SlideShare a Scribd company logo
マルコフ連鎖モンテカルロ法入門ー1
~お天気推移モデルで理解するマルコフ連鎖モンテカルロ法~



          @teramonagi
ご注意



本資料は個人的な勉強会のために作成したものです。本
情報の内容については万全を期しておりますが、その内容
を保証するものではありません。これらの情報によって生
じたいかなる損害についても、情報提供者は一切の責任を
負いません。なお、本資料における意見、見解等はすべて
筆者の個人的なものであり、筆者の属する組織の意見、見
解等ではないことをあらかじめご了承ください。
Contents
1:マルコフ連鎖モンテカルロ法とは

2:お天気推移モデルで見るマルコフ連鎖の特徴

3:お天気推移モデルのマルコフ連鎖をつくる

4:そしてマルコフ連鎖モンテカルロ法へ

5:まとめ
1:マルコフ連鎖モンテカルロ法とは
マルコフ連鎖モンテカルロ法とは-1
■【マルコフ連鎖】【モンテカルロ法】と二つの語から成る
■【マルコフ連鎖】
 1個前の状態だけによって次の状態が決まる連鎖(高校数学でいう
数列の所にあった漸化式)。例えば明日の株価は1年前の株価もおと
といの株価も関係なくて、今日の株価だけから決まるということ。小
難しく書くと(理解しなくてOK)


となる。当然、言ってる事は上と全く同じ。 
■【モンテカルロ法】
モンテカルロ法とはシミュレーションや数値計算を乱数を用いて行な
う手法の総称。なんで、サイコロを振ってシミュレーションしてもモンテ
カルロ法になる。
マルコフ連鎖モンテカルロ法とは-2
■【マルコフ連鎖モンテカルロ法】
皆様方のお好きな、任意の分布(正規分布でも、よくわからん関数形
の分布でもなんでもOK!)を不変分布(詳細は後述)に持つマルコフ
連鎖を設計・生成することで、望む分布に従った乱数を生成するモン
テカルロ法のこと




 マルコフ連鎖モンテカルロ法を説明する前に、次の章
 でまず具体的なマルコフ連鎖の例とその特徴について
 見る。
2:お天気推移モデルで見るマルコフ連鎖の特徴
お天気推移モデルの定義
■日々のお天気が以下のようなマルコフ連鎖に従って推
移するようなモデルを考える
 ・今日晴の場合、明日晴である確率:1/2   明日の天気が今日の
                        天気だけから決まっ
 ・今日晴の場合、明日雨である確率:1/2   ているのでマルコフ連
 ・今日雨の場合、明日晴である確率:2/3   鎖の条件を満たす!
 ・今日雨の場合、明日雨である確率:1/3
お天気推移モデルの計算例(図の読み方)
■計算例
 今日は晴だとしておくと、モデルの仮定(天気の推移確率)から
  明日晴の確率 = 1/2
  明日雨の確率 = 1/2
となる
 
お天気推移モデルのクイズ
問題:明後日晴・雨である確率はそれぞれいくつ?
 明後日晴の確率 = 明日晴の確率 × 1/2 + 明日雨の確率 × 2/3
             = 1/2 × 1/2 + 1/2 × 2/3
            = 7/12
 明後日雨の確率 = 明日晴の確率 × 1/2 + 明日雨の確率 × 1/3
            = 1/2 × 1/2 + 1/2 × 1/3
            = 5/12
お天気推移モデルの満たすべき漸化式
■漸化式(高校数学の数列)による一般化
 F_t : (今日から見て)t日後に晴である確率
 R_t : (今日から見て)t日後に雨である確率
とすると、F_t,R_tは以下の漸化式を満たす

 

 
お天気推移モデルの満たすべき漸化式を解くー1
この漸化式




は、                とおくことで、解くことができる     
(行列の対角化を使用してもOK)

数列でいう初項であるt=0(今日)のお天気確率を何でもいいのだけ
れどもあらかじめ以下のように指定する。今日の天気は100%晴だと
いう意味
お天気推移モデルの満たすべき漸化式を解くー2
■センター試験を思い出して解いてみると・・・




として、解くことができる。さて、ここでtを無限大に持っていくと、
-1/6の絶対値は1よりも小さいのでt乗の項が消えて




tに依存しない定数だけが残る。これがマルコフ連鎖の大事な大事な
性質である不変分布への収束というものである。
お天気推移モデルの満たすべき漸化式を解くー3
さらに、この不変分布を先ほどの漸化式の右辺に突っ込んでみると…




となる。従って、不変分布は



という式を満たす分布ともいうことができる。一般にはここ
の推移確率はなんでもよくて、推移させても分布が変わら
なければOK
お天気推移モデルの不変分布について
■以上の考察から、t日後のお天気確率は、t→∞極限で
不変分布に到達することがわかった

■ここで設定したお天気推移モデルの場合、確率(晴)
=4/7、確率(雨)=3/7となるような確率分布が不変分布
になっている

■湧き上がる疑問
 ⇒どんな感じで不変分布へと収束していくのか?
 ⇒初項に対する依存性はあるのか?

