TL;DR ベイズの定理を以下の用語を使い言い換える。クッキーの例で考えると簡単。 事前確率: p(ボウル1) => ボウル1とボウル2の2つのボウルからボウル1を選ぶ確率 事後確率: p(ボウル1 | ヴァニラ) => ヴァニラを見た後に、ボウル1が選ばれた確率 尤度: p(ヴ…

TL;DR 前回の記事の続き。 yukinagae.hatenablog.com ベイズの定理が感覚的に理解できていない気がしたので、実際にサンプリングして確かめてみる。 理論的に理解するのではなく、本当にその確率になるのかを馬鹿みたいに調べる。 （「馬鹿みたい」というの…

TL;DR ベイズの定理を使って具体的な問題の確率を求めてみましょう。 p(A|B) と p(B|A) は別物 ベイズの定理を使うと、p(B|A) から p(A|B) を求めることができる クッキー問題（Think Bayes p.3〜p.4参照） クッキーが入った2つのボウルがあるとします。しか…

学習の仕方は様々あり、各人によって適した方法は異なる。ある人は本を読んで学び、ある人は数式から理解し、ある人は絵やイメージから全体像をつかむ。 ならば、私達プログラマーはどのように物事を理解するのか手っ取り早いだろうか？ もちろんコーディン…

概要 機械学習やデータ分析に必要なpython環境をインストールする手順です。 目的 ローカル環境でjupyter notebookを使用して、pythonの機械学習やデータ分析のツールが使えること。 環境 Mac OS Sierra v10.12.6 （Windowsユーザには申し訳ないがMacでの手…

TL;DR 機械学習はデータから学習してモデルを構築して予測する 多くの機械学習の手法はビッグデータから学習する必要がある ベイズ + 機械学習の場合には事前情報（ドメイン知識）で少量のデータでも学習できる 内容 前回までで以下のベイズの定理を求めるこ…

条件付き確率と結合確率を理解すると、あとはベイズの定理をそのまま理解できる。 まずは、イベントAとイベントBが両方起きる確率は順番を変えても一緒であることを確認（当たり前！）。 p(A and B) = p(B and A) 当たり前のことも念のため具体例で考える。 …

あとちょっとでベイズの定理に入れるがその前に最後の一つ。 （まだ Think Bayes の2ページ目） あとは結合確率を理解すればベイズの定理にいけるみたいだ。 結合確率は、2つのことが真実であるという確率のことである。AとBが両方とも真である確率を意味し…

そのまま Think Bayes を読み進めていると（まだ1ページ目でしかない）、次の用語の定義は conditional probability （条件付き確率）についてだ。そのまま引用する。 A conditional probability is a probability based on some background information. （…

もちろん理解しているはずがない。 わかっているようで、わからないことが世の中にはたくさんある。 特に数学や統計では日常生活とは異なる用語の使い方をしている可能性もあるので、一つひとつの言葉から理解していこう。 本当は常に書籍や適切なサイトを参…

まずはベイズについて勉強していこうと思うが、その前にいろいろ考えたり理解しておくことがある。 そもそもディープラーニング全盛の現在、ベイズにまつわることを勉強するべきかどうかというのは自明ではない。 One Size Does NOT Fit All（1つのサイズが…

長い間本やブログを読んだりオンラインコースで勉強したり、インプットは多かったけれどアウトプットが少なかったことに気づき、試しにブログ記事を始めてみる。 特に機械学習やデータ分析周りのビッグウェーブに乗っていきたいので、その辺りについて書いて…