Submit Search
Upload
パターン認識と機械学習 §8.3.4 有向グラフとの関係
•
2 likes
•
3,373 views
P
Prunus 1350
Follow
2013/7/21(日) @ニフティ株式会社 セミナールーム
Read less
Read more
Report
Share
Report
Share
1 of 21
Download now
Download to read offline
Recommended
PRML輪読#8
PRML輪読#8
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
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輪読#4
PRML輪読#4
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
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 8.2 条件付き独立性
PRML 8.2 条件付き独立性
sleepy_yoshi
PRML生駒読書会第10回の発表資料
スペクトラル・クラスタリング
スペクトラル・クラスタリング
Akira Miyazawa
スペクトラル・クラスタリング (spectral clustering) の説明資料です。
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
機械学習でよく使う線形代数の公式です。行列やlog行列式の微分、逆行列の微分、2次形式のtraceでの記述、ブロック行列の逆行列などの公式が書かれています。
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Teppei Kurita
Sparse Codingについて振り返る。
Recommended
PRML輪読#8
PRML輪読#8
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
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輪読#4
PRML輪読#4
matsuolab
東京大学松尾研究室におけるPRML輪読資料です。
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 8.2 条件付き独立性
PRML 8.2 条件付き独立性
sleepy_yoshi
PRML生駒読書会第10回の発表資料
スペクトラル・クラスタリング
スペクトラル・クラスタリング
Akira Miyazawa
スペクトラル・クラスタリング (spectral clustering) の説明資料です。
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
機械学習でよく使う線形代数の公式です。行列やlog行列式の微分、逆行列の微分、2次形式のtraceでの記述、ブロック行列の逆行列などの公式が書かれています。
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Sparse Codingをなるべく数式を使わず理解する(PCAやICAとの関係)
Teppei Kurita
Sparse Codingについて振り返る。
Prml 2.3
Prml 2.3
Yuuki Saitoh
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
PRML輪読#11
PRML輪読#11
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
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
SVMの基本的な数学を説明しています. ブログにもまとめてますので,どうぞ https://kenyu-life.com/2019/02/11/support_vector_machine/ 動画解説してます 「https://www.youtube.com/watch?v=TNOC0vyIL-g」
PRML輪読#10
PRML輪読#10
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4章4.3.1 〜 4.5.2
PRML上巻勉強会 at 東京大学 資料 第4章4.3.1 〜 4.5.2
Hiroyuki Kato
東京大学PRML上巻輪読会第9回資料
PRML8章
PRML8章
弘毅 露崎
PRML 第4章
PRML 第4章
Akira Miyazawa
パターン認識と機械学習 第4章 Pattern Recognition and Machine Learning Chapter 4
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
PRML生駒読書会第11回の発表資料
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
尼崎Pythonの会#3での発表資料です。
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Keisuke Sugawara
パターン認識と機械学習(PRML)の第9章「混合モデルとEM」について説明したスライドです。文字多め。 潜在変数を持つモデルの最適化を行うことができるEMアルゴリズムについて、最初は具体的でイメージしやすいk-meansクラスタリングから説明し、最後は数式を詳細に見ていきその意味を考察します 9.1 K-meansクラスタリング 9.2 混合ガウス分布 9.3 EMアルゴリズムのもう1つの解釈 9.4 一般のEMアルゴリズム
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輪読#13
PRML輪読#13
matsuolab
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
東京大学松尾研究室におけるPRML輪読資料です。
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
KCS Keio Computer Society
ELBO型VAEのダメなところ
PRML2.1 2.2
PRML2.1 2.2
Takuto Kimura
少し修正版
[DL輪読会]Deep Learning 第16章 深層学習のための構造化確率モデル
[DL輪読会]Deep Learning 第16章 深層学習のための構造化確率モデル
Deep Learning JP
2017/12/18 Deep Learning JP: http://deeplearning.jp/seminar-2/
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
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
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Prunus 1350
SAS University EditionでもJupyter Notebookが使えるようになった話
More Related Content
What's hot
Prml 2.3
Prml 2.3
Yuuki Saitoh
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
PRML輪読#11
PRML輪読#11
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
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
SVMの基本的な数学を説明しています. ブログにもまとめてますので,どうぞ https://kenyu-life.com/2019/02/11/support_vector_machine/ 動画解説してます 「https://www.youtube.com/watch?v=TNOC0vyIL-g」