■以上、2つの疑問をRによる数値計算で確認してみる
お天気推移モデルの不変分布をRで見るー1
■どのような数値計算を行うか?
 -漸化式を逐次的に解いていく(初項はさっきと同じ)




 ・・・・・・・・・・・・・・・・・・・・・・・・・・・
お天気推移モデルの不変分布をRで見るー2
#数日後の天気確率計算関数
#weather.initial_:
#transition.matrix_:お天気遷移行列
#size_:何日間の遷移を計算するのか
TranslateWeather <- function(weather.initial_,transition.matrix_,size_){
  result <- matrix(NA, nrow = size_ + 1, ncol = nrow(weather.initial_))
  result[1,] <- t(weather.initial_)
  weather.day <- weather.initial_
  for(day in 1:size_){
    weather.day <- transition.matrix %*% weather.day
    result[day + 1,] <- t(weather.day)
  }
  return(result)
}
#状態遷移行列として以下のような遷移確率
#晴⇒晴:1/2、晴⇒雨:1/2、雨⇒晴:2/3、雨⇒雨:1/3
transition.matrix <- matrix(c(1/2,1/2,2/3,1/3), nrow = 2, ncol = 2)
#今日の天気(初期状態)としては晴を指定
weather.initial <- matrix(c(1.0,0.0),nrow = 2)
#天気の推移計算
size <- 10
weather.transition <- TranslateWeather(weather.initial, transition.matrix, size)

matplot(weather.transition,lwd = 3, ylab="確率", xlab="何日後", type = "l", lty = 1, col=c("red","blue"))
legend(nrow(weather.transition)- 4, 1, legend = c("晴","雨"), col=c("red","blue"), lty = 1)
お天気推移モデルの不変分布をRで見るー3




漸化式に従ってどんどん計算していくと
晴の確率が4/7 = 0.5714286...
雨の確率が3/7 = 0.4285714...    に収束していく様子がわかる!
お天気推移モデルの不変分布をRで見るー4
■初項のみを変えて再度計算




                               ここだけ変更


 ・・・・・・・・・・・・・・・・・・・・・・・・・・・
お天気推移モデルの不変分布をRで見るー5
#数日後の天気確率計算関数
#weather.initial_:
#transition.matrix_:お天気遷移行列
#size_:何日間の遷移を計算するのか
TranslateWeather <- function(weather.initial_,transition.matrix_,size_){
  result <- matrix(NA, nrow = size_ + 1, ncol = nrow(weather.initial_))
  result[1,] <- t(weather.initial_)
  weather.day <- weather.initial_
  for(day in 1:size_){
    weather.day <- transition.matrix %*% weather.day
    result[day + 1,] <- t(weather.day)
  }
  return(result)
}
#状態遷移行列として以下のような遷移確率
#晴⇒晴:1/2、晴⇒雨:1/2、雨⇒晴:2/3、雨⇒雨:1/3
transition.matrix <- matrix(c(1/2,1/2,2/3,1/3), nrow = 2, ncol = 2)
#今日の天気(初期状態)として以下を指定

                         c(0.5,0.5)
weather.initial <- matrix(                ,nrow = 2)
#天気の推移計算
size <- 10
weather.transition <- TranslateWeather(weather.initial, transition.matrix, size)

matplot(weather.transition,lwd = 3, ylab="確率", xlab="何日後", type = "l", lty = 1, col=c("red","blue"))
legend(nrow(weather.transition)- 4, max(weather.transition), legend = c("晴","雨"), col=c("red","blue"), lty = 1)
お天気推移モデルの不変分布をRで見るー6




初項を変更したこのケースでも、やっぱり
晴の確率が4/7 = 0.5714286...
雨の確率が3/7 = 0.4285714...    に収束していく
お天気推移モデルで見るマルコフ連鎖の特徴
■漸化式(マルコフ連鎖!)に従って日々のお天気確率を
計算していくと、それはある程度tが大きくなった所で、tに
依存しないある不変分布へと辿りつく

■この不変分布は初項に依存しない(ような挙動を示す程
度のことしかここでは言えない・・・)

       数式を使った詳しい話は
       「計算統計 2 マルコフ連鎖モンテカルロ法とその周辺」
       の伊庭先生の章がvery good !
3:お天気推移モデルのマルコフ連鎖をつくる
マルコフ連鎖を作るとは何か?
■お天気推移モデルに従って天気を何日も推移させて、
日々のお天気推移を記録した配列を得ること

■発想としてはスゴロクとほぼ同じ。難しくない

■次のページでスゴロクっぽく具体例を紹介
お天気推移モデルをスゴロクのように書く
■スタートのマスを晴にするか雨にするかてきとーに決める

■以下を気が済むまでループ
 ■今いるマスの天気に応じた処理の実行
 if(今いるマスの天気が晴の場合)
  ・サイコロを振って偶数の目が出た⇒晴のマスのまま
  ・サイコロを振って奇数の目が出た⇒雨のマスへ移動
  (推移確率:晴⇒晴:1/2,晴⇒雨:1/2をサイコロで表現)
 elseif(今いるマスの天気が雨の場合)
  ・サイコロを振って1~4までの目が出た⇒晴のマスへ移動
  ・サイコロを振って5か6の目が出た⇒雨のマスのまま
  (推移確率:雨⇒晴:2/3,雨⇒雨:1/3をサイコロで表現)

 ■今いるマスの天気をメモして、日付を一日更新。次のループへ
スゴロクの結果を表にしてみました
■10日でおしまいにしたお天気推移モデルスゴロクをN回
やってみると、例えば以下のような結果が得られる。
(スタートのマスは晴とした)

