- はじめに
- データと確率分布
- データと確率モデル
- 推定方法
- 最尤推定法
- ベイズ法
状態空間モデルと推論アルゴリズムの概要
- はじめに
- 状態空間モデル
- 状態空間モデル
- AR(1) モデル
- AR(p) モデル
- 状態空間モデルに対する推論
- まとめ
NumPyroの基本を変化点検知で見る
- はじめに
- NumPyro基本
- ライブラリの準備
- 確率分布
- transoforms モジュール (tfp.bijector相当)
- 変化点検知
- データ
- モデル
- 事前分布からのサンプリングでモデルの動作確認
- MCMC推論
- 結果確認
確率モデリング:時系列 AR(1) ARCH(1)
- はじめに
- 自己回帰モデル(ARモデル)
- AR(1)
- 寄り道:時系列データと独立同分布データ
- ARCH(1)
- 最後に
確率モデリング:混合モデルをマスターしよう
- はじめに
- 混合モデル
- 単一分布おさらい
- 混合モデル
- ガウス混合モデル
- ポアソン混合モデル
- 混合モデルの事後分布
- 更に階層を増やす
- 最後に
確率モデリングと事後分布、事前分布、超パラメータ
- はじめに
- 例題:正規分布に従っているように見えるデータ $X$ の推論
- モデリング再考
- 事後分布を書き下す
- 事前分布と超パラメータ
- グラフィカルモデルの標準的な表記
- 例題:時系列モデル
- 時系列データのグラフィカルモデル
- 最後に
確率モデリングのための確率分布の式変形基本【ベイズの定理/グラフィカルモデル】
- はじめに
- 確率モデリング
- 確率変数間の関係性記述
- ベイズの定理と条件付き分布
- 関係性の記述と事後分布の導出
- いろいろなパターンの練習
- パターン1
- パターン2
- 同時分布とグラフィカルモデル
- 基本事項
- すべて互いに関連
- すべて互いに独立
- 有向グラフ化
- 関連を断ち切ることによるモデリング
- 基本事項
- 最後に
Optimal control to reinforcement learning
- introduction
- Optimal control
- What is control problem?
- optimal control
- system equation
- solve the optimal control problem
- value function
- belman principle of optimality
- Belman equation for reinforcement learning
- Prepare for belman equation
- system equation for random variables
- simple belman equation to actual belman equation
jaxのautogradをpytorchのautogradと比較、単回帰まで(速度比較追加)
- はじめに
- 使う関数
- autograd with pytorch
- autograd with jax
- Jax で単回帰
Pyro on PyTorch の時系列モデリングが超進化していた【HMM】
- はじめに
- Pyroで時系列モデリング
- モジュールのインポート
- データ
- 時系列モデルの書き方
- 学習
- 検証(バックテスト)
- 予測
【PyTorch入門】Tensorの扱いから単回帰まで
- はじめに
- Tesnor型
- dtype
- その他の重要メソッド
- empty
- to
- numpy
- detach
- clone
- inplace
- t
- reshape と view
- 自動微分
- torch.autograd.grad 関数
- backwardメソッド
- 単回帰モデル
- 最後に
NumPyroとJax Numpyで時系列
- はじめに
- コード
- モジュール
- データ
- モデル
- 事前分布からのサンプリング
- 推論 結果