Note to readers: These documents are applicable to H2O v. 2.8 and prior. If you are using the current version of H2O, (H2O-3), please visit docs.h2o.ai and select "H2O 3.0" for the latest documentation. H2O is for data scientists and application developers who need fast, in-memory scalable machine learning for smarter applications. H2O is an open source parallel processing engine for machine learn
ディープラーニングが猛威を振るっています。私の周りでは昨年から多く聞かれるようになり、私も日経BPさんの連載で昨年5月にGoogleの買収したDeep Mind社について触れました。今年はさらに今までディープラーニングについて触れていなかったメディアでも触れられるようになってきましたね。例えば、イケダハヤトさんも先日。高知でも話題になっているのですね。 私事ですが、今度湯川鶴章さんのTheWaveという勉強会で、人工知能とビジネスについて一時間ほど登壇させていただくことになりました。有料セミナーということです。チャールズべバッジの解析機関についてはこのブログでも以前触れましたが、「機械が人間を置き換える」みたいな妄想は100年位は言われていることですね。「解析機関」「機械学習」「人工知能」「シンギュラリティー」など、呼び名はどんどん変わり、流行り廃りもありますが、最近ロボットの発達も相まっ
導入pdf 情報の変換過程のモデル化 ベイズ統計の意義 識別モデルと生成モデル 最尤推定、MAP推定 データの性質 情報理論の諸概念 (KL-divergenceなど) 距離あるいは類似度 数学のおさらいpdf 行列の微分 線形代数学の役立つ公式 多次元正規分布 条件付き正規分布 Bayes推論pdf Bayseによる確率分布推定の考え方 多項分布、ディリクレ分布 事前分布としてのディリクレ分布の意味<\li> 正規分布と事後分布 指数型分布族 自然共役事前分布の最尤推定 線形回帰および識別pdf 線形回帰のモデル 正則化項の導入 L2正則化 L1正則化 正則化項のBayes的解釈 線形識別 2乗誤差最小化の線形識別の問題点 生成モデルを利用した識別 学習データと予測性能pdf 過学習 損失関数と Bias,Variance, Noise K-Nearest Neighbor法への応用 b
運営元のロゴ Copyright © 2007-2024 All Rights Reserved by Gijutsu-Hyoron Co., Ltd. ページ内容の全部あるいは一部を無断で利用することを禁止します。個別にライセンスが設定されている記事等はそのライセンスに従います。
内容は線形識別モデルの学習について（Perceptron, PA, CW, AROW, NHELDとNLP2010のtutorial + 最新のアップデート. 更新式が整理されています）、オンライン凸最適化のregret解析、sublinearなSVMの学習の話です。最近公開したjubatusの中の学習アルゴリズムの解説でもあります。 コスト関数が凸である場合のOnline Gradient Descentのregret解析の証明は美しかったので、普通はこういうのはプレゼンではやらないとおもうのですが紹介しました。 Sublinearの学習の話は今後いろいろ発展しそうです。各学習例に動的に重みをつけて優先的に学習する方法は直感的にはできそうだと昔考えてたのですが、こういう形できれいに定式化できるのだと感心しました。 IBISはそこそこ参加していますが、毎年新しい分野の問題が登場してきて面白
調べ物をしていたときに行き当たったエッセイである。 Statistical Modeling: The Two Cultures http://bit.ly/9AMRIn 著者は、機械学習のEnsermble learningの権威、Baggingアルゴリズム、Random Forestアルゴリズムの創始者であり、今は亡きLeo Breiman氏である。 これのエッセイは本質を突いていて本当に面白い。最近では（特に欧米にて）純粋統計学コミュニティから離れた、統計を道具として使う科学コミュニティにおいて、頻度主義の呪縛から離れたベイジアンベースの統計モデリングが大流行していて、Hierachicalモデリングやベイジアンに基づいたロバスト推定をしなければダメなデータ解析という雰囲気になってきているようだ。この論文というか随想は「頻度 VS. ベイズ」という対立軸よりも更に下層にある、そもそも
本日 1/16(日) にニフティさんにて開催された 第９回 データマイニング+WEB 勉強会＠東京 にのこのこ参加してきました。主催の @hamadakoichi さん、運営の @doryokujin さん、講演者、参加者、そして会場を提供して下さったニフティさん、各位ありがとうございました。 前回参加したときに、はまださんに「機械学習の全体像を話して」という無茶振りされて、うーん直球でそれにぶつかるのはさすがに難しすぎる。いろいろ考えてみて、そっちの専門じゃあないエンジニアが機械学習を学ぶには、という話にさせていただいた。 資料はこちら。 機械の代わりに人間が学習入門 from Shuyo Nakatani 前半はパワポの画面切り替えを駆使したちょいとした仕掛けがあったんだけど、slideshare にすると全く意味が無くなってしまうので、バッサリ削除。内容はあんまり変わってないので大丈