シミュレー 1日目の 2日目の 3日目の ・・・ 9日目の 10日目の
ション番号 お天気 お天気 お天気         お天気  お天気

  1

  2
 ・・・
  N
2章との関係-1
■下表のように、日ごとにグルーピングして、各グループ
ごとに晴の回数/N、雨の回数/Nを計算してみると・・・


シミュレー 1日目の 2日目の 3日目の ・・・ 9日目の 10日目の
ション番号 お天気 お天気 お天気         お天気  お天気

  1

  2
 ・・・
  N
2章との関係-2



【クイズ】
さて、これはN→∞の極限において何
と一致するでしょうか(ヒント:サイコロ
を100回振って、【6の目が出た回数】
/100を計算するのとまったく同じ)
2章との関係-3

【正解】
まさに2章で計算した
各日のお天気確率


   シミュレーショ   1日目の   2日目の   3日目の         9日目の   10日目の
     ン番号      お天気    お天気    お天気   ・・・    お天気    お天気

     1

     2
     ・・・

     N
マルコフ連鎖から得られるサンプルの意味
          2章の結果から「マルコフ連鎖に従っ
          てお天気をどんどん生成していって、
          ある程度日数が経過した後には、晴
          か雨のお天気が出る確率は、日にち
          が経過しても変わらない不変分布に
          従っている」ということがわかっていた




ある程度日数が経過した後、マルコフ連鎖から得られ
るお天気は不変分布からサンプリングしたもの(不変
分布に従う乱数!)と見做して良い
実際の数値計算では・・・
実際にマルコフ連鎖モンテカル法を使って乱数を生成す
るときには、N=1としておしまいの日付であるTを大きくし
た計算をすることが多いです。そして、不変分布に到達し
てない部分を捨てて、残りの部分を不変分布からのサン
プルだとします。


                                         ↑↓ここだけ使う
シミュレー   1日目の 2日目の 3日目の         9日目の   10日目の         T日目の
ション番号    お天気 お天気 お天気     ・・・    お天気    お天気    ・・・    お天気


 1
不変分布からのサンプリングの実装
■では、今の話が本当か数値的にチェック!
■使う言語は・・・
 -マルコフが枕元で「Rを使え」と言うのでRを使います
■計算の仕様
 -不変分布に従うように"晴"という文字が4/7、"雨"という文字が
3/7の確率で出現するような計算を2通りのやり方で実施

  1:if-elseで不変分布を既知としてサンプリング
   (よくやるサンプリング、比較の意味で登場させた)
  2:お天気推移モデルを使ってサンプリング
   (さきほどのスゴロクアルゴリズムを実装したもの。これがマル
コフ連鎖モンテカルロ法によるサンプリング)
   
~不変分布からのサンプリングの実装-1~
1:if-elseで不変分布を既知としてサンプリング
 #サンプリング回数
 size <- 10000
 #サンプリング."晴"が4/7の確率で出るようにしている。逆に雨は3/7の確率

 result <- ifelse(runif(size) > 3/7, "晴", "雨")
 #結果表示、標本から確率を計算
 print(sum(result=="晴")/size)
 print(sum(result=="雨")/size)




                                計算結果


 > print(sum(result=="晴")/size)
 [1] 0.5775
 > print(sum(result=="雨")/size)
 [1] 0.4225
~不変分布からのサンプリングの実装-2~
2:お天気推移モデルを使ってサンプリング
#晴⇒晴:1/2,雨⇒雨:1/3な推移確率
transition <- c(Fine=1/2,Rain=1/3)
size <- 10000 #サンプリング回数
result <- c() #結果格納
weather.now <- "晴" #現在のお天気

#マルコフ連鎖の生成&不変分布からのサンプリング.
for(i in 1:size){
  result <- c(result,weather.now)
  #現在の状態に応じて次の状態を決める⇒マルコフ連鎖の生成
  if(weather.now=="晴"){
    weather.now <- ifelse(runif(1) > transition["Fine"],"晴","雨") 
  }else if(weather.now=="雨"){
    weather.now <- ifelse(runif(1) > transition["Rain"],"晴","雨") 
  }
}                              > print(sum(result[-(10:1)]=="晴")/(size-10))
#結果表示、標本から確率を計算
#初めの10個は不変分布に達してないと思って捨てる                    [1] 0.5705706
print(sum(result[-(10:1)]=="晴")/(size-10))   > print(sum(result[-(10:1)]=="雨")/(size-10))
print(sum(result[-(10:1)]=="雨")/(size-10)
                                             [1] 0.4294294
不変分布からのサンプリングの実装-3
■2通りのやり方でお天気推移モデルからのサンプリング
をした。どちらも(確率分布としての)不変分布に従ったサ
ンプリングとなっている

■1のやり方を一般化すると逆変換法という乱数生成手法
になる(機会があれば別資料で。。。)

■2のやり方では、お天気推移モデルをスゴロクアルゴリ
ズムそのまんまを使ってサンプリングした。これはマルコ
フ連鎖モンテカルロ法によるサンプリングの例となってい
る(手法名はない・・・と思う)
お天気推移モデルのマルコフ連鎖をつくる
■マルコフ連鎖を作るということは、スゴロクをす
るようなものだ