PRML輪読#10
PRML輪読#10
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4章4.3.1 〜 4.5.2
PRML上巻勉強会 at 東京大学 資料 第4章4.3.1 〜 4.5.2
Hiroyuki Kato
東京大学PRML上巻輪読会第9回資料
PRML8章
PRML8章
弘毅 露崎
PRML 第4章
PRML 第4章
Akira Miyazawa
パターン認識と機械学習 第4章 Pattern Recognition and Machine Learning Chapter 4
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
PRML生駒読書会第11回の発表資料
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
尼崎Pythonの会#3での発表資料です。
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Keisuke Sugawara
パターン認識と機械学習(PRML)の第9章「混合モデルとEM」について説明したスライドです。文字多め。 潜在変数を持つモデルの最適化を行うことができるEMアルゴリズムについて、最初は具体的でイメージしやすいk-meansクラスタリングから説明し、最後は数式を詳細に見ていきその意味を考察します 9.1 K-meansクラスタリング 9.2 混合ガウス分布 9.3 EMアルゴリズムのもう1つの解釈 9.4 一般のEMアルゴリズム
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輪読#13
PRML輪読#13
matsuolab
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
東京大学松尾研究室におけるPRML輪読資料です。
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
KCS Keio Computer Society
ELBO型VAEのダメなところ
PRML2.1 2.2
PRML2.1 2.2
Takuto Kimura
少し修正版
[DL輪読会]Deep Learning 第16章 深層学習のための構造化確率モデル
[DL輪読会]Deep Learning 第16章 深層学習のための構造化確率モデル
Deep Learning JP
2017/12/18 Deep Learning JP: http://deeplearning.jp/seminar-2/
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
What's hot
(20)
Prml 2.3
Prml 2.3
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
PRML輪読#11
PRML輪読#11
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
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
PRML輪読#10
PRML輪読#10
PRML上巻勉強会 at 東京大学 資料 第4章4.3.1 〜 4.5.2
PRML上巻勉強会 at 東京大学 資料 第4章4.3.1 〜 4.5.2
PRML8章
PRML8章
PRML 第4章
PRML 第4章
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
PRML輪読#13
PRML輪読#13
PRML輪読#2
PRML輪読#2
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
PRML2.1 2.2
PRML2.1 2.2
[DL輪読会]Deep Learning 第16章 深層学習のための構造化確率モデル
[DL輪読会]Deep Learning 第16章 深層学習のための構造化確率モデル
グラフィカルモデル入門
グラフィカルモデル入門
Viewers also liked
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
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
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Prunus 1350
SAS University EditionでもJupyter Notebookが使えるようになった話
Bishop prml 9.3_wk77_100408-1504
Bishop prml 9.3_wk77_100408-1504
Wataru Kishimoto
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
Wataru Kishimoto
入門パターン認識と機械学習3章
入門パターン認識と機械学習3章
hiro5585
入門パターン認識と機械学習3章
機械学習
機械学習
Hikaru Takemura
某研究室のM1が,B4向けに機械学習の講義を行った際のスライドです.
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
Yuma Yoshimoto
高専の授業課題で書いたスライドです。 C.M.ビショップ氏の「パターン認識と機械学習 上」より「1.1 例:多項式曲線フィッテイング」の内容です。 課題で作っただけなので、続編等作る予定は一切ありません。
Guide for program Implement for PRML
Guide for program Implement for PRML
Masato Nakai
I described Guidance for Implement for PRML logic By C and posted of implement program with difficulty mark.
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
Itaru Otomaru
ビショップ著「パターン認識と機械学習と機械学習」勉強会資料です。 第3章「線形回帰モデル」のうち、章の頭から3.1.5までを扱っています。
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
Mitsuki Ogasahara
入門パターン認識と機械学習12章
入門パターン認識と機械学習12章
hiro5585
入門パターン認識と機械学習12章 関連ベクトルマシン
主成分分析 (pca)
主成分分析 (pca)
Ji Wang
主成分分析(PCA)のアルゴリズムを簡単にまとめたもの
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
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
Wataru Kishimoto
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
2013/3/10(日) @株式会社VOYAGE GROUP セミナールーム Pangea
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
「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
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)。
SVMについて
SVMについて
mknh1122
SVMについて自分なりにまとめて,授業でプレゼンしたもの.時間的に間に合わなかったりして内容が不完全だったりするけども,読めば線形SVMの実装ぐらいはできるかも.独学なので間違いがある可能性も.
