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

人工知能-機械学習

変分と機械学習

はじめに 変分法 変分 微分との差異 微分可能 変分と汎関数 補足 機械学習 関数近似 変分ベイズ法

ニューラルネットワークを用いた近年の変分推論1

はじめに 変分推論 モデルの書き方 立てたモデルに対する変分近似分布 変分推論 EMアルゴリズムの発展としての変分推論 変分推論の違った見方 近似したいという動機 近似のための損失関数の分解 期待値のサンプリングによる近似 事前分布と変分近似分布のKL…

【訓練誤差と汎化誤差】学習・統計的推定は正しいのか?【過学習】

はじめに 学習の目的と試み 真の目的に対する我々の現実 データのサンプリング(採取) 真の目的と推定・学習の関係 具体的な学習の試み 正則化による統計モデルの制限 ハイパーパラメータの調整 最終評価 (補足)ベイズ推論 理論的な学習の評価 これまでの…

GPyTorchでガウス過程を見てみよう

はじめに ガウス過程(GP) GPyTorchを使ったモデリング コード概要 学習コード データとモデルの準備 学習と結果 ハイパーパラメータの振る舞い lengthscale outputscale 最後に

ガウシアンプロセスを使ってみたい人への最低限の知識

はじめに ガウス過程の構成要素 パラメータの周辺化消去 カーネル関数 ガウス過程 ガウス過程回帰 ガウス過程分類 最後に

機械学習の分野別概要【ディープ〜ベイズ】

【機械学習ステップアップ】ベイズモデルの考え方

【機械学習ステップアップ】確率モデルの考え方

初学者が機械学習の勉強を進めるためには必ず手を動かす

機械学習の予測モデルを線形モデル+確率モデルで考える概要

機械学習で予測モデルを作る際の概要のオレオレまとめ

【書評】ベイズ推論による機械学習入門

いろいろな主成分分析で機械学習の考え方を学ぶ

【ベイズ推定って結局何なの?Part2】

統計物理学と機械学習の関係

機械学習・深層学習Q&A

もうこれだけは絶対に把握しておいてください! ってものだけ。

【ベイズ推定って結局何なの?】

【多様体学習】LLEとちょっとT-SNE

【教師なし学習・クラスタリング】K-means

機械学習で抑えておくべき損失関数(分類編)

機械学習で抑えておくべき損失関数(回帰編)

識別関数、識別モデル、生成モデルの違いを解説

SVM、ニューラルネットなどに共通する分類問題における考え方

抑えておきたい評価指標「正解率」「精度」「再現率」

誤差逆伝搬法(バックプロパゲーション)とは

機械学習の重要なアプローチ:ベイズ理論

サポートベクターマシンを手計算して理解する

バイアス-バリアンス分解:機械学習の性能評価

線形回帰モデルと最小二乗法

時系列データ:隠れマルコフモデルの基礎と、リカレントネットの台等

はじめに 隠れマルコフモデル 確率分布として考える 隠れていないマルコフモデル 隠れマルコフモデル 隠れマルコフモデルの学習 隠れマルコフモデルでの予測 隠れマルコフモデルで何ができるか リカレントネット リカレントネットの構造 時間方向への展開 深…