■そのスゴロクをやり続けていると、それはいつの
間にか不変分布からのサンプリングをしているこ
とに等しかった




次の章で、マルコフ連鎖モンテカルロ法をより詳しく見る
4:そしてマルコフ連鎖モンテカルロ法へ
マルコフ連鎖モンテカルロ法の発想

■今までのお天気推移モデルではお天気の推移確率が
与えられていて、そこから不変分布を出すということを
行った



マルコフ連鎖モンテカルロ法の発想

では、逆に望む不変分布を持つように推
移確率を与える(=マルコフ連鎖を設計
する)にはどうしたらよいのだろうか?
推移確率決定の指針~詳細釣り合いの条件1~
■「望む不変分布を得るためにどのように推移確率を与え
るか、マルコフ連鎖を設計するのか?」という問いに対す
る1つの解として詳細釣り合いの条件を満たすように推移
確率を決めるという1手段がある
(あくまで1手段でありマルコフ連鎖であるための十分条件でしかな
い、必要条件ではない)
■詳細釣り合いの条件の具体例:お天気推移モデル



不変分布   晴⇒雨の    不変分布     雨⇒晴の
晴の確率   推移確率    雨の確率     推移確率
という関係を満たすように推移確率を決定する
推移確率決定の指針~詳細釣り合いの条件2~

■詳細釣り合いの条件を満たせば本当に不変分布にな
るのか、お天気推移モデルでチェック!




         ↑詳細釣り合いの条件で消える

確かに不変分布が満たすべき式を満たしている。(本稿「お天
気推移モデルの満たすべき漸化式を解くー3」を参照)
推移確率決定の指針~詳細釣り合いの条件3~
■一般の場合、x、x'をある状態(お天気の数がたくさん、
つまり晴,雨,雪,台風...みたいに増えたとして、そのどれか
がx,x'に対応)とし、Π_x→x'を状態xからx'への推移確率
(=お天気の推移確率)、Pr{x}を不変分布において状態x
が起こる確率だとすると
■詳細釣り合いの条件は



と書ける。(x,x'に晴,雨、Pr{x},Pr{x'}に4/7,3/7を入れればさきほどの
お天気推移モデルでの具体例になる)
推移確率決定の指針~詳細釣り合いの条件4~
■詳細釣り合いの条件を満たせば不変分布になる事の証明
(あるxについて成立することを示す。行列でいうと1行を証明)


       ↑               ↑
       お天気推移モデルの一般化式   詳細釣り合いの条件
                       ↓


                     ↓推移確率の和は1



                                 Q.E.D
詳細釣り合いの条件からメトロポリス法へ
■お天気モデルの詳細釣り合いの条件再掲


不変分布   晴⇒雨の   不変分布    雨⇒晴の
晴の確率   推移確率   雨の確率    推移確率
■未知数2つ(推移確率)に式1本(詳細釣り合いの
条件)なんで、推移確率が一意に決まらない
決め方にも種類が色々。代表的な推移確率の決め方として
 1:メトロポリス法
 2:熱浴法(ギブスサンプラー) 
 3:メトロポリス・ヘイスティング法 
がある。ここではメトロポリス法だけ紹介。
メトロポリス法でお天気推移モデルー1
■メトロポリス法による推移確率の決め方




(不変分布の比を計算する。そのため7はキャンセルされる。これがと
てもありがたい性質で不変分布は規格化しておく必要がないことを意
味する。本稿でも以降のスクリプトは一応、不変分布の和が1になるよ
うに規格化してあるが規格化因子なしでも同様の結果を返す)
■↓の詳細釣り合いの条件を満たしていることがわかる
メトロポリス法でお天気推移モデルー2
■この推移確率で不変分布を推移させてみると・・・




■お天気推移モデルとしてはじめに設定しておいた推移確
率とは違うけれども、ちゃんと不変分布が出てくる!同じ
不変分布を作る推移確率はたくさんあるということ
メトロポリス法をRでやってみる-1
■基本、前述のスゴロクアルゴリズムと同じ(これもマルコ
フ連鎖モンテカルロ法によるサンプリングの1つではあっ
た!)

■異なる点は、メトロポリス法を使ってスゴロクのマスを移
動していく(お天気推移の仕方)点、つまりマルコフ連鎖の
生成法が違う

■コード自体はこのお天気モデルだけでなくて、一般の場
合でも使いやすいように書いておく
メトロポリス法をRでやってみる-2
#不変分布を返す関数
InvariantDistribution <- function(weather){
  ifelse(weather=="晴",4/7,3/7)
}                                            結果
#推移したい次の天気を返却
NextWeather <- function(weather){
                                             > print(sum(result[-(10:1)]=="晴")/(size-10))
  return(ifelse(weather=="晴","雨","晴"))       [1] 0.5691692
}
size <- 10000 #サンプリング回数                      > print(sum(result[-(10:1)]=="雨")/(size-10))
result <- c() #結果格納                          [1] 0.4308308
weather.now <- "晴" #現在のお天気
#メトロポリス法によるマルコフ連鎖の生成&不変分布からのサンプリング
for(i in 1:size){
  result <- c(result,weather.now)
 #遷移したい次の天気を指定(一般化したときのためにこう書いてる)
 weather.next <- NextWeather(weather.now)
 #メトロポリス法による推移確率の計算
 transition.probability <- min(1,
   InvariantDistribution(weather.next)/InvariantDistribution(weather.now))
 #推移確率に応じて状態を推移
 weather.now <- ifelse(transition.probability > runif(1),weather.next,weather.now)
}
#結果表示、標本から確率を計算
print(sum(result[-(10:1)]=="晴")/(size-10))
print(sum(result[-(10:1)]=="雨")/(size-10))
メトロポリス法(一般の場合)ー1

