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。
『標準ベイズ統計学』はベイズ統計学をきちんと基礎から日本語で学びたいという人にとって必携の一冊 - 渋谷駅前で働くデータサイエンティストのブログ
標準 ベイズ統計学 朝倉書店Amazon 発刊当時に話題になっていた『標準ベイズ統計学』。実は訳者のお一人、菅澤翔之助さんからオフィス宛てでご恵贈いただいていたのですが、親父の没後処理やら自分のDVTやら実家の片付けやらで全く手が回らずオフィスに置いたままにしてしまっていたのでした。で、この度改めて拝読してみたら「何故もっと早く読まなかったんだ」と後悔するくらいあまりにも内容が素晴らしかったので、遅まきながら書評記事を書こうと思い立った次第です。 ベイズ統計学というと、殆ど詳しくない人だと「ベイズの定理以外に何があるの？」という印象ぐらいしかないかもしれませんし、一方でとりあえず技法としてやり方だけ覚えてしまった人だと「とりあえずMCMC回せばいいんだよね？」みたいな雑な理解になってしまうかもしれません。いずれにせよこれまで邦書ではベイズ統計学というと超初歩か実装重視かの二択が多かったせい
「全数調査なら何でもわかる」という誤解 - 間違えがちな母集団とサンプリングそしてベイズ統計 - - ill-identified diary
この文章は pandoc-hateblo で tex ファイルから変換しています. PDF 版はこちら 2021/10/15 追記: 後半のベイジアンブートストラップに関する解説はこちらのほうがおそらく正確です ill-identified.hatenablog.com 概要挑発的なタイトルに見えるかも知れないが, 私はしらふだしこれから始めるのは真面目な話だ — 正直に言えばSEOとか気にしてもっと挑発的なタイトルにしようかなどと迷ったりはしたが. 「全数調査できれば標本抽出の誤差はなくなるのだから, 仮説検定は不要だ」という主張を見かけた. いろいろと調べた結果, この問題を厳密に説明しようとすると最近の教科書には載ってない話題や視点が必要なことが分かった. ネット上でも勘違いしている or よく分かってなさそうな人をこれまで何度か見かけたので, これを機に当初の質問の回答のみならず関
慶應義塾大学・株式会社Nospareの菅澤です． 今回はベイズ統計学を勉強するための参考書の順番 (私見) について紹介していきます． 3年ほど前に『日本語で学べるベイズ統計学の教科書10冊』を紹介しましたが，今回は「どのような順番でどの参考書を読んでいくと比較的スムーズに勉強が進められるのか」に焦点を当て，比較的最近の書籍や英語の書籍まで含めて紹介していきます． まずは全体的なフローのイメージを提示しておきます． 今回の記事では，「ベイズ統計学を勉強すること」のスタートとゴールを以下のように定めます． (スタート) 統計学の基礎的な内容 (統計検定2級程度の内容) は身についている (ゴール) ベイズモデリングに関する最新の論文がある程度理解して読め，自力でモデルを組んだり実装することができる また，このゴールへの道のりとして，大きく2通りのルートを想定します． (ルートA: フルスクラ
東京大学・株式会社Nospareの菅澤です． 今回はベイズ統計学を勉強する上で個人的にオススメな日本語の教科書10冊を簡単に紹介したいと思います． 一般的な方法論・基礎理論 中妻照雄『入門ベイズ統計学』 簡単な例と実践的な例を使ってベイズ推論の考え方が導入された後，マルコフ連鎖モンテカルロ法(MCMC)の基礎的な事項がまとめられています．基本的な数理統計学が理解できていれば十分読める内容になっている印象です．この本の続編である中妻照雄『実践ベイズ統計学』では，ファクターモデルやそのポートフォリオ選択への応用，ベイズ的線形回帰モデル，モデル平均化法などのより発展した内容について丁寧に解説されています． 伊庭幸人・種村正美・大森裕浩・和合肇・佐藤整尚・高橋明彦『計算統計II』 かなりボリュームのある内容の本です．基本的な話題として，MCMCの基礎や標準的な統計モデルにおけるベイズ推論に関して数
ベイズ統計学の概論的紹介
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
統計学とは何か、そしてベイズ統計学の話 - hidekatsu-izuno 日々の記録
