We can help you reset your password using the email address linked to your Project Euclid account. Registered users receive a variety of benefits including the ability to customize email alerts, create favorite journals list, and save searches. Please note that a Project Euclid web account does not automatically grant access to full-text content. An institutional or society member subscription is
C++で行列計算をする場合に便利なライブラリEigenを紹介したいと思います。 ベクトル・行列演算は知っているからEigenの使い方だけを教えてくれというかたは最初の章は読み飛ばしてください。 — 多くの統計処理がベクトル・行列演算を用いるとコンパクトに表すことが知られています。ちょっと複雑そうにみえる問題も整理してみるとベクトル・行列演算で書ける場合が多いです。（ベクトル・行列という言葉に抵抗がある方はそれぞれを単に配列、配列の配列とでも思ってもらえればいいでしょう）。ベクトルの内積は\(u^T v = u_1 v_1 + u_2 v_2 + \ldots +\)として求められ、ベクトルのノルムは自分自身のベクトルとの内積の平方根、\(|u| = \sqrt{ u^T u} \)として求められます（以降ベクトルは全て列ベクトルを指すとします）。 例えば、あるユーザーの商品の購買履歴は、\
Professor Stephen Boyd, of the Stanford University Electrical Engineering department, lectures on duality in the realm of electrical engineering and how it is utilized in convex optimization for the course, Convex Optimization I (EE 364A). Convex Optimization I concentrates on recognizing and solving convex optimization problems that arise in engineering. Convex sets, functions, and optimizatio
One popular method for estimating statistical models is sampling, and in particular Gibbs sampling. As I’ve written before, sampling is based on randomness, which makes it somewhat difficult to debug. On the other hand, one popular way to ensure the quality of code is through arrays of unit tests, which are designed to test your code at a very fine-grained level (e.g. one test for each function in
統計数理研究所 所長 樋口知之 データ集約型科学という科学的探究手法が、科学の世界のみならず、ビジネス社会でも注目されている。基本方程式を理論解析や計算機シミュレーションで解く演繹的な手法ではなく、ビッグ・データ（莫大な量のデータ）から課題を見つけ出しモデル化することによって、よりよい予測を行ったり、新しい法則を見つけ出したりする帰納的な手法である。科学の「第四のパラダイム」として学問領域を超えて人類に新しい価値をもたらすと期待され、統計学と社会とのつながりがきわめて重視される時代が到来している。 データ集約型科学は、すでに一九九〇年代に日米欧で研究が始まり、その黎明期において日本も大きく貢献した。当時私が研究していた人工衛星データはビッグ・データの走りであり、その後、ヒト・ゲノム計画で膨大なゲノム・データが獲得された結果、地球・宇宙科学と生命科学の両分野で先行して、ビッグ・データの解析手
Machine Learning Summer School (MLSS ), Bordeaux 201110 Lectures · Sep 4, 2011 AboutThe school provides tutorials and practical sessions on basic and advanced topics of machine learning by leading researchers in the field. The summer school is intended for students, young researchers and industry practitioners with an interest in machine learning and a strong mathematical background. The school ad
PRIB 2020 - Multiplications Conference Important Dates Full paper submission deadline May 28, 2020 June 18, 2020 Author notification of acceptance July 31, 2020 Camera-ready paper deadline: August 23, 2020 Poster abstract submission October 2, 2020, October 9, 2020 Notification of poster abstracts October 9, 2020 TBA Committee General Chairs Jun Sese Shandar Ahmad Tokyo Tech NIBIO Program Chairs H
明けましておめでとうございます。 お正月ということで、ちょっと変わった楽しい論文(？)を紹介したいと思います。 Carven von Bearnensquash, "Paper Gestalt", Secret Proceedings of Computer Vision and Pattern Recognition, 2010. http://vision.ucsd.edu/sites/default/files/gestalt.pdf 2010年のCVPRで参加者に配布されたジョーク論文で、UCSDの学生が書いたようです。もちろんこんな名前の人は実在しません。 ビジョン業界の査読の傾向を皮肉る内容で、「中身なんて読まなくても見た目の印象でアクセプト・リジェクトが判断できるぜ！」というのを実際に画像認識で実験してみたものです。論文自体はネタですがやってる実験はおそらくガチです。 著者は
共同利用重点型研究による研究集会 - ゲノムの多様性，進化，疾患に関わる話題についての講演 - 日程 2011年12月19日（月）・20日（火） 場所 統計数理研究所 セミナー室5 (3階 D313,314) プログラム 《12月19日》 12:35 間野修平 挨拶 12:40 太田朋子（遺伝研） 「生物の柔軟なシステムとほぼ中立説」 13:00 三浦千明（統数研） 「小分散漸近理論を用いた集団遺伝学的研究」 13:20 手島康介（九大） 「ゲノム情報を用いた生物集団構造の再構築に関する研究」 13:40 長田直樹（遺伝研） 「多座位データを用いたゲノムヒストリーの推定」 14:00 太田博樹（北里大） 「人類の形態、生理・代謝、疾患の進化に関するゲノム多様性研究」 14:20 米澤隆弘（復旦大） 「家畜化過程における淘汰圧の変動」 14:40 杉野隆一（総研大） 「パン酵母におけるゲノム
