並び順

ブックマーク数

期間指定

  • から
  • まで

1 - 14 件 / 14件

新着順 人気順

ガウスの検索結果1 - 14 件 / 14件

タグ検索の該当結果が少ないため、タイトル検索結果を表示しています。

ガウスに関するエントリは14件あります。 統計、 機械学習、 HotEntry などが関連タグです。 人気エントリには 『実写並みの3D映像を高速描画! 新技術「3Dガウス・スプラッティング」でゲームやVRが格段にリアルに|Pen Online』などがあります。
  • 実写並みの3D映像を高速描画! 新技術「3Dガウス・スプラッティング」でゲームやVRが格段にリアルに|Pen Online

    実写並みの3D映像を高速描画! 新技術「3Dガウス・スプラッティング」でゲームやVRが格段にリアルに Product +Future 2023.10.03 文:青葉やまと grade eterna-YouTube アメリカで開催された国際的なCG学会・展示会「SIGGRAPH(シーグラフ)」にて、3D空間の新たな描画手法「3Dガウス・スプラッティング」が研究発表された。 3Dガウス・スプラッティングは、実世界で撮影された動画または大量の写真を読み込み、現実世界のデータを採取。このデータに特定の処理を施し、学習済データを事前生成することで、特定の視点からの情報をリアルタイムで再現可能となる。 一度事前処理を済ませれば、空間内を歩いたり飛んだりしている画像をリアルタイムで生成可能だ。一般的に3D描画に用いられるポリゴンはまったく使用せず、代わりに「ガウス」と呼ばれる色情報を画面内に重ね塗り(ス

      実写並みの3D映像を高速描画! 新技術「3Dガウス・スプラッティング」でゲームやVRが格段にリアルに|Pen Online
    • ガウスってなんでもわかってそうだから全部にガウスって接頭辞つけることにした

      ガウスポン酢:酸味の中にもガウみがある ガウス風呂:ガウスのような温度 ガウス犬:頭のいい犬 ガウスマット:油だけを弾く

        ガウスってなんでもわかってそうだから全部にガウスって接頭辞つけることにした
      • (機械学習)混合ガウス分布におけるEMアルゴリズムを実装を交えて丁寧に理解しようとした - Qiita

        はじめに 現在、ベイズ推論について勉強しています。今回、混合ガウス分布におけるEMアルゴリズムについて私の理解を記しておこうと思います。 勉強を進めていく中で、簡単な例で良いので図示したり具体化しながら考えることで式や言葉の理解が非常に早く進むなぁ、と感じています。 なので、なるべく実装を交えて理解しやすい記事にできたら良いなと思います。 今回こちらの記事を多大に参考にさせて頂きました。概念から式変形、実装に至るまで非常にわかりやすくまとめられております。 EMアルゴリズム徹底解説 https://qiita.com/kenmatsu4/items/59ea3e5dfa3d4c161efb EMアルゴリズムとは EMアルゴリズム(Expectation Maximazation algorithm)とは、隠れ変数を含むモデルの学習・最適化に使われるアルゴリズムのことです。 混合係数 用語の

          (機械学習)混合ガウス分布におけるEMアルゴリズムを実装を交えて丁寧に理解しようとした - Qiita
        • Jaxでガウス過程 + NumPyroでハイパーパラメータ推論 - HELLO CYBERNETICS

          モジュール データ ガウス過程 カーネル関数 予測 決め打ちハイパーパラメータでの予測 MCMC でのハイパーパラメータ推論 モデル 事前分布からのサンプリング 事後分布の推論 予測分布 ガウス過程関連の記事 モジュール import jax.numpy as np import jax from jax import random, grad, vmap, jit, lax import matplotlib.pyplot as plt import seaborn as sns import numpyro import numpyro.distributions as dist from numpyro import plate, sample, handlers from numpyro.infer import MCMC, NUTS, SVI, ELBO plt.style.us

            Jaxでガウス過程 + NumPyroでハイパーパラメータ推論 - HELLO CYBERNETICS
          • Pythonの異常検知用パッケージPyODの形式に従って、ガウス混合モデル(GMM)に基づく異常検知を実装した - 備忘録

            はじめに 2021年8月22日現在、Pythonの異常検知用パッケージであるPyODにガウス混合モデル(Gaussian Mixture Model; GMM)ベースの 異常検知が実装されていなかったので、それを実装したということである。 PyODのインストール pipでインストール可能である。 pip3 install pyod 作成したクラス:GMM すでに実装済のPyODのアルゴリズムを参考に、scikit-learnのGaussianMixtureクラスをラップする形で GMMのクラスを作った。PyODのBaseDetectorクラスを継承するだけなので簡単である。 【ここをクリックしてコードを表示する】 gist.github.com GMMに基づく異常検知のデモンストレーション 簡単なデモンストレーションのnotebookを作成した。今回作成したGMMクラスをgmm.pyとして

              Pythonの異常検知用パッケージPyODの形式に従って、ガウス混合モデル(GMM)に基づく異常検知を実装した - 備忘録
            • ガウス流・循環小数計算法 - tsujimotterのノートブック

