今年の卒論はGithubで決まり！

Oct 18, 201247 likes20,340 views

From Atom

研究室でGithubの初心者向け勉強会をしました。

今年の卒論はGitHubで決まり！
〜バージョン管理で他の子と差をつけちゃえ♡〜

Presented by Atom

あじぇんだぁ

1．Githubでなにがおいしいの？

2．Gitってなに？

3．Githubってなに？

4．実際にやってみよう

( ^o^)＜コードを改良しよう！

( ˘⊖˘) 。o(まてよ、前のコードの方が良かったんじゃないか？)

( ^o^)＜コードを改良しよう！

( ˘⊖˘) 。o(まてよ、前のコードの方が良かったんじゃないか？)

|バックアップ| ┗(☋｀ )┓三

( ^o^)＜コードを改良しよう！

( ˘⊖˘) 。o(まてよ、前のコードの方が良かったんじゃないか？)

|バックアップ| ┗(☋｀ )┓三

( ◠‿◠ )貴様はすでに上書き保存している

( ^o^)＜コードを改良しよう！

( ˘⊖˘) 。o(まてよ、前のコードの方が良かったんじゃないか？)

|バックアップ| ┗(☋｀ )┓三

( ◠‿◠ )貴様はすでに上書き保存している

▂▅▇█▓▒░( ω )░▒▓█▇▅▂うわあああああ

( ^o^)＜コードを改良しよう！

( ˘⊖˘) 。o(まてよ、前のコードの方が良かったんじゃないか？)

最高にクールじゃない！！
|バックアップ| ┗(☋｀ )┓三

( ◠‿◠ )貴様はすでに上書き保存している

▂▅▇█▓▒░( ω )░▒▓█▇▅▂うわあああああ

バージョン管理する愉快な仲間たち

・subversion

・git

・mercurial

・CVS

Gitとはなんぞや？

・分散型バージョン管理システム

・Linux kernel開発でも使われている

Gitとはなんぞや？

・分散型バージョン管理システム

・Linux kernel開発でも使われている

・Ruby on Rails、Perl、Android開発でも

集中型のバージョン管理システム

Aさん

リポジトリ
(作業領域)

ット
変更点コミ

project.c

集中型のバージョン管理システム

変更点コミ
ット

リポジトリ
(作業領域)

ット
変更点コミ

集中型のバージョン管理システム

変更点コミ
ットット
変更点
コミ

リポジトリ
(作業領域)

ット
変更点コミ

集中型のバージョン管理システム

変更点コミ
ットット
変更点
コミ

リポジトリ
(作業領域)
コミ
ットット
変更点コミ
変更点

分散型のバージョン管理システム

Aさん

変更点

コミット

個人
リポジトリ

分散型のバージョン管理システム

サーバー上
変更点

共有
コミットリポジトリ

個人
リポジトリ

分散型のバージョン管理システム

変更点

共有
コミットリポジトリ
ュ
シ
ッ
プ

個人
リポジトリ

分散型のバージョン管理システム

変更点

共有
コミットリポジトリ
ュ
シ
ッ
プ
プ
ル
個人個人
リポジトリリポジトリ

分散型のバージョン管理システム

変更点変更点

共有
コミットリポジトリコミット
ュ
シ
ッ
プ
プ
ル
個人個人
リポジトリリポジトリ

分散型のバージョン管理システム

変更点変更点

共有
コミットリポジトリコミット
プ
ュッ
シシ
ッュ
プ
プ
ル
個人個人
リポジトリリポジトリ

分散型のバージョン管理システム

変更点変更点

共有
コミットリポジトリコミット
プ
ュッ
シシ
ッュ
プ
プ
ルル
個人プ個人
リポジトリリポジトリ

分散型のバージョン管理システム

サーバー
変更点変更点

共有
コミットリポジトリコミット
プ
ュッ
シシ
ッュ
プ
プ
ルル
個人プ個人
リポジトリリポジトリ

ローカル

分散型のバージョン管理システム

SSHサーバ
変更点変更点

共有
コミットリポジトリコミット
プ
ュッ
シシ
ッュ
プ
プ
ルル
個人プ個人
リポジトリリポジトリ

分散型のバージョン管理システム

変更点変更点

自分でサーバ管理したくない！
コミット
共有
リポジトリコミット
プ
ュッ
シシ
ッュ
プ
プ
ルル
個人プ個人
リポジトリリポジトリ

GitHubとはなんぞや？

・Gitのホスティングサイト

・ソーシャルコーディング

・そのままデプロイ（with heroku）

Githubにやってもらおう！

GitHub
変更点変更点

共有
コミットリポジトリコミット
プ
ュッ
シシ
ッュ
プ
プ
ルル
個人プ個人
リポジトリリポジトリ

GitHubが無いと

・サーバを立てる

・SSHの設定をユーザー増加毎に行う

・容量の追加やUPS管理必要

GitHubが無いと

・サーバを立てる

めんどくせぇ！！
・SSHの設定をユーザー増加毎に行う

・容量の追加やUPS管理必要

git diff

git status

git add

git commit

git push

git pull

GUIアプリもあります

・話者は使わないので、フォローできぬ。

・Mac用、Win用それぞれあります。

・もち英語。

http://phonegap.com

http://www.heroku.com

cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はxpaper.challengeの2020年末ワークショップとしてプレゼンした、研究効率化Tipsです。10研究室、200ページ超にわたるノウハウ詰め合わせです。

