HELLO CYBERNETICS

深層学習、機械学習、強化学習、信号処理、制御工学、量子計算などをテーマに扱っていきます

Python利用者がJuliaに入門してみる

  • はじめに
  • 関数の書き方
    • 簡単な足し算、引き算、複数の戻り値
    • デフォルト引数とキーワード引数
    • 型指定
  • クラスの書き方
    • 構造体に変数と関数をもたせる
    • 構造体に変数をもたせ、関数を分離する
  • 最後に
続きを読む

(データを扱う)ビジネスマン全てにおすすめの本

  • はじめに
  • データ分析:実用系
    • Kaggleで勝つデータ分析の技術
    • ウェブ最適化ではじめる機械学習
  • データ分析:因果推論
    • 入門 統計的因果推論
    • 計量経済学
  • 大人の教養
    • 世界標準の経営理論
    • 科学的に正しい筋トレ 最強の教科書
    • 落合務のパーフェクトレシピ
続きを読む

逐次ベイズフィルタ【カルマンフィルタ、粒子フィルタの基礎】

  • はじめに
  • 必要なパーツ
    • 予測
    • 観測更新
  • 逐次ベイズフィルタの流れ
    • 前提
    • 流れ
    • 予測の密度関数をどう使うのか
  • 各パーツの式展開
    • 予測の密度関数
    • 更新の密度関数
  • まとめ
続きを読む

不偏推定量のバリアンスの下限:クラメル・ラオの不等式

  • はじめに
  • クラメル・ラオの不等式
    • 不偏推定量のバリアンスは一定以上に下がらない
    • 対数尤度関数とその微分
    • フィッシャー情報量
  • クラメル・ラオの不等式を導く過程
    • コーシー・シュワルツの不等式での評価
    • クラメル・ラオまでの大まかな指針 : 第2項は $0$
    • クラメル・ラオまでの大まかな指針 : 第1項は $1$
    • 今回のクラメル・ラオの不等式の前提
    • $\theta$ が多変数の場合
  • 参考文献
続きを読む

推定量の良し悪し:不偏分散を例に

  • はじめに
  • 不偏性
    • 推定量
    • 不偏推定量
    • 不偏性を有さない推定
    • 正規分布の分散の推定
  • 不偏推定量は必ずしも良い推定量ではない
    • バリアンス
    • バイアスとバリアンス
    • 両者を考慮した平均二乗誤差
    • 正規分布の不偏分散と標本分散の比較
続きを読む