最速は必ずしも目指していない • 動くものを確かに作れるようになってから • Python/numpy と R での実装例を紹介 – 基本的な行列計算しか使わないので、その他 の環境(Eigen など)にも参考になる(はず)
10.
書き換え不要なパターン
11.
まずは一番簡単なパターンから 𝒘 = 𝚽
𝑇 𝚽 −1 𝚽 𝑇 𝒕 (PRML 3.15 改) • 線形回帰のパラメータ推定の式 – 「線形回帰とは何か」などは一切気にせず、 この式を実装することのみ考える
12.
数式の「読み解き」 𝒘 = 𝚽
𝑇 𝚽 −1 𝚽 𝑇 𝒕 (PRML 3.15 改) • 𝚽:N×M次元の特徴行列 – 「特徴行列とは?」は気にしない – 「N×M次元の行列」ということだけ • t:N次のベクトル(正解データ) – 中身は気にしない(以下同様) • w はベクトル? 行列? 何次の?
13.
掛け算した行列(ベクトル)のサイズ 𝒘 = 𝚽
𝑇 𝚽 −1 𝚽 𝑇 𝒕 M×1 ← (M×N N×M) M×N N×1 隣接する行列の列数と行数は一致。 そうでなければどこかが間違ってる 各行列のサイズ。 ベクトルは 1列の行列として この段階で勘違いしていると実装できないので 丁寧に確認しておく 両端の行数・列数が 行列(ベクトル)のサイズ。 列数が1ならベクトル
14.
numpy に「逐語訳」 𝒘 =
𝚽 𝑇 𝚽 −1 𝚽 𝑇 𝒕 (PRML 3.15 改) # PHI = N×M次元の特徴行列 # t = N次のベクトル(正解データ) w = numpy.linalg.solve(numpy.dot(PHI.T, PHI), numpy.dot(PHI.T, t)) ※ 逆行列のところで inv() を使ってもいいが solve() の方がコードが短く、速度も速い numpy.dot(PHI.T, PHI) numpy.dot(PHI.T, t) 𝑨−1 𝒃 = numpy.linalg.solve(𝑨, 𝒃)
15.
R に「逐語訳」 𝒘 =
𝚽 𝑇 𝚽 −1 𝚽 𝑇 𝒕 (PRML 3.15 改) # PHI = N×M次元の特徴行列 # T = N次のベクトル(正解データ) w <- solve(t(PHI) %*% PHI, t(PHI) %*% T) # crossprod(X) = t(X) %*% X 関数を使っても良い w <- solve(crossprod(PHI), crossprod(PHI, T)) t(PHI) %*% PHI t(PHI) %*% T 𝑨−1 𝒃 = solve(𝑨, 𝒃)
16.
書き換えが必要になるパターン
17.
多クラスロジスティック回帰の 誤差関数の勾配 𝛻𝒘 𝑘 𝐸 𝑾
= 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝝓 𝑛 𝑁 𝑛=1 (k = 1, ⋯ , 𝐾) (PRML 4.109 改) • 𝒀 = 𝑦 𝑛𝑘 : N×K 次行列(予測値) • 𝑻 = 𝑡 𝑛𝑘 : N×K 次行列(1-of-K 表現) • 𝑾 = 𝒘1, … , 𝒘 𝐾 = (𝑤 𝑚𝑘) : M×K 次行列 • 𝚽 = 𝜙 𝑛𝑚 = 𝝓1, ⋯ , 𝝓 𝑁 𝑇 : N×M 次行列 – 𝝓 𝑛 = 𝝓 𝒙 𝑛 = 𝜙 𝑚 𝒙 𝑛 𝑇: M 次ベクトル 与 え ら れ て い る 情 報 実装に関係する のはサイズだけ
18.
「勾配」の扱い 𝛻𝒘 𝑘 𝐸 𝑾
= 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝝓 𝑛 𝑁 𝑛=1 • 右辺は M 次ベクトル – 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 はただのスカラー – 一般には先ほどの方法で次元を読み解けばいい • だから左辺 𝛻𝒘 𝑘 𝐸 𝑾 も M 次ベクトル – それが k=1,……,K 個あるだけ • 「M×K次元の行列 𝛻𝐸 𝑾 」を求めると読み解く – 「勾配」そのものは実装には関係ない これ
19.