■一般の場合、x、x'をある状態ベクトル(x,x'にはお天気
が入ると考える。2状態ではなく晴,雨,雪,台風...みたいに
たくさんあると考える)とし、Π_x→x'を状態xからx'への推
移確率(=お天気の推移確率)、Pr{x}を不変分布において
状態xが起こる確率だとすると
■メトロポリス法は



と書ける。(x,x'に晴か雨、Pr{x},Pr{x'}に4/7か3/7を対応させて代入
すればさきほどのお天気推移モデルでの具体例になる)
メトロポリス法(一般の場合)ー2
■教科書にあまり明示的に書いていない大事なこと
このままの推移確率を使おうと思うと、各天気ごとの推移
確率の和が1にならない
■一般の場合の具体例として、下図のように3つのお天
気推移モデルを構築して考察


※この図でいう確率は
推移確率ではなく不変
分布
メトロポリス法(一般の場合)ー3
■メトロポリス法から推移確率を計算、結果は下図
■橙色丸印の箇所を足しただけでも2(>1)!なんで推移確率が
規格化されていない事がわかる
                      黒字:不変分布
※暇なら今までの例が            赤字:推移確率
全部規格化されてるか
確認してみよう
メトロポリス法(一般の場合)ー4
■これは”次にどのお天気に推移するのか?”を決定する
過程が抜けているため(今計算している推移確率は、例
えば”次の推移候補先は雨だ!”という条件付きの推移
確率と考えてもよい)

■なんでこんなことになるのかというと、詳細釣り合いの
条件は推移元と推移先、2つのお天気ペアについての性
質を決めるものであって、全体の推移を特徴付けるもの
ではないから(「規格化?俺は2つのお天気ペアの事しか
知ったこっちゃねーよ!」という感じ)
メトロポリス法(一般の場合)ー5
■ここでは次の推移先候補を単純に一様乱数で決める(推
移候補先のお天気がみんな等しい確率で出現)。無論、欲
しい確率分布にうまくマッチした”うまい”決め方があったり
もする

■一様に決めるとは例えば晴の次は"雨"か"雪"が推移先
候補だが、その選択される確率が雨・雪共1/2ということ

■要するに前述の推移確率を全部1/2するということ(同じ
お天気に推移する確率は規格化条件から決まる)
メトロポリス法(一般の場合)ー6

■推移確率を1/2しても詳細釣り合いの条件は両辺1/2
倍されただけなのでちゃんと成立
※ちなみに晴・雨だけの2状態モデルの時は推移先が
1個しかないのでこの問題は生じなかった。1/1倍しても
意味はない
web上にあるメトロポリス法のアルゴリズムを読むと、だいたい
 ・現在の状態から(ランダムに)変化させた新しい候補点を生成
というステップが入っていると思うが、それこそまさにここでいう”次
の推移先候補”を決定する過程。その過程をメトロポリス法による
推移の過程と分離して記述しているのが通例のよう。前述のプログ
ラムでもあえて分けて書いておいた(NextWeather関数)
メトロポリス法(一般の場合)ー7
■推移確率を全部1/2し、お天気推移図を再描画
■晴⇒晴等同じお天気推移確率は規格化条件から決定
メトロポリス法をRでやってみる-1

■基本、お天気推移モデル(2天気版)とおなじ
■異なる点は、NextWeather関数内で乱数(サイコロ)
振って次の推移先候補を選定している点
■他書の通例に習って、推移先候補選択と実際の推移を
分けて記述
■アルゴリズムをまとめると
 Step0:最初のお天気をてきとーに決める
 Step1:推移候補先を選定(NextWeather関数)
 Step2:メトロポリス法で決まる推移確率に従って推移
 Step3:気が済んだ⇒End、気が済まない⇒Step1へ
メトロポリス法をRでやってみる-2
#不変分布を返す関数
InvariantDistribution <- function(weather){
  ifelse(weather=="晴",4/7,ifelse(weather=="雪",2/7,1/7))                               > print(sum(result[-(10:1)]=="
}
#推移したい次の天気を返却                                                                         晴")/(size-10))
NextWeather <- function(weather){                                                     [1] 0.5690691
  #今の天気以外の天気を作成、1/2で選択                                                                > print(sum(result[-(10:1)]=="
  weathers <- c("晴","雪","雨")                                                          雪")/(size-10))
  weathers <- weathers[weathers!=weather]                                             [1] 0.2917918
  return(weathers[round(runif(1))+1])                                                 > print(sum(result[-(10:1)]=="
}                                                                                     雨")/(size-10))
size <- 10000 #サンプリング回数
result <- c() #結果格納                                                                   [1] 0.1391391
weather.now <- "晴" #現在のお天気
#メトロポリス法によるマルコフ連鎖の生成&不変分布からのサンプリング
for(i in 1:size){
  result <- c(result,weather.now)
  #遷移したい次の天気を指定
  weather.next <- NextWeather(weather.now)
  #メトロポリス法による推移確率の計算
  transition.probability <- min(1,
    InvariantDistribution(weather.next)/InvariantDistribution(weather.now))
  #推移確率に応じて状態を推移
  weather.now <- ifelse(transition.probability > runif(1),weather.next,weather.now)
}
5:まとめ
まとめ-1
■マルコフ連鎖モンテカルロ法とは任意の確率分布に従う乱数
を生成するための手法

■モンテカルロ法とは乱数を使ったシミュレーションの総称

■マルコフ連鎖次の状態(次の日のお天気)を決めるために今
の状態(今日のお天気)だけしか必要としない連鎖(=漸化式)

