脳とベイジアンネットＦＡＱ
脳の情報処理原理の解明の鍵となる技術が ベイジアンネットです。 しかし、大半の研究者は大脳皮質とベイジアンネットの鮮やかな対応について まだ知りません。 脳の情報処理原理に基づいた知能の高いロボットの実現に向け、 一人でも多くの神経科学者・計算機科学者に、 ベイジアンネットと大脳皮質の関係を知ってもらいたいと思います。 ベイジアンネットそのものについての質問 ベイジアンネットとは何ですか？ ベイジアンネット（ベイジアンネットワーク 、 Bayesian network） とは、確率論に基づいた推論を効率的に行うための技術です。 脳の機能の１つである直観と似た働きをします。 ベイジアンネットは、複数の事象の間の因果関係をネットワーク構造で表現し、 同時に因果関係の強さを表す数値も記録したものです。 このように表現された「知識」を用いれば、得られた観測データに基づいて 様々な事象の確率を ベイ
応用数理学9/複雑系概論 (2009年度後期): ベイジアンネットワーク – Joe Suzuki (鈴木譲) 公式ブログ
コンテンツへスキップ テキスト: 鈴木譲「ベイジアンネットワーク入門」培風館 (2009年7月) ベイジアンネットワーク 第1回: 講義の前に(2009年10月1日) ベイジアンネットワーク 第1回: 第1章確率論の基礎 1.1 集合(2009年10月1日) ベイジアンネットワーク 第2回: 第1章確率論の基礎 1.2 確率(2009年10月15日) ベイジアンネットワーク 第2回: 第1章確率論の基礎 1.3 分布関数(2009年10月15日) ベイジアンネットワーク 第3回: 第1章確率論の基礎 1.4 Kullback-Leibler情報量(2009年10月22日) ベイジアンネットワーク 第3回: 第2章グラフィカルモデル 2.1 条件付独立性(2009年10月22日) ベイジアンネットワーク 第4回: 第2章グラフィカルモデル 2.2 無向グラフ(2009年10月29日) ベイジ
複雑系概論 (2010年度前期): ベイジアンネットワーク – Joe Suzuki (鈴木譲) 公式ブログ
コンテンツへスキップ テキスト: 鈴木譲「ベイジアンネットワーク入門」培風館 (2009年7月) ベイジアンネットワーク 第1回: はじめに(2010年4月15日) ベイジアンネットワーク 第1回: 第1章確率論の基礎 1.1 集合(2010年4月15日) ベイジアンネットワーク 第2回: 第1章確率論の基礎 1.2 確率(2010年4月22日) ベイジアンネットワーク 第2回: 第1章確率論の基礎 1.3 分布関数(2010年4月22日) ベイジアンネットワーク 第3回: 第1章確率論の基礎 1.4 Kullback-Leibler情報量 (2010年5月6日) ベイジアンネットワーク 第3回: 第2章グラフィカルモデル 2.1 条件付独立性 (2010年5月6日) ベイジアンネットワーク 第4回: 第2章グラフィカルモデル 2.2 無向グラフ (2010年5月13日) ベイジアンネット
マインドウエア -ダウンロード
概観ページ | 商用 | フリー Kevin Murphy's Bayesian Network Software Packages, ページ Google's list of Bayes net software. 商用: AgenaRisk, ベイジアンネットワークと統計的シミュレーションを組み合わせたビジュアル・ツール（1ヶ月無料）。 Analytica, インフルエンス・ダイアグラム・ベースの確率的モデルを作成および分析するためのビジュアル環境(Win/Mac)。 AT-Sigma Data Chopper, データベースの分析と因果関係の発見。 BayesiaLab, 教師ありおよび教師なし学習を含むベイジアンネットワーク・ツールの完全セットと分析ツールボックス。 Bayesware Discoverer 1.0, most probableモデルを探索することによ
「ベイジアンネットワーク入門」の第1章が無事終了 – Joe Suzuki (鈴木譲) 公式ブログ
10月22日(木)の講義の前半で、第1章確率論の基礎の説明を終えた。 やはり数学科の学生である。講義に関しては、疑問点が無いし、わかるかどうかしつこく聞くと、「大丈夫です」とはっきり言ってくる。テキストに関していえば、理系1年次の微分積分と線形代数がわかれば理解できるという約束をしているので、可測性 [latex] g: \Omega\rightarrow {\mathbb R} [/latex] が $latex {\cal F}$上可測 [latex] {\Longleftrightarrow} \{\omega\in \Omega| g(w)\in D\}\in {\cal F}, D\in {\cal B}[/latex] に関して、もう少し例をいれた説明があってもよかったと思う。測度論といっても、理解に時間がかかる(難しくはないが、なじむのに時間がかかる)のは可測性ぐらいである。
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
確率ネットワークと知識情報処理への応用