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
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.
Viewers also liked
(19)
機械学習の理論と実践
機械学習の理論と実践
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Bishop prml 9.3_wk77_100408-1504
Bishop prml 9.3_wk77_100408-1504
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
入門パターン認識と機械学習3章
入門パターン認識と機械学習3章
機械学習
機械学習
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
Guide for program Implement for PRML
Guide for program Implement for PRML
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
入門パターン認識と機械学習12章
入門パターン認識と機械学習12章
主成分分析 (pca)
主成分分析 (pca)
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」
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
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
「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
SVMについて
SVMについて
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
Similar to パターン認識と機械学習 §8.3.4 有向グラフとの関係
Infer net wk77_110613-1523
Infer net wk77_110613-1523
Wataru Kishimoto
PRML復々習レーン#11
PRML復々習レーン#11
Takuya Fukagai
2013/06/23 PRML (Pattern Recognition and Machine Learning) 復々習レーン #11 の 担当箇所スライド ( section 8. Graphical Modelの始めのほう )
PRML_titech 8.1 - 8.2
PRML_titech 8.1 - 8.2
Takafumi Sakakibara
(in Japanese) 2015/02/03 PRML勉強会の資料です。(version 1.1)「パターン認識と機械学習」の下巻8.1章から8.2章を担当します。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_8-1_8-2)
PRML4.3
PRML4.3
hiroki yamaoka
研究室の輪講で使った資料です
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Daisuke Yoneoka
Draftall
Draftall
Toshiyuki Shimono
PRML 10.1.3 PRML 10.2 with some new math symbol system which would be useful for statistics and machine learning.
PRML 8.4-8.4.3
PRML 8.4-8.4.3
KunihiroTakeoka
間違いなどありましたら、 https://twitter.com/_kuni88 までご連絡ください。
Similar to パターン認識と機械学習 §8.3.4 有向グラフとの関係
(7)
Infer net wk77_110613-1523
Infer net wk77_110613-1523
PRML復々習レーン#11
PRML復々習レーン#11
PRML_titech 8.1 - 8.2
PRML_titech 8.1 - 8.2
PRML4.3
PRML4.3
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Draftall
Draftall
PRML 8.4-8.4.3
PRML 8.4-8.4.3
More from Prunus 1350
統計的学習の基礎 第2章後半
統計的学習の基礎 第2章後半
Prunus 1350
カステラ本読書会
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
Prunus 1350
はじめてのパターン認識 第11章 11.1-11.2
はじめてのパターン認識 第11章 11.1-11.2
Prunus 1350
第14回「はじめてのパターン認識」読書会
TokyoR 第36回LT Rで部分空間法
TokyoR 第36回LT Rで部分空間法
Prunus 1350
2014/2/22(土)TokyoR 第36回LT
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第9章 9.5-9.6
Prunus 1350
第12回 「はじめてのパターン認識」 読書会
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第6章 後半
Prunus 1350
第6章「線形識別関数」(後半)
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
Prunus 1350
第1回「はじめてのパターン認識」読書会 第1章「はじめに」
集合知プログラミング 第4章 4.7
集合知プログラミング 第4章 4.7
Prunus 1350
2012/11/13(火) 第4回集合知プログラミング勉強会 @nifty
スティーヴ・ライヒを聴こう
スティーヴ・ライヒを聴こう
Prunus 1350
2012/09/20(木) TokyoSNA #7 LT
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
Prunus 1350
More from Prunus 1350
(10)
統計的学習の基礎 第2章後半
統計的学習の基礎 第2章後半
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
はじめてのパターン認識 第11章 11.1-11.2
はじめてのパターン認識 第11章 11.1-11.2
TokyoR 第36回LT Rで部分空間法
TokyoR 第36回LT Rで部分空間法
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
集合知プログラミング 第4章 4.7
集合知プログラミング 第4章 4.7
スティーヴ・ライヒを聴こう
スティーヴ・ライヒを聴こう
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
パターン認識と機械学習 §8.3.4 有向グラフとの関係
1.