              循環小数熱が再燃してきまして、いろいろ調べている中で面白い話を見つけました。 かの有名な天才数学者ガウスは、こんなやり方で循環小数を計算していたそうです。今回の記事の出典は、参考文献に挙げた「近世数学史談」です。 たとえば、 という数を循環小数で表すことを考えてみましょう。 もちろんこの例では簡単なのでそのまま計算していいのですが、 という関係を利用してみましょう。 部分分数分解(の類似) を計算すれば、 と の循環小数表示から を計算できるという寸法です。 具体的には、右辺を通分すると となりますので を満たす整数 の組を求めれば良いことになります。 実際、 なる解が見つかるので という式が得られます。 あとは、 と の循環小数表示 (循環節の長さ 1)(循環節の長さ 2) を知っていれば と計算できます。この計算は、実質的には足し算・引き算(と少々の掛け算)だけで実行できます。 したが

                ガウス流・循環小数計算法 - tsujimotterのノートブック
              • カール・フリードリヒ・ガウスにちなんで名づけられたものの一覧 - Wikipedia

                ^ a b c 森正武:「数値解析」(第2版)、共立出版(共立数学講座)、ISBN 978-4320017016(2002年2月1日)。 ^ a b c 杉原正顯、室田一雄:「数値計算の数理」、岩波書店(2003年5月23日)。 ^ a b c 山本哲朗:「数値解析入門【増訂版】」、サイエンス社、ISBN 978-4781910383(2003年6月1日)。 ^ a b 杉浦光夫. (1987). 基礎数学 3 解析入門 II (1985 年初版発行). 東京大学出版会. ^ a b 原岡喜重. (2002). 超幾何関数. 朝倉書店. ^ a b 木村弘信: 超幾何関数入門——特殊関数への統一的視点からのアプローチ——, サイエンス社, 2007年. ^ Aomoto, K., Kita, M., Kohno, T., & Iohara, K. (2011). Theory of hyp

                • 誰でも理解できるガウス過程とガウス過程回帰 基礎編 - Qiita

                  はじめに ガウス過程回帰は機械学習領域ではかなりメジャーなので、皆様御存知かと思いますが、 ここで本当に初学者がガウス過程回帰にいきつくような解説と、多次元まで対応したPythonのガウス過程回帰クラスを提示したいと思います。実装については第2回で書きます。 まずは線形回帰モデルを考える まずは泣く子も黙る線形回帰モデルを考えることにします。 $w$はパラメータベクトル、$\phi(x)$は非線形の基底関数です。 $$ y(\boldsymbol{x}, \boldsymbol{w})=\boldsymbol{w}^T\phi(\boldsymbol{x}), $$ これは以前の投稿ベイズ線形クラスのPython実装で紹介したものです。 少し先走って書くと、$w$の事前分布を決めれば、関数$y(w,x)$に対する事前分布が決まり、訓練集合が与えられると$w$の事後分布が決まり、結果として関

                    誰でも理解できるガウス過程とガウス過程回帰 基礎編 - Qiita
                  • ガウス過程と空間データのベイズモデリング - Qiita

                    慶應義塾大学・株式会社Nospareの菅澤です. 今回はガウス過程を用いた空間データの(階層)ベイズモデリングについて紹介します. 空間データの分析 緯度・経度などの位置情報が付随したデータは一般的に空間データと呼ばれます.例えば不動産価格のデータは価格や物件の特徴量に加えて住所の情報から緯度・経度の位置情報を得ることができます. 実は空間データの中にも様々な型のデータがあるのですが,今回は$n$個の地点$s_i \ (i=1,\ldots,n)$において被説明変数$y_i$と説明変数$x_i$が観測されている状況を考えます.例えば不動産の例ですと,$y_i$が不動産価格,$x_i$が不動産の特徴量,$s_i$が物件の緯度・経度に相当します. 基本的な目的は 説明変数$x_i$が被説明変数$y_i$に与える影響を調べる 新しい地点$s_0$において説明変数$x_0$を用いて未観測の$y_0

                      ガウス過程と空間データのベイズモデリング - Qiita
                    • √pの作り方(ガウス和) - tsujimotterのノートブック

                      一昨日にこんなツイートをしてみたら、思った以上に多くの方に面白がってもらえました。せっかくなので、この記事を通して「種明かし(?)」をしたいと思います。 √pの作り方 pic.twitter.com/qy2gzay6EW— tsujimotter (@tsujimotter) 2020年3月31日 今回は3日連続で投稿する「ガウス和シリーズ」の第1回の記事となっています。よかったら続きもぜひご覧になってください: tsujimotter.hatenablog.com 平方剰余/平方非剰余 今回の記事全体を通して、 を奇数の素数とします。 で割り切れない整数 に対して、次のような合同式を考えます: 解 が整数の範囲に存在するとき、 は の平方剰余といいます。逆に、そうでないとき は の平方非剰余といいます。 このことを記号であらわすために、 は の平方剰余のとき は の平方非剰余のとき と表

