BUGS bookの11章の8.1節のディリクレ過程の写経です。データは以下のサポートページ（11.8.1: Galaxy clustering: Dirichlet process mixture models）でWinBUGS用のodcファイルで配布されています。 WinBUGSをインストールしていない人のために.RDataにしたものをここに置いておきます（FC2ブログの制限上.txtをつけてあります）。 ディリクレ過程については詳しくはここでは述べません。『続・わかりやすいパターン認識』が分かりやすいと思います。BUGS bookにある実装のアイデアはCongton先生の本『Bayesian Statistical Modelling』から来ているようです。 他のBUGSでの適用例はOhlssen et al. (2007) "Flexible random-effects mode
機械学習に基づく推薦システム 岩田具治 NTT コミュニケーション科学基礎研究所 1 推薦システム • ユーザの興味に合わせておすすめのアイテ ムを提示 • 推薦対象 – 本，音楽，ニュース，映画，論文，検索語，レスト ラン，友達，恋人 • 推薦システムの効用 – ユーザ：膨大な商品のなかから好みに合ったもの を見つけられる – オンラインストア：売上の向上が期待できる 2 目次 1. 2. 3. 4. 5. 6. 推薦システムの分類 類似度に基づく手法 行列分解に基づく手法 ベイズ推定を用いた行列分解 行列分解の非線形拡張 顧客生涯価値を高めるための推薦 3 推薦手法の分類 • 協調フィルタリング – ユーザの行動履歴から推薦 ○人手で情報の付与が不要 ×新しいユーザ，新しい商品には対応できない • 内容ベースフィルタリング – アイテムの内容から推薦 ○新しい商品でも推
ベイズの公式はこんな形をしている。 これは実際に使おうと思ったら、意外と難しい。 例えば PRML (5.164) 式はこうなっている。 これをベイズの公式から出そうとしたら X と Y をどうしたらいいのやら。いや、なんか X と Y に当てはめようがないのもあるぞ。 そもそも「ベイズの公式を正しく憶える」のもなにげにハードルが高い。えーと、X と Y と X|Y と Y|X のどれが上で下で……。 でも、確率の乗法公式を2回使う方法なら、簡単。 まず同時分布を見極める。 上の (5.164) 式の右辺 p([A]|・)p([B]|・) の [A][B] の位置に出てくる変数に注目しておいて欲しい。 同時分布の確率変数は [A] と [B]、つまり w と D であり、残りは given なパラメータ or 変数なので、 がここで注目したい同時分布。 次はこの同時分布を [A] に使われ
ベイズの定理についての質問です。条件αの確率変数の元でx1,x2が独立な確率変数だとします。 このときｆ（x1,x2,α）＝ｇ(α）＊ｆ（ｘ１｜α）＊ｆ（ｘ２｜α）てとなると思うのですが、この点について質問です ベイズの定理についての質問です。条件αの確率変数の元でx1,x2が独立な確率変数だとします。 このときｆ（x1,x2,α）＝ｇ(α）＊ｆ（ｘ１｜α）＊ｆ（ｘ２｜α）てとなると思うのですが、この点について質問です ちなみに、α～ｇ、ｘ～ｆとします。上記はベイズ方法論という様です。 ①普通に右辺を分解した場合、f(x1|α）=f(x,α）/g(α）、f(x２|α）=f(x,α）/g(α）となり質問の本文の左辺と合わないように思うのですが何故上記の式が成立するといえるのでしょうか？本文の式の元ではこの分解ができないということなのでしょうか？ ②上記の式を実例に当てはめて見ます。 箱αにチ
Big Data時代の大規模ベイズ学習�-Stochastic Gradient Langevin Dynamics�を中心として
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く