連載

機械学習 はじめよう

 

次のページへ

  • 第21回(最終回) 機械学習 はじめよう
    • 未知のデータへの対応能力
    • きれいなモデルと汚いデータ
    • 機械学習は必ず間違える
    • 機械学習を使わずのすすめ
    • 終わりに

    2013年12月25日:中谷秀洋

  • 第20回 ロジスティック回帰の実装
    • パーセプトロンの実装の復習
    • ロジスティック回帰の実装

    2013年10月2日:中谷秀洋

  • 第19回 ロジスティック回帰の学習
    • 確率的勾配降下法の復習
    • ロジスティック回帰の学習
    • 確率に変換する関数

    2013年6月19日:中谷秀洋

  • 第18回 ロジスティック回帰
    • 予測の信頼度
    • 判別関数を確率化
    • ロジスティック回帰
    • 尤度関数の最適化

    2013年2月13日:中谷秀洋

  • 第17回 パーセプトロンを実装してみよう
    • パーセプトロンの復習
    • パーセプトロンの実装
    • 人工データの生成
    • パーセプトロンの役割

    2012年11月30日:中谷秀洋

  • 第16回 最適化のための勾配法
    • 最適化
    • 勾配法
    • 勾配法の問題点
    • 確率的勾配降下法
    • パーセプトロンの場合

    2012年8月22日:中谷秀洋

  • 第15回 分類問題ことはじめ
    • 分類問題
    • 分類関数による定式化
    • パーセプトロン
    • パーセプトロンの解き方

    2012年6月7日:中谷秀洋

  • 第14回 ベイズ線形回帰を実装してみよう
    • 普通の線形回帰のコードを復習
    • 事後分布の平均と共分散を求める
    • 共分散の眺め方
    • 予測分布を描く
    • パラメータαとβの決め方
    • 次回予告

    2012年4月6日:中谷秀洋

  • 第13回 ベイズ線形回帰[後編]
    • ベイジアンふたたび
    • ベイジアン+線形回帰
    • 事前分布の選び方
    • ベイズ線形回帰を解く
    • 正則化ふたたび
    • まとめ

    2012年1月25日:中谷秀洋

  • 第12回 ベイズ線形回帰[前編]
    • 線形回帰を確率の問題に
    • ノイズ=確率分布
    • 確率版の線形回帰を解く
    • まとめ

    2011年12月22日:中谷秀洋

  • 第11回 線形回帰を実装してみよう
    • 線形回帰の復習
    • 実装のための準備
    • 線形回帰の実装
    • 推定した関数を図示する
    • 様々な条件で試す

    2011年11月16日:中谷秀洋

  • 第10回 ベイズ確率
    • 「確率」を求める
    • 合格する「確率」
    • ベイズ確率,ふたたび
    • 事後分布 ― 結果を使って「自信」を更新
    • 事前分布 ― 最初の「自信」
    • 共役事前分布 ― 都合のいい事前分布
    • まとめ

    2011年6月3日:中谷秀洋

  • 第9回 線形回帰[後編]
    • 戻らないけど「回帰」
    • 線形回帰
    • 線形回帰の例
    • 過学習(over-fitting)
    • 過学習を防ぐ正則化
    • 正則化つき線形回帰
    • まとめ

    2011年3月2日:中谷秀洋

  • 第8回 線形回帰[前編]
    • 2つの変数の関係を見つけよう
    • 隠されていた3つの仮定
    • まとめ,そして「回帰」へ

    2011年2月16日:中谷秀洋

  • 第7回 代表的な離散型確率分布
    • matplotlibのインストール
    • 確率分布とは
    • まとめ

    2011年2月1日:恩田伊織

  • 第6回 Numpyの導入
    • Numpyの導入
    • インストール
    • Numpy簡単な使い方
    • 終わりに

    2010年12月13日:恩田伊織

  • 第5回 正規分布[後編]
    • 正規分布
    • 正規分布の平均と分散
    • 中心極限定理
    • 「よく使う分布」はどうしてよく使う?
    • 多次元正規分布
    • 今回のまとめ

    2010年9月24日:中谷秀洋

  • 第4回 正規分布[前編]
    • 第2回・第3回の復習
    • 離散な確率と連続な確率
    • 確率密度関数
    • 連続確率の加法定理
    • 確率の平均と分散

    2010年9月8日:中谷秀洋

  • 第3回 ベイジアンフィルタを実装してみよう
    • ベイジアンフィルタとは
    • 環境構築
    • bag-of-wordsを利用したテキスト分類
    • 文章を形態素に分割する
    • ベイジアンフィルタの実装
    • ナイーブベイズのアルゴリズム
    • 訓練フェーズの実装
    • 推定フェーズの実装
    • カテゴリの推定
    • 実行してみよう
    • 次回のお知らせ

    2010年8月23日:恩田伊織

  • 第2回 確率の初歩
    • 機械学習と確率
    • 確率変数と確率分布
    • 同時確率と条件付き確率
    • 確率の加法定理・乗法定理
    • 事後確率とベイズの公式
    • モデルのパラメータ数
    • 確率変数の独立性と「よいモデル」
    • ナイーブベイズによる文書分類

    2010年7月13日:中谷秀洋

 

次のページへ

著者プロフィール

中谷秀洋(なかたにしゅうよう)

サイボウズ・ラボ(株)にてWebアプリ連携や自然言語処理を中心に研究開発を行いながら,英単語タイピングゲーム iVocaをサービス提供している。

URLhttp://d.hatena.ne.jp/n_shuyo/
Twitterhttp://twitter.com/shuyo


恩田伊織(おんだいおり)

1979年生まれの埼玉県出身。数学と関数型言語,SFとボードゲーム好きなプログラマー。好きな言語はRubyとLISP。現在は航空管制の基盤開発に従事している。

Twitter:http://twitter.com/Iori_o