「逐語訳」できる形に書き換える • 掛けて行列になるパターンは大きく3通り – 上から要素積、行列積、直積 𝑐𝑖𝑗
= 𝑎𝑖𝑗 𝑏𝑖𝑗 ⇔ C = A * B 𝑐𝑖𝑗 = 𝑎𝑖𝑘 𝑏 𝑘𝑗𝑘 ⇔ C=numpy.dot(A, B) 𝑐𝑖𝑗 = 𝑎𝑖 𝑏𝑗 ⇔ C=numpy.outer(a, b) 数式を左の形に書き換えれば、 右の numpy コードに「逐語訳」できる ※他に「外積」もあるが、使う人やシーンが限られるので略
20.
R 版「逐語訳」 • 掛けて行列になるパターンは大きく3通り –
上から要素積、行列積、直積 𝑐𝑖𝑗 = 𝑎𝑖𝑗 𝑏𝑖𝑗 ⇔ C <- A * B 𝑐𝑖𝑗 = 𝑎𝑖𝑘 𝑏 𝑘𝑗𝑘 ⇔ C <- A %*% B 𝑐𝑖𝑗 = 𝑎𝑖 𝑏𝑗 ⇔ C <- outer(a, b) ※直積は outer(a, b) の他に a %o% b という書き方もある
21.
式を書き換える (1) 𝛻𝒘 𝑘 𝐸
𝑾 = 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝝓 𝑛 𝑁 𝑛=1 • 行列の要素の式になおす 𝛻𝐸 𝑾 𝑚𝑘 = 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝜙 𝑛𝑚 𝑁 𝑛=1 (𝑚 = 1, ⋯ , 𝑀; 𝑘 = 1, ⋯ , 𝐾) – 「求める行列𝛻𝐸 𝑾 」の (m, k) 成分の式にする M次ベクトルの式 スカラー
22.
式を書き換える (2) 𝛻𝐸 𝑾
𝑚𝑘 = 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝜙 𝑛𝑚 𝑁 𝑛=1 • 注:右辺の添え字に未解決のものは残らない – 左辺に現れる : m, k – 右辺で解決 : n (総和で消える) • 3種類の積のどれかに帰着するよう変形 – この場合、総和があるので 𝑐𝑖𝑗 = 𝑎𝑖𝑘 𝑏 𝑘𝑗𝑘 に
23.
式を書き換える (3) 𝑨 =
𝑎 𝑛𝑘 = 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 とおくと(𝑁 × 𝐾 行列) 𝛻𝐸 𝑾 𝑚𝑘 = 𝑎 𝑛𝑘 𝜙 𝑛𝑚 𝑁 𝑛=1 = Φ 𝑇 𝑚𝑛 𝐴 𝑛𝑘 𝑁 𝑛=1 • ○mk=Σn○mn○nk の形に調整 – 右辺の内側の添え字とΣは同じ n – 添え字の順序を逆にしたければ転置 • 𝛻𝐸 𝑾 = 𝚽 𝑇 𝑨 であることがわかる
24.
numpyに「逐語訳」 𝛻𝒘 𝑘 𝐸 𝑾
= 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝝓 𝑛 (k = 1, ⋯ , 𝐾) 𝑁 𝑛=1 𝑨 = 𝒀 − 𝑻, 𝛻𝐸 𝑾 = 𝚽 𝑇 𝑨 • ここまで簡単になれば、実装は一瞬 # PHI = N×M 次元の特徴行列 # Y, T = N×K 次元の行列 gradient_E = numpy.dot(PHI.T, Y - T) 式の書き換え
25.
R に「逐語訳」 𝛻𝒘 𝑘 𝐸
𝑾 = 𝑦 𝑛𝑘 − 𝑡 𝑛𝑘 𝝓 𝑛 (k = 1, ⋯ , 𝐾) 𝑁 𝑛=1 𝑨 = 𝒀 − 𝑻, 𝛻𝐸 𝑾 = 𝚽 𝑇 𝑨 • 同様に R での実装例: # PHI = N×M 次元の特徴行列 # Y, T = N×K 次元の行列 gradient_E <- t(PHI) %*% (Y - T)
26.
まとめ • 数式から条件を読み解こう – この段階で間違っていると、うまく行かない –
さぼらず紙と鉛筆で確認するのが一番賢い • 「逐語訳」できる数式なら実装かんたん – 難しい数式は「逐語訳」できる形に書き換え – さぼらず紙と鉛筆
Jetzt herunterladen