細々と統計学を調べ続けているが、最近ようやく統計学というものが何なのか、おぼろげながらわかるようになってきた（なお、統計学ができるようになってきたわけではない） 統計学を知る前の自分と今の自分をくらべたとき、間違いなく違うのは統計学に対する信頼だろう。以前は、統計学は数学の一分野であり、正しい分析手法を使えば真の答えが得られるものだと思っていた。しかし、実際には統計学者ジョージ・ボックスが言ったとされる「すべての（統計）モデルは間違っている、だが中には役立つものもある）」という言葉の方が実態に近い。 統計学は基本的に「不可能なことを可能にする（不良設定問題を扱う）」学問だ。例えば、1、3、5 という数字の列から何が言えるだろうか。確実なことは3つの実数値が観測された、ということだけで、それ以上のことは想像するしかない。奇数列かもしれないし、乱数から３つの値を取得した際に偶然それっぽい数字が
ベイズ統計・ベイズ機械学習を始めよう コンピュータやネットワークの技術進化により，これまでにないほどの多種多様なデータを取り扱う環境が整ってきました．中でも統計学や機械学習は，限られたデータから将来を予測することや，データに潜む特徴的なパターンを抽出する技術として注目されています．これらのデータ解析を行うためのツールはオープンソースとして配布されていることが多いため，初学者でも手軽に手を出せるようになってきています． しかし，データ解析を目的に合わせて適切に使いこなすことは依然としてハードルが高いようです．この原因の一つが，統計学や機械学習が多種多様な設計思想から作られたアルゴリズムの集合体であることが挙げられます．毎年のように国際学会や産業界で新たな手法が考案・開発されており，一人のエンジニアがそれらの新技術を１つ１つキャッチアップしていくのは非常に困難になってきています． １つの解決策
はじめに データとモデル 確率モデル 確率モデルを作る 複雑なモデルを使うことが最善手であるか モデルの具体的な作り方 モデルの仮定 アンサンブルモデル 点推定モデル 最尤推定 制約付き最尤推定※ （最大事後確率推定） ベイズ予測分布と点推定 ベイズ統計学 ベイズ予測分布を得ることの意義 ベイズ統計学の主題 特異モデルと正則モデル ベイズ統計学のまとめ はじめに ベイズだの頻度論だので盛り上がっているので、ぶん殴られる覚悟で書いてみます。 データとモデル 観測値がランダムに見える場合、それを確率変数 $X$ として扱います。 さて、今、$X$ には我々が知ることのできない真の分布 $q(X)$ があるとしましょう。もしも、$X$ を無限回観測し満遍なくデータを集められるとすれば、$q(X)$ の形状を把握することができるかもしれません。 ところが、そんなのは幻想であって実際に無限回の観測を
『RとStanではじめるベイズ統計モデリングによるデータ分析入門』は「みどりぼん」に取って替わる次世代の統計モデリング＋ベイジアン入門書 - 渋谷駅前で働くデータサイエンティストのブログ
ここ2ヶ月ぐらいに渡って多くの方々からご著書をご恵贈たまわっているのですが、そのうちの一冊がこちら。かつて計量時系列分析を学んでいた頃に僕も大変お世話になった、Logics of Blueブログの馬場さんの手による『RとStanではじめるベイズ統計モデリングによるデータ分析入門』です。 実践Data Scienceシリーズ RとStanではじめる ベイズ統計モデリングによるデータ分析入門 作者:馬場 真哉出版社/メーカー: 講談社発売日: 2019/07/10メディア: 単行本 以前はベイズ統計モデリングの入門書というと「みどりぼん」こと『データ解析のための統計モデリング入門――一般化線形モデル・階層ベイズモデル・MCMC (確率と情報の科学)』一択でしたが、皆さんもご存知のように既にメンテされていないWinBUGSを使っているなどout-of-dateな要素が多く、近年はこれに替わる良書
はじめに 千葉大学/Nospareの米倉です．今回は僕が専門にしている計算機統計学・ベイズ統計学周辺で僕が勝手にお勧めだと思う教科書を10冊簡単なコメント付きで紹介したいと思います．初学者向けといより，修士・博士課程位のレベルのが多いので，ややプロ向けです． お勧めのプログラミング言語 僕は普段Julia言語を用いています．特徴は非常に高速なのと，可読性の高さでしょうか．個人的にはPythonやRより優れていると感じていて，僕の周りの専門家でも使っている人が多いです． Robert and Casella "Monte Carlo Statistical Methods" この分野のバイブルと言えばバイブルみたいな感じですが，そう呼ぶにはちょっと頼りない感じもします．けどモンテカルロ法に興味がある人はマストバイです．色々な種類のモンテカルロ法が網羅的に紹介されています． Efron and