Citation: Floreano D, Keller L (2010) Evolution of Adaptive Behaviour in Robots by Means of Darwinian Selection. PLoS Biol 8(1): e1000292. https://doi.org/10.1371/journal.pbio.1000292 Published: January 26, 2010 Copyright: © 2010 Floreano, Keller. This is an open-access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, an
Introduction Machine learning (ML) research with classifiers usually emphasizes quantitative evaluation, i.e. measuring accuracy, AUC or some other performance metric. But it's also useful to visualize what classifier algorithms do with different datasets. This is the index page of a "machine learning classifier gallery" which shows the results of numerous experiments on ML algorithms when applied
うん、ごめん。タイトルは釣り。っていうか今から書くことも間違ってるかもしれない。 識者のフォローを待ちたい。 http://b.hatena.ne.jp/entry/http://wiredvision.jp/news/200904/2009041523.html これの話なんだけど 「遺伝的アルゴリズム」って出たときに、もうこれは人工知能ではないと一応考えていい。それはソートプログラムが人工知能ではないのと同じみたいな。 「f(x,y)を最大にする整数x,yを求めよ」 これを遺伝アルゴリズムでやるとこうなる。 ランダムで(x,y)の組をいくつか作る。これが個体。xyは遺伝子になるすべての個体に対してf(x,y)を計算する。このときf(x,y)は評価関数という。評価の低い個体の何割かは子孫を残さず死ぬ。のこりの個体は以下の方法で子孫を作れる。 コピーを残す。自分のもってるx,yを交換した子
Ross D. King1,*, Jem Rowland1, Stephen G. Oliver2, Michael Young3, Wayne Aubrey1, Emma Byrne1, Maria Liakata1, Magdalena Markham1, Pinar Pir2, Larisa N. Soldatova1, Andrew Sparkes1, Kenneth E. Whelan1, Amanda Clare11 Department of Computer Science, Aberystwyth University, SY23 3DB, UK.2 Cambridge Systems Biology Centre, Department of Biochemistry, University of Cambridge, Sanger Building, 80 Tenni
学習の幾何 村田 昇 はじめに 情報幾何入門 EM の幾何 EM の拡張* 集団学習 おわりに 学習アルゴリズムの情報幾何 知能システム科学特別講義第２ (2007 年度夏学期) 村田 昇 早稲田大学 理工学術院 Aug. 3, 2007 / 東京工業大学 学習の幾何 村田 昇 はじめに 情報幾何入門 EM の幾何 EM の拡張* 集団学習 おわりに Outline 1 はじめに 2 情報空間の幾何学 3 EM アルゴリズムの幾何学 4 EM アルゴリズムの拡張* 5 集団学習の幾何学 学習の幾何 村田 昇 はじめに 学習とは何か 歴史的背景 学習問題の定式化 確率モデル 情報幾何入門 EM の幾何 EM の拡張* 集団学習 おわりに 工学における種々の問題 以下のような例を考えてみる． 画像を圧縮する． 画素値 X の分布 P(X) を求め，情報量 log 1/P(X) に基 づいて情
強化学習の概要，応用上の利点，適用例，基礎理論，代表的手法，応用に必要な技術などの説明。 本ページの記述は下記の解説記事をもとにWEB用に修正したものである： 木村 元，宮崎 和光，小林 重信： 強化学習システムの設計指針， 計測と制御, Vol.38, No.10, pp.618--623 (1999), 計測自動制御学会. 6 pages, postscript file, sice99.ps (1.31MB) PDF file, sice99.pdf (148KB) 第１章： 強化学習の概要 1.1 強化学習 (Reinforcement Learning) とは? 1.2 制御の視点から見た強化学習の特徴 1.3 応用上期待できること 第２章： 強化学習の適用例：ロボットの歩行動作獲得 第３章： 強化学習の基礎理論 3.1 マルコフ決定過程(Markov decision proc
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