本連載「Apple Geeks」は、Apple製ハードウェア／ソフトウェア、またこれらの中核をなすOS X／iOSに関する解説を、余すことなくお贈りする連載です（連載目次はこちら）。 UNIX使い向けを始め、Apple関連テクノロジー情報を知りつくしたいユーザーに役立つ情報を提供します。 アップルと浅からぬ縁、 ナレッジエンジン「WolframAlpha」 「WolframAlpha」をご存知だろうか？ Googleキラーと呼ばれることもある、統計データなど定量的情報をもとに回答する“ナレッジエンジン”とでも呼ぶべきウェブサービスだ。開発の中心人物は、数式処理システム「Mathematica」（マセマティカ）で名を馳せるWolfram ResearchのCEO、スティーブン・ウルフラム（Stephen Wolfram）氏。彼が手がけたサービスなだけに、その機能には目を見張るものがある。
4. ラベル伝搬法とは？ パターン インスタンス 素性（特徴） 例：単語, 文, 文書など シードから 負 ラベルを l グラフ上に 正 シード 伝搬させて M ？ uの部分の ラベルを u … 推定する ？ 方法の総称 枝の太さ＝重み は色々 4 5. なぜ言語処理でグラフ？ →分布仮説 Wikipediaによると： “words that occur in the same contexts tend to have similar meanings.” [Harris, 1954] Context: • Social context – 例：誰の発言か？ • Verbal context – 例： words that occur in the same • 下線部がoccurに対するcontext 5 6. グラフ→行列 Y M 負 l i xi T l X 正 u M ？ j u
2006年のデータマイニング学会、IEEE ICDMで選ばれた「データマイニングで使われるトップ10アルゴリズム」に沿って機械学習の手法を紹介します（この論文は@doryokujin君のポストで知りました、ありがとうございます！）。 必ずしも論文の内容には沿っておらず個人的な私見も入っていますので、詳細は原論文をご確認下さい。また、データマイニングの全体観をサーベイしたスライド資料がありますので、こちらも併せてご覧下さい。 データマイニングの基礎 View more presentations from Issei Kurahashi 1. C4.5 C4.5はCLSやID3といったアルゴリズムを改良してできたもので、決定木を使って分類器を作ります。決定木といえばCARTが良く使われますが、CARTとの違いは以下のとおりです。 CARTは2分岐しかできないがC4.5は3分岐以上もできる C
海野です。 自然言語処理などで機械学習を行おうとすると、非常に疎なベクトル表現を使いたくなります。疎、というのはほとんどの要素が0である、という意味です。前々から疎ベクトルライブラリのパフォーマンスに関して気になっていたので、幾つか調べてみました。 Jubatus Workshopでも話したとおり、機械学習を適用しようとすると、普通は対象のデータをベクトル表現に落とします。特に言語データの場合は、それぞれの単語や文字などを特徴次元とするため、非常に疎なベクトルとなってしまいます。純粋な配列（C++で言えばstd::vector）を使ってしまうと、大量にメモリを食ってしまうため疎ベクトル専用の表現を使うのが普通です。 今日は様々な疎ベクトルライブラリのパフォーマンス比較を行おうと思います。比較したライブラリは以下のとおり。真の意味で、疎ベクトルのライブラリは、Eigenとublasだけで、残
数式をnumpyに落としこむコツ View more presentations from Shuyo Nakatani という発表を Tokyo.SciPy #2 でさせてもらったのだが、発表＆資料作成の時間の関係で、実際に数式を解釈する例を2つしか入れられなかったのが残念なところ。 今、社内 PRML 読書会で 13章の隠れマルコフをやっつけていて、その Baum-Welch の更新式がちょうどいい題材になっていることに気付いたので、ここで取り上げてみる。 (PRML 式 13.36) 結構複雑な印象のある数式だが、こいつも資料の流れに従えば簡単に実装できてしまうことを見ていこう。 数式を読み解く 数式を書き換える numpy に「逐語訳」する というわけでまず「読み解き」だが、これが一番重要なステップ。 特に今回の式の場合は , , の正体をちゃんと見極めておかないといけない。 「正
1. 次世代シーケンサ解析で 新たに求められる機械学習 東京工業大学 大学院情報理工学研究科 瀬々 潤 sesejun@cs.titech.ac.jp 2011/11/10 @ IBIS 2011 2. 遺伝子 DNA(ゲノム) mRNA タンパク質 細胞 Illustrations are © 2011 DBCLS Licensed under a Creative Commons 表示 2.1 日本 License 2 3. 次世代シーケンサとは？ • DNAを読む機械 • 単純にはDNAを読む量が，今までより増え，安価になっただけ の機械．ただ，その規模が半端ない． • 大規模データの扱い→統計解析→学習モデルへ？ 長さ 次世代シーケンサ (第3世代，2010∼) 7万本 x2000bp 96本 x500bp サンガー法 次世代シーケンサ (ヒトゲノムが読まれた (第2世代, 200
Graphical modeling and further beyond in data mining 7 minutes ago Loading… Flash Player 9 (or above) is needed to view presentations. We have detected that you do not have it on your computer. To install it, go here. Graphical modeling and further beyond in data mining - Presentation Transcript Graphical Modeling In DataMining And Further Beyond For Tokyowebmining,16,Oct,2011 @suzuvie_re 自己紹介 自己紹
アルゴリズム・手法† 魔神ラーニング：最強の機械学習アルゴリズム．しかし，宇宙の全てを予測できるほど強力であり，全宇宙の生命体にとって脅威とみなされため，情報の海の深淵に封印されたと伝えられる パブロフ連鎖モンテカルロ：条件反射で行動する人たちの連鎖で，状況がウダウダになること 蝉-supervised lerning：教師信号を人間ではなく，蝉が与える機械学習の枠組み SMアルゴリズム：SステップとMステップを交互に繰り返すアルゴリズム．SステップとMステップが何であるかを記すには，この余白はせますぎる． バックプロパゲーション：伝言ゲームにおいて，最後の人から逆方向に「元々はどういう言葉だったの？」と伝言することで誤りを修正するアルゴリズム． ドープ・ラーニング：いけない情報を使っているので，異様に予測性能がいいが，後でその反動で全く予測ができなくなる． ビープ・ラーニング：学習中にず
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