Submit Search
Upload
PRML 2.3節 - ガウス分布
•
5 likes
•
1,954 views
Yuki Soma
Follow
PRML(パターン認識と機械学習 by Christopher M. Bishop)の2.3節の解説スライド
Read less
Read more
Technology
Report
Share
Report
Share
1 of 89
Download now
Download to read offline
Recommended
PRML 2.4
PRML 2.4
kazunori sakai
このスライドは http://kazunorisakai.com/ でも公開しています。
Prml 2.3
Prml 2.3
Yuuki Saitoh
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) 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
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
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勉強会第3回 2章前半 2013/11/28
PRML勉強会第3回 2章前半 2013/11/28
kurotaki_weblab
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
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 2.3.2-2.3.4 ガウス分布
PRML 2.3.2-2.3.4 ガウス分布
Akihiro Nitta
最新版のスライドは http://www.akihironitta.com/slides/ で公開しています。 The latest version of this slides is available at http://www.akihironitta.com/slides/.
Prml2.1 2.2,2.4-2.5
Prml2.1 2.2,2.4-2.5
Takuto Kimura
Recommended
PRML 2.4
PRML 2.4
kazunori sakai
このスライドは http://kazunorisakai.com/ でも公開しています。
Prml 2.3
Prml 2.3
Yuuki Saitoh
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) 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
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
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勉強会第3回 2章前半 2013/11/28
PRML勉強会第3回 2章前半 2013/11/28
kurotaki_weblab
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
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 2.3.2-2.3.4 ガウス分布
PRML 2.3.2-2.3.4 ガウス分布
Akihiro Nitta
最新版のスライドは http://www.akihironitta.com/slides/ で公開しています。 The latest version of this slides is available at http://www.akihironitta.com/slides/.
Prml2.1 2.2,2.4-2.5
Prml2.1 2.2,2.4-2.5
Takuto Kimura
PRML読み会第一章
PRML読み会第一章
Takushi Miki
パターン認識と機械学習(PRML)読み会第一章
PRML読書会#4資料+補足
PRML読書会#4資料+補足
Hiromasa Ohashi
PRML 上 2.3.6 ~ 2.5.2
PRML 上 2.3.6 ~ 2.5.2
禎晃 山崎
PRML 上 2.3.6 ~ 2.5.2 パターン認識と機械学習 細かく見たい人用で,パーっと見たい人には向いてないかと
PRML読書会#2,#3資料
PRML読書会#2,#3資料
Hiromasa Ohashi
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
Takafumi Sakakibara
(in Japanese) 2014/11/21 PRML勉強会の資料です。(version 2.0)「パターン認識と機械学習」の上巻2.3.1節から2.3.7節を担当します。githubで公開していますので、誤字などがありましたらpull requestをお願いします。(https://github.com/sakabar/prml_titech_2-3-1_2-3-7)
[PRML] パターン認識と機械学習(第2章:確率分布)
[PRML] パターン認識と機械学習(第2章:確率分布)
Ryosuke Sasaki
パターン認識と機械学習(第2章:確率分布)をスライドにまとめました。
PRML2.1 2.2
PRML2.1 2.2
Takuto Kimura
少し修正版
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
Hiroyuki Kato
PRML輪読#2
PRML輪読#2
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
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
PRML輪読#7
PRML輪読#7
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.5.2
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.5.2
Hiroyuki Kato
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
PRML輪読#1
PRML輪読#1
matsuolab
東京大学松尾研究室におけるPRMLの輪読資料です。
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
基礎からのベイズ統計学 輪読会 #2 (2015/12/10)発表資料 「第4章 メトロポリス・ヘイスティングス法」 Pythonデモンストレーションコード@GitHub → https://github.com/matsuken92/Qiita_Contents/blob/master/Bayes_chap_04/Bayes-stat_chapter04.ipynb
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
Takeshi Sakaki
PRML勉強会2013冬 第7回 3章線形回帰モデルの3.2〜3.4です
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
hagino 3000
PRML復々習レーン #9の発表資料
PRML 1.6 情報理論
PRML 1.6 情報理論