■マルコフ連鎖に従ってお天気を推移させていくと、各お天気が
出現する確率が日にちに依存しない不変分布へと収束する
まとめ-2
■マルコフ連鎖モンテカルロ法では欲しい確率分布がマルコフ
連鎖の不変分布となるように(お天気の)推移確率を調整する

■その1調整手段が詳細釣り合いの条件。この条件を満たす方
法もいろいろあって、ここでは最も基本的なメトロポリス法につ
いて紹介

■Next Step is ....
  ・このモデルは離散状態⇒連続モデルへの拡張 
  ・熱欲法・メトロポリスヘイスティグ法の解説            
  ・・・・・・・etc

                        ・・・・・・To be continued

More Related Content

What's hot

マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
 
マルコフ連鎖モンテカルロ法入門-2
マルコフ連鎖モンテカルロ法入門-2マルコフ連鎖モンテカルロ法入門-2
マルコフ連鎖モンテカルロ法入門-2
Nagi Teramo
 
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
 
因果推論の基礎
因果推論の基礎因果推論の基礎
因果推論の基礎
Hatsuru Morita
 
階層ベイズとWAIC
階層ベイズとWAIC階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
 
負の二項分布について
負の二項分布について負の二項分布について
負の二項分布について
Hiroshi Shimizu
 
PRML輪読#10
PRML輪読#10PRML輪読#10
PRML輪読#10
matsuolab
 
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
 
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
 
Stan超初心者入門
Stan超初心者入門Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
 
MCMC法
MCMC法MCMC法
MCMC法
MatsuiRyo
 
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
 
PRML輪読#1
PRML輪読#1PRML輪読#1
PRML輪読#1
matsuolab
 
5分でわかるベイズ確率
5分でわかるベイズ確率5分でわかるベイズ確率
5分でわかるベイズ確率hoxo_m
 
グラフィカルモデル入門
グラフィカルモデル入門グラフィカルモデル入門
グラフィカルモデル入門Kawamoto_Kazuhiko
 
ベイズファクターとモデル選択
ベイズファクターとモデル選択ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
 
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
 
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づけるベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
itoyan110
 
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
. .
 
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Nagi Teramo
 

What's hot (20)

マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
 
マルコフ連鎖モンテカルロ法入門-2
マルコフ連鎖モンテカルロ法入門-2マルコフ連鎖モンテカルロ法入門-2
マルコフ連鎖モンテカルロ法入門-2
 
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
 
因果推論の基礎
因果推論の基礎因果推論の基礎
因果推論の基礎
 
階層ベイズとWAIC
階層ベイズとWAIC階層ベイズとWAIC
階層ベイズとWAIC
 
負の二項分布について
負の二項分布について負の二項分布について
負の二項分布について
 
PRML輪読#10
PRML輪読#10PRML輪読#10
PRML輪読#10
 
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
 
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
 
Stan超初心者入門
Stan超初心者入門Stan超初心者入門
Stan超初心者入門
 
MCMC法
MCMC法MCMC法
MCMC法
 
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
 
PRML輪読#1
PRML輪読#1PRML輪読#1
PRML輪読#1
 
5分でわかるベイズ確率
5分でわかるベイズ確率5分でわかるベイズ確率
5分でわかるベイズ確率
 
グラフィカルモデル入門
グラフィカルモデル入門グラフィカルモデル入門
グラフィカルモデル入門
 
ベイズファクターとモデル選択
ベイズファクターとモデル選択ベイズファクターとモデル選択
ベイズファクターとモデル選択
 
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
 
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づけるベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
 
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
 
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
 

Viewers also liked

状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較
Hiroki Itô
 
Dummiesパッケージ
DummiesパッケージDummiesパッケージ
Dummiesパッケージ
weda654
 
R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42
Atsushi Hayakawa
 
20150303ぞくパタLT-ゆるふわ構造学習
20150303ぞくパタLT-ゆるふわ構造学習20150303ぞくパタLT-ゆるふわ構造学習
20150303ぞくパタLT-ゆるふわ構造学習
Toru Imai
 
Rcppのすすめ
RcppのすすめRcppのすすめ
Rcppのすすめ
Masaki Tsuda
 
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 #TokyoRR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
 
Mxnetで回帰 #TokyoR 53th
Mxnetで回帰 #TokyoR 53thMxnetで回帰 #TokyoR 53th
Mxnetで回帰 #TokyoR 53th
Akifumi Eguchi
 
20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門
Takashi Kitano
 
20140625 rでのデータ分析(仮) for_tokyor
20140625 rでのデータ分析(仮) for_tokyor20140625 rでのデータ分析(仮) for_tokyor
20140625 rでのデータ分析(仮) for_tokyor
Takashi Kitano
 
Rで潜在ランク分析
Rで潜在ランク分析Rで潜在ランク分析
Rで潜在ランク分析
Hiroshi Shimizu
 
R を起動するその前に
R を起動するその前にR を起動するその前に
R を起動するその前にKosei ABE
 
データサイエンティスト必見!M-1グランプリ
データサイエンティスト必見!M-1グランプリデータサイエンティスト必見!M-1グランプリ
データサイエンティスト必見!M-1グランプリ
Satoshi Kitajima
 
TokyoR42_around_chaining
TokyoR42_around_chainingTokyoR42_around_chaining
TokyoR42_around_chaining
TokorosawaYoshio
 