                        √pの作り方(ガウス和) - tsujimotterのノートブック
                      • 「2つの素数の美しき関係」…稀代の数学者・ガウスが、わずか24歳で世に放った「黄金定理」が眩しすぎた(現代ビジネス) - Yahoo!ニュース

                        「素数シリーズ三部作」(『素数が奏でる物語』『素数はめぐる』『有限の中の無限』)が大好評の、ブルーバックスを代表する人気著者コンビ・西来路文朗さんと清水健一さんの最新刊『ガウスの黄金定理』が刊行されました。 オイラーが発見し、ルジャンドルが証明に挑み、ガウスが証明した「黄金定理」とはどのようなものか? 名だたる数学者たちが魅了された理由とは? 数学ファン憧れの至高の法則が予備知識ゼロから理解できる一冊です。 数学界に衝撃を与えたデビュー作 このたび、筆者たちは『ガウスの黄金定理』を上梓しました。 “黄金定理”は、「平方剰余の相互法則」とよばれる数論の大定理を指します。数学史上最大の数学者といわれているガウスが、この大定理を独自に発見し、なんと18歳のときに証明しました。 ガウスは、この定理の背後に豊穣な数学がひそんでいると確信したのでしょう。日記に「黄金定理」と書いています。 黄金定理は、

                          「2つの素数の美しき関係」…稀代の数学者・ガウスが、わずか24歳で世に放った「黄金定理」が眩しすぎた(現代ビジネス) - Yahoo!ニュース
                        • カズシ フジイ@NFT Collage Designer on Twitter: "Photoshopでピントの合った写真の光をピンボケ写真にする方法。 「ぼかしガウス」等でぼかすと画像3のように光が表現できません。 「ぼかしギャラリー」の「フィールドぼかし」を画像1のように使うと光が丸くぼけて、画像4のようにリ… https://t.co/jJWEMOecfb"

                          Photoshopでピントの合った写真の光をピンボケ写真にする方法。 「ぼかしガウス」等でぼかすと画像3のように光が表現できません。 「ぼかしギャラリー」の「フィールドぼかし」を画像1のように使うと光が丸くぼけて、画像4のようにリ… https://t.co/jJWEMOecfb

                            カズシ フジイ@NFT Collage Designer on Twitter: "Photoshopでピントの合った写真の光をピンボケ写真にする方法。 「ぼかしガウス」等でぼかすと画像3のように光が表現できません。 「ぼかしギャラリー」の「フィールドぼかし」を画像1のように使うと光が丸くぼけて、画像4のようにリ… https://t.co/jJWEMOecfb"
                          • ベイズ推論により混合分布のパラメータ推論をやってみる 〜まずはガウス分布のパラメータ推論〜 - 機械と学習する

                            [2020/03/12更新] 後続の記事へのリンクを追加 【概要】 混合分布(混合モデル)はモデルを潜在変数でスイッチする構造を持ったモデルであり、実用的な観点でも面白いです これから数回にわたって、混合分布を使って遊んでみます 第1弾では、混合分布の中でもよく使われるガウス混合分布を構成する「ガウス分布」のパラメータ推論をやってみます 【目次】 はじめに ガウス分布 ガウス分布のパラメータ推論 1次元ガウス分布 多次元(2次元)ガウス分布 ということで実際のnotebook まとめ 参考文献 はじめに 機械学習や統計の問題では、手元にあるデータを解釈して応用しようとしますね。 この時、明に暗になんらかの「確率モデル」を仮定しているはずです。 確率モデルの中でも、混合分布(混合モデル)は、複数の確率モデルの組み合わせとして定義されており、複雑なデータ構造を表現できます。 応用としても、クラ

                              ベイズ推論により混合分布のパラメータ推論をやってみる 〜まずはガウス分布のパラメータ推論〜 - 機械と学習する
                            • ディリクレ過程とガウス過程で民主主義の発展を分類してみた - Qiita

                              はじめに 時系列データを分類するのは、あらゆる意思決定で価値を発揮する。例えばビジネスの場合、トレンドが似ている地域を識別し、同じグループの地域Aを施策群にして、地域Bを統制群にすれば、施策前に両地域の推移が似ているので、施策後大きな乖離が見られたら施策の効果とみなせ、信憑性の高いTVCMやOOH広告のABテストを実行できる。個人の意思決定の場合(本記事の目的は投資戦略の紹介ではないことを強調したい)、株の推移の時系列をグループ化できれば、資産をいい感じに分散させ、手元の株の株価が同時に下落するリスクを減らすことができるかもしれない。うるさいかもしれないが、本記事の目的は投資戦略の紹介ではないことをもう一回強調する。また、政治学においても、例えば各国の民主主義の発展を分類して可視化すれば、理論の発展や政策提言の質の向上に寄与することも期待される。 ただ、問題として、一般的な分類手法だと、ま

                                ディリクレ過程とガウス過程で民主主義の発展を分類してみた - Qiita
                              1

                              新着記事