はじめに 前回は年齢による実力の変化を考えずに各騎士の実力を評価しました。年齢による実力の衰えは明白であるため、このモデルで異なる世代の棋士の比較は正当ではありませんでした。 その後、インターネットで検索をすると、統計モデリングでの棋士の順位付けをしている記事がいくつかありました。[1][2] また、stanの書籍にも同様な手法が載ってます。[3] しかし、年齢効果による実力の変化を取り入れたモデルはまだないようですので、次はこの変化をモデル化して、世代をまたいで実力を比較できるモデルを構築してみます。一見、実力をローカルレベルモデル等のノイズ入り時系列モデルで表すことが出来そうですが、それだけでは新しい世代が有利なモデルのままになります。年齢による実力の増減を別個に取り入れる必要があります。 データ 用いるデータは、前回の記事「ベイズ統計モデリングを使って、藤井聡太と全盛期の羽生善治を比
東京大学松尾研究室 強化学習サマースクール2020 第5回 https://deeplearning.jp/reinforcement_cource-2020s/Read less
［AI・機械学習の数学］正規分布とベータ分布、確率分布とベイズ統計の関係を理解する：AI・機械学習の数学入門 統計学や機械学習で使われるさまざまな確率分布のうち、連続分布の例として正規分布とベータ分布について見ていく。また、最近主流になりつつあるベイズ統計の関係についても簡単に紹介する。
はじめに こんにちは、19卒でGunosy Tech LabのBIチームの齊藤です。 data.gunosy.io この記事はGunosy Advent Calender 2019の4日目の記事です。昨日の記事は高橋さん(@tkhs0604)によるプロダクトマネージャーカンファレンス2019 参加レポート でした。 はじめに 背景 ベイズ統計 例: 継続率 事後分布のプロット 継続率以外の指標は？ おわりに 背景 GunosyではUI・ロジックの変更等を行う際にA/Bテストにより効果検証を行っています。 data.gunosy.io 上記のブログの通り、従来の（頻度論に基づく）仮説検定ではA/Bテストを開始する前に有意水準、検出力、効果量を定めてサンプルサイズを求めなければなりません。またサンプルサイズを定めても必要なサイズを満たすのに何日かかるかも不透明であり、施策の実行→A/Bテスト→
黒木玄 Gen Kuroki on Twitter: "ただし、 * かけ算順序問題 * ベイズ統計の教育問題 の場合には、通常のニセ科学問題やニセ医学問題の場合と違って、社会的に専門家とみなされる十分立派な地位についている人達による出版物にデタラメな話が書いてあることが普通。… https://t.co/kNdqRx2881"
ただし、 * かけ算順序問題 * ベイズ統計の教育問題 の場合には、通常のニセ科学問題やニセ医学問題の場合と違って、社会的に専門家とみなされる十分立派な地位についている人達による出版物にデタラメな話が書いてあることが普通。… https://t.co/kNdqRx2881
この記事について 著者の馬場真哉様より、2019年7月10日に講談社より発売の、「RとStanではじめる ベイズ統計モデリングによるデータ分析入門」をご恵投いただきました。ありがとうございます！！ www.kspub.co.jp 事前に献本をいただけるということを伺っていたので、その時から「ご恵投いただきました！」とTwitterで報告するだけでなく、簡単にでも読んでみた感想を書こうと決めていました。 まだざっと読んだ段階で、コードを実際に走らせてもいないのですが（もちろん後でじっくり読みながら実行します）、感想や関連書籍との比較をしていきたいと思います。 本記事の方針 本書の「はじめに」の部分やサポートページには、以下のような方を対象読者としていると書かれています。本記事も、そのことを念頭に書いていこうと思います。 統計学の基礎やベイズの定理などの基本事項を学んでみたものの、その有効性が
この記事の目的と対象者 この記事は、統計をほとんど勉強したことがない人が、立派に「ベイズ統計」というナウでヤングな統計学について語れるようになるまでの道標を示します。 ドヤ顔でベイズ統計について正しいことを語れるようになる、統計に詳しい人とがガッツリ議論できるようになるぐらいまでがこの記事のゴールです。 この記事の勉強をしたところでベイズ統計を使いこなせるようになるわけではないことに注意してください。 現場で使いこなせるようになるには、プログラミングがある程度できる必要もありますし、対象となる実データも必要です。 本当に統計的処理をする前には、前処理なんかも必要ですよね…… 統計を使ったデータ分析には、統計学の理論だけではなく、様々な道具を身につける必要があるのです……涙 （よみがえる眠れぬ夜のおもひでたち……） 基本的には書籍を使った勉強法を紹介していきます。 ある程度、統計学のことが分