Rで代数統計 TokyoR #42 LT
Rで代数統計 TokyoR #42 LTRで代数統計 TokyoR #42 LT
Rで代数統計 TokyoR #42 LT
Toru Imai
 
最強のハードディスクはどれだ?
最強のハードディスクはどれだ?最強のハードディスクはどれだ?
最強のハードディスクはどれだ?
Atsushi Hayakawa
 
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
yutannihilation
 
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
 
Tokyor42 ggplot2
Tokyor42 ggplot2Tokyor42 ggplot2
Tokyor42 ggplot2Yohei Sato
 
Tokyo r30 anova
Tokyo r30 anovaTokyo r30 anova
Tokyo r30 anova
Takashi Minoda
 

Viewers also liked (20)

状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較状態空間モデルの実行方法と実行環境の比較
状態空間モデルの実行方法と実行環境の比較
 
Dummiesパッケージ
DummiesパッケージDummiesパッケージ
Dummiesパッケージ
 
R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42
 
20150303ぞくパタLT-ゆるふわ構造学習
20150303ぞくパタLT-ゆるふわ構造学習20150303ぞくパタLT-ゆるふわ構造学習
20150303ぞくパタLT-ゆるふわ構造学習
 
Rcppのすすめ
RcppのすすめRcppのすすめ
Rcppのすすめ
 
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 #TokyoRR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
 
Mxnetで回帰 #TokyoR 53th
Mxnetで回帰 #TokyoR 53thMxnetで回帰 #TokyoR 53th
Mxnetで回帰 #TokyoR 53th
 
20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門
 
20140625 rでのデータ分析(仮) for_tokyor
20140625 rでのデータ分析(仮) for_tokyor20140625 rでのデータ分析(仮) for_tokyor
20140625 rでのデータ分析(仮) for_tokyor
 
Rで潜在ランク分析
Rで潜在ランク分析Rで潜在ランク分析
Rで潜在ランク分析
 
R を起動するその前に
R を起動するその前にR を起動するその前に
R を起動するその前に
 
データサイエンティスト必見!M-1グランプリ
データサイエンティスト必見!M-1グランプリデータサイエンティスト必見!M-1グランプリ
データサイエンティスト必見!M-1グランプリ
 
TokyoR42_around_chaining
TokyoR42_around_chainingTokyoR42_around_chaining
TokyoR42_around_chaining
 
Rで代数統計 TokyoR #42 LT
Rで代数統計 TokyoR #42 LTRで代数統計 TokyoR #42 LT
Rで代数統計 TokyoR #42 LT
 
最強のハードディスクはどれだ?
最強のハードディスクはどれだ?最強のハードディスクはどれだ?
最強のハードディスクはどれだ?
 
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
 
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
 
Tokyor42 ggplot2
Tokyor42 ggplot2Tokyor42 ggplot2
Tokyor42 ggplot2
 
Tokyo r33 beginner
Tokyo r33 beginnerTokyo r33 beginner
Tokyo r33 beginner
 
Tokyo r30 anova
Tokyo r30 anovaTokyo r30 anova
Tokyo r30 anova
 

More from Nagi Teramo

第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料
Nagi Teramo
 
Rでを作る
Rでを作るRでを作る
Rでを作る
Nagi Teramo
 
Reproducebility 100倍 Dockerマン
Reproducebility 100倍 DockerマンReproducebility 100倍 Dockerマン
Reproducebility 100倍 Dockerマン
Nagi Teramo
 
healthplanetパッケージで 体組成データを手に入れて 健康な体も手に入れる
healthplanetパッケージで体組成データを手に入れて健康な体も手に入れるhealthplanetパッケージで体組成データを手に入れて健康な体も手に入れる
healthplanetパッケージで 体組成データを手に入れて 健康な体も手に入れる
Nagi Teramo
 
闇と向き合う
闇と向き合う闇と向き合う
闇と向き合う
Nagi Teramo
 
機械の体を手に入れるのよ、 鉄郎!!!
機械の体を手に入れるのよ、鉄郎!!!機械の体を手に入れるのよ、鉄郎!!!
機械の体を手に入れるのよ、 鉄郎!!!
Nagi Teramo
 
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)Nagi Teramo
 
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnetNagi Teramo
 
Ultra Lightning Talk × 3
Ultra Lightning Talk × 3Ultra Lightning Talk × 3
Ultra Lightning Talk × 3
Nagi Teramo
 
F#談話室(17)
F#談話室(17)F#談話室(17)
F#談話室(17)
Nagi Teramo
 
RFinanceJはじめました
RFinanceJはじめましたRFinanceJはじめました
RFinanceJはじめました
Nagi Teramo
 
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
Nagi Teramo
 
お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!
Nagi Teramo
 
Trading volume mapping R in recent environment
Trading volume mapping R in recent environment Trading volume mapping R in recent environment
Trading volume mapping R in recent environment
Nagi Teramo
 
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
~knitr+pandocではじめる~『R MarkdownでReproducible Research』~knitr+pandocではじめる~『R MarkdownでReproducible Research』
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
Nagi Teramo
 
とある金融屋の統計技師が時系列解析してみた
とある金融屋の統計技師が時系列解析してみたとある金融屋の統計技師が時系列解析してみた
とある金融屋の統計技師が時系列解析してみた
Nagi Teramo
 
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
Nagi Teramo
 
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
Nagi Teramo
 
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Nagi Teramo
 
Rで学ぶ逆変換(逆関数)法
Rで学ぶ逆変換(逆関数)法Rで学ぶ逆変換(逆関数)法
Rで学ぶ逆変換(逆関数)法
Nagi Teramo
 

More from Nagi Teramo (20)

