More Related Content
More from Yoichi Tokita
More from Yoichi Tokita (11)
20200808_PyMCを使えばちょっと複雑な確率モデルも怖くない
- 3. 混合モデルって⾯⽩いよね PRML, 2.3節 • 複数の確率モデルを線型結合したモデル • 確率モデルをスイッチする構造（混合するモデルは何でもOK） • 任意の連続な密度関数を任意の精度で近似できる （ガウス混合モデル） • クラスタリング、多クラスの回帰など応⽤例も楽しい
- 4. モデル • 𝑋：データ[𝑥!, 𝑥", ⋯ 𝑥#] • Θ：データ𝑥$を⽣成する確率 モデルのパラメータ集合 [𝜃!, 𝜃", ⋯ 𝜃%] • 𝑆：潜在変数（混合要素を指 し⽰す）[𝑠!, 𝑠", ⋯ 𝑠#] • 𝜋：混合⽐
- 13. 計算の効率化 周辺化消去する • 離散確率変数の扱いが不安定 • Stanでは、離散変数をサ ポートしてない • Marginalized Gaussian Mixture Model • Identifying Bayesian Mixture Models • MixtureAPIを利⽤する
- 17. まとめ • PyMC3を利⽤すると、確率モデルを定義すれば（ほぼ）直接書 くだけモデルを定義できる • あとは推論ボタン（inference button）を押すだけ • モデリングに集中できる • 混合モデルは複数の確率モデルを⾃由に組み合わせる • 現実的なデータ解析に重要な考え⽅
- 18. ⾃⼰紹介 • 時⽥ 陽⼀（@yoichi_t） • 所属：株式会社Glia Computing （https://www.glia-computing.com/） • 2018年8⽉に設⽴（Co-Founder） • 機械学習/データ分析のPoC、導⼊⽀援、 コンサル
- 19. ブログやってます • チョコボール統計 • https://chocolate-ball.hatenablog.com/ • 機械と学習する • https://learning-with-machine.hatenablog.com/ チョコボール 統計 機械と学習する
- 20. 参考資料 • PyMC3 • https://docs.pymc.io/ • https://docs.pymc.io/nb_examples/index.html • 「ベイズ推論により混合分布のパラメータ推論をやってみる」, 機械 と学習する • https://learning-with-machine.hatenablog.com/entry/2020/03/14/213438 • https://learning-with-machine.hatenablog.com/entry/2020/03/09/083000 • C.M.ビショップ, 「パターン認識と機械学習 上下」, 2007, シュプリ ンガー・ジャパン • 須⼭, 「ベイズ推論による機械学習 ⼊⾨」, 2017, 講談社 • 須⼭, 「ベイズ深層学習」, 2019, 講談社