パターン認識と機械学習 8.3.4 有向グラフとの関係 PRML復々習レーン #12 2013/7/21(日) ぷるうぬす@Prunus1350
2.
2種類のグラフィカルモデル • 有向グラフ • 無向グラフ 有向グラフで記述されるモデルを 無向グラフに変換する問題を考える
3.
無向グラフへの変換(簡単な例) (a)有向グラフ
4.
無向グラフへの変換(簡単な例) (a)有向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) 条件付き分布の積として因数分解される
5.
無向グラフへの変換(簡単な例) (a)有向グラフ (b)無向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1)
6.
無向グラフへの変換(簡単な例) (a)有向グラフ (b)無向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) この無向グラフにおける極大クリークは隣接ノード対
7.
無向グラフへの変換(簡単な例) (a)有向グラフ (b)無向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) p(x) = 1 Z 1,2(x1, x2) 2,3(x2, x3) · · · N 1,N (xN 1, xN )
8.
無向グラフへの変換(簡単な例) p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) p(x) = 1 Z 1,2(x1, x2) 2,3(x2, x3) · · · N 1,N (xN 1, xN ) このような対応付けができる
9.
無向グラフへの変換(簡単な例②) 親を2つ以上持つ有向グラフのノードが存在する場合
10.
無向グラフへの変換(簡単な例②) この有向グラフの同時分布はこのように表せる p(x) = p(x1)p(x2)p(x3)p(x4|x1,
x2, x3)
11.
無向グラフへの変換(簡単な例②) 下線部の条件付き分布を1つのクリークポテンシャル関数に吸収させるためには 4つの変数 が1つのクリークに属していなければならない。 p(x) = p(x1)p(x2)p(x3)p(x4|x1,
x2, x3) x1, x2, x3, x4
12.
無向グラフへの変換(簡単な例②) 親同士すべてをリンクで接続(モラル化)し、 矢印による方向付けを消したものをモラルグラフと呼ぶ
13.
有向グラフを無向グラフに変換するには • グラフの各ノードに対してそのすべての親同士の対に無 向リンクを付加する。 • もともとのリンクから矢印の方向性を取り除いてモラ ルグラフを作る。 •
モラルグラフのすべてのクリークポテンシャル関数を1 に初期化する。 • もともとの有向グラフの条件付き分布因子を1つ取って きて、対応するクリークポテンシャルの1つに掛ける。 モラル化とは、リンクの追加を最小限に抑えることによって 条件付き独立性をできる限り残す方法である。
14.
依存性マップ • あるグラフが、ある分布が満たす条件付き独立性をも れなく表現するとき、そのグラフをその分布に対する 依存性マップ(dependency map、D-map)と言う。 •
全くリンクのない完全に分離されたグラフは、すべて の分布に対する自明な依存性マップである。
15.
独立性マップ • あるグラフによって規定されるすべての条件付き独立性 が、ある分布によって満たされるとき、そのグラフを その分布に対する独立性マップ(independence map、I-map)と言う。 • 全結合はすべての分布に対する自明な独立性マップであ る。
16.
完全マップ • ある分布の条件付き独立性があるグラフによってすべ て表現され、逆にそのグラフが表現するすべての条件付 き独立性をその分布が満たすならば、そのグラフをそ の分布の完全マップ(perfect map)と言う。 •
つまり、完全マップは独立性マップでありかつ依存性 マップでもある。
17.
分布の集合のベン図 P:与えられた変数集合上のすべての可能な分布の集合 D:有向グラフを用いた完全マップで表現される分布の集合 U:無向グラフを用いた完全マップで表現される分布の集合
18.
同じ3変数上の無向グラフでは表現できない 条件付き独立性を持つ有向グラフの例
19.
同じ変数上の有向グラフでは同じ条件付き独立性 を表現できない無向グラフの例
20.
連鎖グラフ • グラフィカルモデルの枠組みは、有向リンクと無向リ ンクを両方持つグラフにも矛盾なく拡張できる。 • そのようなグラフは連鎖グラフと呼ばれる。 •
有向グラフおよび無向グラフは連鎖グラフの特別な場 合として含まれる。 • 連鎖グラフを用いても完全マップを作れない分布が存 在する。 PRMLでは、連鎖グラフについてはこれ以上議論しない。
21.
ご清聴ありがとうございました。
Download now