EC商品検索・サイト内検索、レビュー・口コミ・Q＆A、ハッシュタグ、OMO・DXソリューションの提供｜ZETA CXシリーズ 最近はちょっとした人工知能ブームです。 人工知能を扱った映画や書籍、ブログや記事などもかなり増えてきています。 人工知能ブームの背景 なぜ人工知能がブームなのか、その一つの理由に ディープラーニング (深層学習)という新しいアプローチというか手法が登場し、それが脚光を浴びているからというものがあります。 AIや人工知能というワードは以前からありますし、若干SFじみている、もしくはちょっと胡散臭い？ような印象があります。 これに対して ディープラーニング というのは新しいキーワードで、それもなんかちょっと良い響きだというのがポイントなのではないかと思います。 クラウド、ビッグデータ、オムニチャネルなどもなんとなく「良さげ」なキーワードというのがブームになった一因だと私

新たな教育プログラム「DL4US」が開始しています。 2019年5月に、松尾研究室の新たなディープラーニングの無料教材「DL4US」が公開されています。「Deep Learning基礎講座演習コンテンツ」のバージョンアップ版の位置付けなので、今から学習する方はこちらに取り組んだ方が良いかと思います。 Dockerを使った環境構築方法を紹介している記事を書いたので、もし良ければ以下記事参照下さい。 Deep Learning基礎講座演習コンテンツが無料公開 以下のようなサイトが無料公開されていました。 学習に自由に使用してよいとのことです。ただ、肝心の使用方法が詳しく書いてないので、初心者には環境構築が厳しく、簡単に環境構築できる人にとっては、知っている内容のところが多い気がして、内容が良いだけにもったいなと感じました。 そこで、ちょっと初心者向けに環境構築の補足をしてみたいと思います。 そ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 対象読者 とりあえずスクリプト言語の経験がある 高校まで数学の勉強していた人 これから機械学習、とりわけディープラーニングを学んでいこうとしている人 前置き 非理系のための勉強法は下記のブログが有名かと思います。 数学を避けてきた社会人プログラマが機械学習の勉強を始める際の最短経路 自分も上記ブログを参考に勉強を行ってきました。 しかしながら、改めて自分の勉強を振り返ってみるに、よりよい勉強方法を提供できると思いましたので、ここに記しておきます。 機械学習を学ぶにあたって必要な知識 機械学習を学ぶにあたっては、下記の3つの知識が必要にな

##αとβの値を探る## グラフでイメージをつかむ この記事のその１では、$\alpha$と$\beta$それぞれをなんらかの値で固定した場合に最小値を見つけられることをみてきましたが、実際にこのデータに対して近似直線（回帰直線）のパラメーター$\alpha, \beta$を求めるには、$\alpha$と$\beta$が同時に最小値をとる場合を探さなくてはなりません。 その１で扱った関数$S$を、$\alpha$と$\beta$の2変数関数と見立てて整理すると下記のようになります。 S(\alpha, \beta) = \left( \sum_i^n x_i^2 \right) \alpha^2 + n\beta^2 + 2 \left( \sum_i^n x_i \right)\alpha \beta - 2 \left( \sum_i^n x_i y_i \right)\alpha -

最近、機械学習、人工知能等が流行っておりその基盤となる統計学についての知識が重要となっていると思います。そこで、統計学の中でもその効果がわかりやすい回帰分析の原理についてPythonで計算したりグラフを書いたりしながら概念的に理解できることを目的として説明を試みたいと思います。 統計の専門家ではないので、もしご指摘・コメントありましたらぜひご連絡ください。数学的に厳密でない点もあると思いますが、ご容赦ください... ##データセット### まずはデータセットを入手します。 ###carsデータ### このページではPythonを用いて説明を進めますが、使用するデータは統計解析ソフトRのなかにあるデータセットのcarsデータを用います。ここからcsvデータをダウンロードして利用してください。(ただし、このデータのDescriptionによると1920年代のデータのようなので、あくまでサンプル

