プログラミング
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
PyMC4開発中止
はじめに 使う関数 autograd with pytorch autograd with jax Jax で単回帰
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
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
PyTorch 確率的プログラミング GPyTorch Pyro BoTorch Ax Training Wrapper pytorch lightning ignite Catalyst skorch Computer Vision kaolin pytorch3d kornia
はじめに Pyroおさらい データ モデル MAP推定 変分推論 変分近似分布 推論 予測 MCMC MCMCの実行 事後分布 予測分布
はじめに Pyro primitives 確率変数の実現値 sample 条件付き独立のベクトル化 plate 階層モデル 変分パラメータを扱う param poutine モデルの様子を把握する trace 条件付き分布の作成 condition まとめと変分推論の例
モジュール データとモデル データ モデル 学習前の生成モデルからのデータ 対数同時確率の計算 事後分布 MCMCを回す 確率遷移核 MCMC の設定 サンプリングの結果 EAP推定 ベイズ予測分布 ノイズ項を無しにした、回帰曲線のベイズ予測分布
はじめに 環境 階層モデル 例:モデル コード
はじめに データの分布形状が既知な場合の推論 問題設定 ベイズ推論のためのモデリング 共役事前分布を用いた解析的推論 変分推論 Pyro で変分推論 振り返り 追記:変分ベイズ推論を応用した最尤推定、MAP推定 MAP推定 最尤推定
はじめに PyTorch Deep Graph Library PyTorch Geometric TensorFlow graphnets おすすめ
matlabとpython matlab python フリーであること 機能の充実 ITはフリーウェアに支えられている pythonを学ぼう 機械学習を通して 機械学習をやるならpythonで良い 機械学習を始める まずはanacondaでpythonの導入 深層学習のライブラリをどうするか