sleepy_yoshi
PRML復習レーン#01の発表資料
負の二項分布について
負の二項分布について
Hiroshi Shimizu
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。
More Related Content
What's hot
PRML読み会第一章
PRML読み会第一章
Takushi Miki
パターン認識と機械学習(PRML)読み会第一章
PRML読書会#4資料+補足
PRML読書会#4資料+補足
Hiromasa Ohashi
PRML 上 2.3.6 ~ 2.5.2
PRML 上 2.3.6 ~ 2.5.2
禎晃 山崎
PRML 上 2.3.6 ~ 2.5.2 パターン認識と機械学習 細かく見たい人用で,パーっと見たい人には向いてないかと
PRML読書会#2,#3資料
PRML読書会#2,#3資料
Hiromasa Ohashi
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
Takafumi Sakakibara
(in Japanese) 2014/11/21 PRML勉強会の資料です。(version 2.0)「パターン認識と機械学習」の上巻2.3.1節から2.3.7節を担当します。githubで公開していますので、誤字などがありましたらpull requestをお願いします。(https://github.com/sakabar/prml_titech_2-3-1_2-3-7)
[PRML] パターン認識と機械学習(第2章:確率分布)
[PRML] パターン認識と機械学習(第2章:確率分布)
Ryosuke Sasaki
パターン認識と機械学習(第2章:確率分布)をスライドにまとめました。
PRML2.1 2.2
PRML2.1 2.2
Takuto Kimura
少し修正版
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
Hiroyuki Kato
PRML輪読#2
PRML輪読#2
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
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
PRML輪読#7
PRML輪読#7
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.5.2
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.5.2
Hiroyuki Kato
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
PRML輪読#1
PRML輪読#1
matsuolab
東京大学松尾研究室におけるPRMLの輪読資料です。
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
基礎からのベイズ統計学 輪読会 #2 (2015/12/10)発表資料 「第4章 メトロポリス・ヘイスティングス法」 Pythonデモンストレーションコード@GitHub → https://github.com/matsuken92/Qiita_Contents/blob/master/Bayes_chap_04/Bayes-stat_chapter04.ipynb
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
Takeshi Sakaki
PRML勉強会2013冬 第7回 3章線形回帰モデルの3.2〜3.4です
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
hagino 3000
PRML復々習レーン #9の発表資料
PRML 1.6 情報理論
PRML 1.6 情報理論
sleepy_yoshi
PRML復習レーン#01の発表資料
負の二項分布について
負の二項分布について
Hiroshi Shimizu
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。
What's hot
(20)
PRML読み会第一章
PRML読み会第一章
PRML読書会#4資料+補足
PRML読書会#4資料+補足
PRML 上 2.3.6 ~ 2.5.2
PRML 上 2.3.6 ~ 2.5.2
PRML読書会#2,#3資料
PRML読書会#2,#3資料
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
[PRML] パターン認識と機械学習(第2章:確率分布)
[PRML] パターン認識と機械学習(第2章:確率分布)
PRML2.1 2.2
PRML2.1 2.2
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.3.6
PRML輪読#2
PRML輪読#2
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
PRML輪読#7
PRML輪読#7
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.5.2
PRML上巻勉強会 at 東京大学 資料 第2章2.3.3 〜 2.5.2
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
PRML輪読#1
PRML輪読#1
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
PRML 1.6 情報理論
PRML 1.6 情報理論
負の二項分布について
負の二項分布について
PRML 2.3節 - ガウス分布
1.
PRML 2.3 Yuki Soma 4/24
2.
• 2.3 The
Gaussian Distribution . . . . . . . . . . . . . . . . . . . 78 – 2.3.1 Conditional Gaussian distributions . . . . . . . . . . . . . . 85 – 2.3.2 Marginal Gaussian distributions . . . . . . . . . . . . . . . 88 – 2.3.3 Bayes’ theorem for Gaussian variables . . . . . . . . . . . 90 – 2.3.4 Maximum likelihood for the Gaussian . . . . . . . . . . . . 93 – 2.3.5 Sequential estimation . . . . . . . . . . . . . . . . . . . . . 94 – 2.3.6 Bayesian inference for the Gaussian . . . . . . . . . . . . . 97 – 2.3.7 Student’s t-distribution . . . . . . . . . . . . . . . . . . . . 102 – 2.3.8 Periodic variables . . . . . . . . . . . . . . . . . . . . . . . 105 – 2.3.9 Mixtures of Gaussians . . . . . . . . . . . . . . . . . . . . 110
3.