第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料第86回R勉強会@東京 LT資料
第86回R勉強会@東京 LT資料
 
Rでを作る
Rでを作るRでを作る
Rでを作る
 
Reproducebility 100倍 Dockerマン
Reproducebility 100倍 DockerマンReproducebility 100倍 Dockerマン
Reproducebility 100倍 Dockerマン
 
healthplanetパッケージで 体組成データを手に入れて 健康な体も手に入れる
healthplanetパッケージで体組成データを手に入れて健康な体も手に入れるhealthplanetパッケージで体組成データを手に入れて健康な体も手に入れる
healthplanetパッケージで 体組成データを手に入れて 健康な体も手に入れる
 
闇と向き合う
闇と向き合う闇と向き合う
闇と向き合う
 
機械の体を手に入れるのよ、 鉄郎!!!
機械の体を手に入れるのよ、鉄郎!!!機械の体を手に入れるのよ、鉄郎!!!
機械の体を手に入れるのよ、 鉄郎!!!
 
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
 
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
 
Ultra Lightning Talk × 3
Ultra Lightning Talk × 3Ultra Lightning Talk × 3
Ultra Lightning Talk × 3
 
F#談話室(17)
F#談話室(17)F#談話室(17)
F#談話室(17)
 
RFinanceJはじめました
RFinanceJはじめましたRFinanceJはじめました
RFinanceJはじめました
 
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
東京R非公式おじさんが教える本当に気持ちいいパッケージ作成法
 
お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!
 
Trading volume mapping R in recent environment
Trading volume mapping R in recent environment Trading volume mapping R in recent environment
Trading volume mapping R in recent environment
 
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
~knitr+pandocではじめる~『R MarkdownでReproducible Research』~knitr+pandocではじめる~『R MarkdownでReproducible Research』
~knitr+pandocではじめる~『R MarkdownでReproducible Research』
 
とある金融屋の統計技師が時系列解析してみた
とある金融屋の統計技師が時系列解析してみたとある金融屋の統計技師が時系列解析してみた
とある金融屋の統計技師が時系列解析してみた
 
可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~可視化周辺の進化がヤヴァイ~rChartsを中心として~
可視化周辺の進化がヤヴァイ~rChartsを中心として~
 
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
 
Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」Tokyo.R 白熱教室「これからのRcppの話をしよう」
Tokyo.R 白熱教室「これからのRcppの話をしよう」
 
Rで学ぶ逆変換(逆関数)法
Rで学ぶ逆変換(逆関数)法Rで学ぶ逆変換(逆関数)法
Rで学ぶ逆変換(逆関数)法
 

Recently uploaded

ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---
ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---
ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---
Matsushita Laboratory
 
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアルLoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
CRI Japan, Inc.
 
キンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援します
キンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援しますキンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援します
キンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援します
Takayuki Nakayama
 
遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化
遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化
遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化
t m
 
Generating Automatic Feedback on UI Mockups with Large Language Models
Generating Automatic Feedback on UI Mockups with Large Language ModelsGenerating Automatic Feedback on UI Mockups with Large Language Models
Generating Automatic Feedback on UI Mockups with Large Language Models
harmonylab
 
論文紹介:Deep Learning-Based Human Pose Estimation: A Survey
論文紹介:Deep Learning-Based Human Pose Estimation: A Survey論文紹介:Deep Learning-Based Human Pose Estimation: A Survey
論文紹介:Deep Learning-Based Human Pose Estimation: A Survey
Toru Tamaki
 
This is the company presentation material of RIZAP Technologies, Inc.
This is the company presentation material of RIZAP Technologies, Inc.This is the company presentation material of RIZAP Technologies, Inc.
This is the company presentation material of RIZAP Technologies, Inc.
chiefujita1
 
JSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさ
JSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさJSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさ
JSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさ
0207sukipio
 

Recently uploaded (8)

ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---
ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---
ReonHata_便利の副作用に気づかせるための発想支援手法の評価---行為の増減の提示による気づきへの影響---
 
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアルLoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル
 
キンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援します
キンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援しますキンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援します
キンドリル ネットワークアセスメントサービスご紹介 今のネットワーク環境は大丈夫? 調査〜対策までご支援します
 
遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化
遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化
遺伝的アルゴリズムと知識蒸留による大規模言語モデル(LLM)の学習とハイパーパラメータ最適化
 
Generating Automatic Feedback on UI Mockups with Large Language Models
Generating Automatic Feedback on UI Mockups with Large Language ModelsGenerating Automatic Feedback on UI Mockups with Large Language Models
Generating Automatic Feedback on UI Mockups with Large Language Models
 
論文紹介:Deep Learning-Based Human Pose Estimation: A Survey
論文紹介:Deep Learning-Based Human Pose Estimation: A Survey論文紹介:Deep Learning-Based Human Pose Estimation: A Survey
論文紹介:Deep Learning-Based Human Pose Estimation: A Survey
 
This is the company presentation material of RIZAP Technologies, Inc.
This is the company presentation material of RIZAP Technologies, Inc.This is the company presentation material of RIZAP Technologies, Inc.
This is the company presentation material of RIZAP Technologies, Inc.
 
JSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさ
JSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさJSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさ
JSAI_類似画像マッチングによる器への印象付与手法の妥当性検証_ver.3_高橋りさ
 

マルコフ連鎖モンテカルロ法入門-1