クラシックな機械学習入門：付録：よく使う線形代数の公式Hiroshi Nakagawa

2 4.devianceと尤度比検定logics-of-blue

2013年8月10～11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 2日目 2-4.devianceと尤度比検定正規分布以外の確率分布では残差の考え方が変わってきます。そこでdevianceという概念を導入したうえで、GLMにおいて分散分析を実行する方法を解説します。サイト作ってます http://logics-of-blue.com/

[DL輪読会]Neural Ordinary Differential EquationsDeep Learning JP

研究効率化Tips Ver.2cvpaper. challenge

cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション：http://view.tc-iaip.org/view/2021/speaker/ts1 ViEW2021参加登録：http://view.tc-iaip.org/view/2021/registration

レプリカ交換モンテカルロ法で乱数の生成Nagi Teramo

[DL輪読会]1次近似系MAMLとその理論的背景Deep Learning JP

深層生成モデルと世界モデル（2020/11/20版）Masahiro Suzuki

機械学習のためのベイズ最適化入門hoxo_m

グラフィカル Lasso を用いた異常検知Yuya Takashina

統計的因果推論への招待 -因果構造探索を中心に-Shiga University, RIKEN

最適化計算の概要まとめYuichiro MInato

最適化といっても基本的には数理最適と組合せ最適があり、業務を最小・最大問題に落とし込む組合せ最適を解くか、深層学習のような機械学習モデルに落とし込んでベイズ最適をかけるのが一般的になってきている。組合せ最適では有名なアルゴリズムが３種あり、用途に合わせて使い分ける。最適化ツールは有料のものが早いが最近はフリーのオープンソースでも高速で使いやすいものが出始めている。

ベイズ統計学の概論的紹介Naoki Hayashi

ベイズ統計学の基礎概念からW理論まで概論的に紹介するスライドです．数理・計算科学チュートリアル実践のチュートリアル資料です．引用しているipynbは * http://nhayashi.main.jp/codes/BayesStatAbstIntro.zip * https://github.com/chijan-nh/BayesStatAbstIntro を参照ください．以下，エラッタ． * 52 of 80：KL(q||p)≠KL(q||p)ではなくKL(q||p)≠KL(p||q). * 67 of 80：2ν=E[V_n]ではなくE[V_n] → 2ν (n→∞). * 70 of 80：AICの第2項は d/2n ではなく d/n. * 76 of 80：βH(w)ではなくβ log P(X^n|w) + log φ(w). 　　- レプリカ交換MCと異なり、逆温度を尤度にのみ乗することはWBIC導出では本質的な仮定となる.

金融時系列のための深層t過程回帰モデルKei Nakagawa

階層ベイズと自由エネルギーHiroshi Shimizu

最適輸送入門joisino

よくわかるフリストンの自由エネルギー原理Masatoshi Yoshida

【DL輪読会】Efficiently Modeling Long Sequences with Structured State SpacesDeep Learning JP

This document summarizes a research paper on modeling long-range dependencies in sequence data using structured state space models and deep learning. The proposed S4 model (1) derives recurrent and convolutional representations of state space models, (2) improves long-term memory using HiPPO matrices, and (3) efficiently computes state space model convolution kernels. Experiments show S4 outperforms existing methods on various long-range dependency tasks, achieves fast and memory-efficient computation comparable to efficient Transformers, and performs competitively as a general sequence model.

経験ベイズ木（IBIS 2017）Masashi Sekino

決定木において、葉ノードの出力を確率分布でモデル化し、周辺尤度を規準に分割していく決定木学習アルゴリズム『経験ベイズ木（Empirical Bayesian Tree：EBT）』と、EBTを学習器とするRandom Forest『Random Empirical Bayesian Trees：REBT』を提案する。出力の分布として指数型分布族を用いることで、周辺尤度は十分統計量の更新により計算でき、効率的に決定木を構築できる。また、周辺尤度を規準とすることで、二分木の枝刈りや連続値のMulti-splitによる多分木が可能となり、木の複雑さを自動的に調整することができる。経験ベイズ木ではタスクに応じて適切な確率分布を選ぶことで、様々なタスクを統一的な枠組みで扱うことができる。従来の決定木における二値分類に対応するベルヌーイ分布や、二乗誤差に基づく回帰に対応する正規分布だけでなく、ポアソン分布や指数分布なども用いることができる。

これからの仮説検証・モデル評価daiki hojo

ブートストラップ法とその周辺とRDaisuke Yoneoka

MICの解説logics-of-blue

幾何を使った統計のはなしToru Imai

Iclr2016 vaeまとめDeep Learning JP

This document summarizes a presentation about variational autoencoders (VAEs) presented at the ICLR 2016 conference. The document discusses 5 VAE-related papers presented at ICLR 2016, including Importance Weighted Autoencoders, The Variational Fair Autoencoder, Generating Images from Captions with Attention, Variational Gaussian Process, and Variationally Auto-Encoded Deep Gaussian Processes. It also provides background on variational inference and VAEs, explaining how VAEs use neural networks to model probability distributions and maximize a lower bound on the log likelihood.