1. 2. – – 3. 4. – This is
“ ” MAP !
4.
• 1 • D
5.
• [0,1] N
N→∞
6.
PRML • PRML 1. Σ 2.
1 3. 𝜇, Σ • – 4/14 http://research.nii.ac.jp/~satoh/utpr/
7.
Mahalanobis • Δ 𝐱,
𝝁 Mahalanobis • Σ
8.
1. Σ • – Exercise
2.17
9.
• (a)→(b) –
10.
(a)→(b) • Σ • D
… • – Exercise 2.18
11.
(a)→(b) • Σ Exercise
2.19 • Σ−1
12.
(a)→(b) • – –
13.
2. 1 • 1
= 1 • 𝑝 𝐱 d𝐱 = 1
14.
3. 𝜇, Σ 01
15.
3. 𝜇, Σ
16.
1 • Free parameter – • ( 𝐷(𝐷
+ 1) 2 + 𝐷) 2𝐷 (𝐷 + 1) Σ Σ Σ
17.
2 • Unimodal i.e. •
Multimodal
18.
• latent variables 1.
Section 2.3.9 2. Chapter 12 • Free parameter • 2 … – Markov random field Section 8.3 • – Linear dynamical system Section 13.3 •
19.
2.3.1 Conditional • • 𝐱
𝑎, 𝜇 𝑎 𝑀 Σ 𝑎𝑎 𝑀 × 𝑀 • 𝑝(𝐱 𝑎|𝐱 𝑏) •
20.
Precision matrix • precision
matrix • Σ Λ • – Λ 𝑎𝑎, Λ 𝑏𝑏 – Σ
21.
• 𝑝 𝐱
= 𝑝(𝐱 𝑎, 𝐱 𝑏) • 𝑝 𝐱 𝑎 𝐱 𝑏 = 𝑝(𝐱 𝑎,𝐱 𝑏) 𝑝(𝐱 𝑏) ~ Gaussian • …
22.
• 𝐱 𝑎
2 – … • Δ2 𝐱 𝑎, 𝝁 𝑎|𝑏 + 𝑐𝑜𝑛𝑠𝑡 𝑒 𝑥+𝑦 = 𝑒 𝑥 𝑒 𝑦
23.
• Mahalanobis • • …
24.
• 2 … •
25.
• 1 … •
…
26.
27.
Precision matrix is
good • 𝐱 𝜇 𝑎|𝑏, Σ 𝑎|𝑏 … • Precision matrix • Note!: 𝐱 𝑏 – Linear gaussian model • Section 8.1.4
28.
2.3.2 Marginal • Section – • –
exp 𝑓 + 𝑔 = exp 𝑓 exp{𝑔} – 𝑝(𝐱) 𝐱 𝑏 ℎ(𝐱 𝑎) exp{ℎ 𝐱 𝑎 } – 𝐱 𝑏 𝐱 𝑎 ℎ(𝐱 𝑎)
29.
𝐱 𝑏 • 𝐱
𝑏 𝐱 𝑏 Mahalanobis 1 Λ 𝑏𝑏 𝐦 𝐱 𝑎
30.
𝐱 𝑏 • 𝐱
𝑏 – +
31.
• Conditional
32.
• •
33.
• Conditional
34.
• • precision matrix
35.
2
36.
2.3.3 for • 𝐱
M 𝐲 D • 𝑝(𝐲|𝐱) Linear Gaussian model Sec 8.1.4 – 𝐱 𝐱 • 𝑝 𝐲 , 𝑝(𝐱|𝐲)
37.
• • 𝐳 • 𝑝(𝐳)
p 𝐲 , 𝑝(𝐱|𝐲) –
38.
𝐳 • • 𝐳 2
39.