#勾配降下法は何に使う？# 勾配降下法は統計学や機械学習で多く使われています。特に機械学習というのは基本的に何かしらの関数を最小化（最大化）する問題を数値解析的に解くことに帰結する場合が多いです。（e.g. 最小二乗法 → 誤差の二乗和を最小化（参考）、ニューラルネットワークのパラメータ決定 etc...） なので、基本的にはひたすら微分して0となるところを探す問題ですね、微分して0。で、その微分して0となる値は何か、をプログラムで解く場合に重要になるのがこの勾配降下法です。幾つか勾配法にも種類がありますがここでは最急降下法、確率的勾配降下法の２つを扱います。まずはイメージをつかむために１次元のグラフで確認していきたいと思います。 ##1次元の場合## 1次元の場合は、確率的という概念はなく、ただの勾配降下法になります。 （どういうことか、はのちほど） 1次元の例は、正規分布をマイナスにし

Google DeepMind社が開発しているAlpha Goの論文を読んでみたけど、うっすらとしか理解できない。機械学習の知識が足りない。stochastic gradient descentとstochastic gradient ascentってなんだよ！なんかの必殺技にしか見えない。いろいろ調べながら読んでみると、コンピュータ囲碁が劇的に強くなった原因であるモンテカルロ木探索におけるプレイアウト（Natureの論文だとrollout）時の打ち方（Policy network）とモンテカルロ木探索のノードの評価値（value network）を決めるところに畳み込みニューラルネットワークを使った深層学習を適用しているらしい。モンテカルロ木探索については情報処理学会学会誌「情報処理」の以下の記事がわかりやすかった。 美添一樹: モンテカルロ木探索-コンピュータ囲碁に革命を起こした新手法

確率変数 X1,X2X_1,X_2X1​,X2​ に対して，分散共分散行列（単に共分散行列とも言う）Σ\SigmaΣ を以下で定める： Σ=(σ12σ12σ12σ22)\Sigma=\begin{pmatrix}\sigma_{1}^2&\sigma_{12}\\\sigma_{12}&\sigma_{2}^2\end{pmatrix}Σ=(σ12​σ12​​σ12​σ22​​) ただし，σ12\sigma_{1}^2σ12​ は X1X_1X1​ の分散，σ22\sigma_{2}^2σ22​ は X2X_2X2​ の分散，σ12\sigma_{12}σ12​ は X1X_1X1​ と X2X_2X2​ の共分散。

共分散は， 「XXX の偏差 × YYY の偏差」の平均 で定義されます。 ※偏差とは平均との差のことです。 定義だけでは共分散の意味は分かりにくいので，簡単な具体例で計算してみます。 555 人でテストを受けたデータを考える。 X:X:X: 国語の点数，YYY :数学の点数。 各々の点数は，(50,50),(50,70),(80,60),(70,90),(90,100)(50,50),(50,70),(80,60),(70,90),(90,100)(50,50),(50,70),(80,60),(70,90),(90,100) このときの共分散を計算してみましょう。 まず，国語の平均点 μX\mu_XμX​ は， μX=15(50+50+80+70+90)=68\mu_X=\dfrac{1}{5}(50+50+80+70+90)=68μX​=51​(50+50+80+70+90)=68

サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。

サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。

P(X)P(Y∣X)=P(Y)P(X∣Y)=P(X∩Y)P(X)P(Y|X)=P(Y)P(X|Y)=P(X\cap Y)P(X)P(Y∣X)=P(Y)P(X∣Y)=P(X∩Y) p(X)p(X)p(X) ：事象 XXX が起きる確率 =∣X∣∣U∣=\dfrac{|X|}{|U|}=∣U∣∣X∣​ P(Y∣X)P(Y|X)P(Y∣X) ：事象 XXX が起きたもとで事象 YYY が起きる確率(条件付き確率とも呼ばれます。詳しくは：条件付き確率の意味といろいろな例題 ) =∣A∣∣X∣=\dfrac{|A|}{|X|}=∣X∣∣A∣​ （PX(Y)P_X(Y)PX​(Y) と表記する流儀もあります。） よって，「 XXX も YYY も起きる確率」＝「 XXX が起きる確率」×「 XXX が起きたもとで YYY が起きる確率」なので， 「 P(X∩Y)=P(X)P(Y∣X)P(X\cap Y