𝐳 • 2 …
40.
𝐳 • 1 …
41.
𝑝(𝐳) p 𝐲
, 𝑝(𝐱|𝐲) •
42.
2.3.4 for • D
N ~𝑁(𝝁, Σ) • log • 𝐗 2 sufficient statistics
43.
• • Exercise 2.34
44.
biased? unbiased? • biased
Exercise 2.35 •
45.
2.3.5 Sequential Estimation •
N-1 • • N • …
46.
• N 𝝁ML (𝑁) 𝐱
𝑁 • seqential estimation
47.
• 𝜃, 𝑧
𝑝(𝑧, 𝜃)
48.
Robbins-Monro • 1951 • – z
∞ • 𝑓 𝜃 > 0 ⇒ 𝜃∗ < 𝜃, 𝑓 𝜃 < 0 ⇒ 𝜃 < 𝜃∗ – without loss of generality
49.
Robbins-Monro • 3 {𝑎 𝑁}
2.129 0
50.
51.
52.
• [Blum, 1965]
53.
2.3.6 for • • – exp{𝜇
2 } ⇒ ⇒
54.
•
55.
• prior • Precision
1 1 𝜎2
56.
•
57.
• D – Exercise
2.40
58.
Sequential Estimation is
easy •
59.
• – precision 𝜆
= 1 𝜎2 • – 𝜆 𝑛 𝑒 𝑐𝜆 ⇒ ⇒
60.
•
61.
𝑎 > 0
𝑎 ≥ 1
62.
precision • … • …
63.
• 𝑎 𝑁
N 𝑁 2 – 2𝑎0 • 𝑏 𝑁 N 𝑁 2 𝜎ML 2 – = 𝑏0 𝑎0 2𝑎0
64.
•
65.
• 𝑝 𝜇,
𝜆 = 𝑝 𝜇 𝜆 𝑝(𝜆) • 𝜇0 = 𝑐 𝛽 , 𝑎 = 1 + 𝛽 2 , 𝑏 = 𝑑 − 𝑐2 2𝛽 • normal-gamma/Gaussian-gamma
66.
Gaussian-gamma
67.
D • – • – Wishart • Exercise
2.45 • 𝜈
68.
D • – Gaussian-Wishart
69.
Student t • Gaussian-gamma
precision – –
70.
t • 𝜈 t •
𝜆 precision –
71.
t • 1 • ∞ –
Exercise: 2.47:
72.
t • • Infinite mixtures
of Gaussian • tail ⇒t robustness
73.
t robustness
74.
• 𝜈 =
2𝑎, 𝜆 = 𝑎 𝑏 , 𝜂 = 𝑏 𝑎 𝜏 • •
75.
t • – Exercise 2.49:
76.
2.3.8 • – 𝑝 𝑥
= 𝑝 𝑥 + 2𝜋 • – •
77.
• PRML • Mardia and
Jupp (2000)
78.
• • – 𝜃 𝑀𝐿
= 𝜃 𝑖 𝑁 • – 𝐱 𝑖 = (cos 𝜃𝑖 , sin 𝜃𝑖) – 𝐱 𝑀𝐿 = ( 1 𝑁 cos 𝜃𝑖 , 1 𝑁 sin 𝜃𝑖)
79.
von Mises • •
80.
von Mises • Conditional
81.
von Mises • • 𝑚
= 𝑟0 𝜎2 𝑚 concentration parameter
82.
von Mises • 𝑚 –
Exercise 2.52
83.
von Mises • • 𝜃0,
𝑚 • 𝜃0
84.
von Mises • 𝑚
… – 𝑑 𝑑𝑚 𝐼0 𝑚 = 𝐼1(𝑚) [Abramowitz and Stegun, 1965] • 𝑚 𝑀𝐿 •
85.
𝐼0 𝑚 ,
𝐴 𝑚
86.
• • Conditional marginal – • •
von Mises unimodal
87.
2.3.9 Mixtures of
Gaussians • unimodal ⇒mixture distributions
88.
2.3.9 Mixtures of
Gaussians • • 1 •
89.
• ⇒Chapter 9 • –
⇒EM
Download now