はじめに ベイズ統計モデリングは、データを確率モデル（確率分布とパラメータの関係式）に当てはめ、ある現象がどのように起こったか（＝データがどのように生成されたか）を解釈し、将来のふるまいを予測するために用いられる手法です。 勾配ブースティング木やニューラルネットワークなどの機械学習の手法では、ある現象がどのように起こったか、つまり、説明変数と目的変数の関係についての背景知識がなくても、ある程度の予測性能を達成するモデルを構築することができます。しかし、構築したモデルはブラックボックスとなっており、結果の解釈が難しく、どの機械学習の手法が適切なのか（＝汎化性能が十分なのか）の判断が難しい場合があります。 一方、ベイズ統計モデリングは、データを使って学習を行う前に、現象に関する背景知識（＝データ生成に関する仮定）を確率モデルの形で組み込むことができます。つまり、ドメイン知識・基礎集計などによっ
はじめに 概要 ベイズ統計を用いてKaggleの1タイタニック問題を解いてみる． 分析は以下の手順で行う． データの可視化・理解 データの加工・前処理 ベイズ統計分析 モデルの記述 デザイン行列・データリストの作成 Stanファイルの記述 MCMC! 結果の評価 実行環境 Mac OS Sonoma 14.1 R version 4.3.1 RStudio version 2023.12.1+402 > R.versions version.string R version 4.3.1 (2023-06-16) > sessionInfo() other attached packages: [1] posterior_1.5.0 cmdstanr_0.6.1 lubridate_1.9.3 forcats_1.0.0 [5] stringr_1.5.0 dplyr_1.1.3 purrr
connpassで開催した勉強会『ベイズ統計学入門 〜頻度主義からベイズ主義へ〜』の内容スライドです。 統計学は、「データに潜む規則や構造を抽出し、現象の理解や未知の現象に対する予測を行う」ための学問です。 実験や社会調査の解析だけではなく、ビッグデータ分析やAI開発でも統計学は不可欠であり、現代人にとって必須の学問と言っても過言ではないでしょう。 一方で、その背後には単なる数学的論理には収まらない様々な哲学的問題が横たわっています。 そんな統計学の歴史にあって、最大にして今なお継続中の議論が、ベイズ主義vs頻度主義についてでしょう。 統計学が台頭してきた19世紀から20世紀には、頻度主義が主流でしたが、21世紀になった今やベイズ主義こそが統計学の主流になりつつあります。 ベイズ推論は、自動運転から迷惑メールフィルタリング、画像復元やノイズキャンセリングなど、様々な分野に爆発的に応用されて
この記事は、2019年Stanアドベントカレンダー5日目の記事です。 12月5日の今日、『社会科学のためのベイズ統計モデリング』がAmazonや紀伊国屋で発売されていると思います。 この本は、ベイズ統計モデリング全般についての解説書です。しかし同時にStanを用いたモデリング事例についても書いているので、Stanアドベントカレンダーで宣伝させてもらおう、と思ったわけです。 著者の紹介 私も著者の一人なのですが、私が貢献している部分は実はほんのちょっとで、ほとんどは第一著者の浜田さん、第二著者の石田さんによって書かれている本です。というわけで、僕は広報を精一杯がんばろうと（ 第一著者の浜田宏さんは東北大学所属の数理社会学者です。数理的に社会現象を説明する研究をされていて、「格差のメカニズム」という専門者を書かれています。あと、最近、「その問題数理モデルで解決します」がヒットしたので、ご存知の
これはデマですね。正則化事前分布は(かなり強い)主観分布です。これは主観とはなにかを誤解してる。 ちなみにゲルマンは弱情報事前分布(主観分布の分散を大きめにとったもの)を推奨してます。https://t.co/LKyb6JscdT https://t.co/ETlsAcYgIm — Ken McAlinn (@kenmcalinn) November 1, 2020 というか主観的でない事前分布は無情報事前分布として定義されてるんだからそれ以外は主観分布でしょ、informativeなんだから。 ちなみにこのinformativeな事前分布はadmissibleです。 — Ken McAlinn (@kenmcalinn) November 1, 2020 統計学について数学を専門とする者以外の人間が何か強い主張をしていたら最大限に警戒すべきだということは多くの人が経験的に知っているはずだ
最近、「統計学を哲学する」の出版をきっかけとした Twitter 上の議論を追いかけながらベイズ統計学について調べている。 統計学を哲学する 作者:大塚 淳発売日: 2020/10/26メディア: 単行本（ソフトカバー） 前々からベイズ統計学については興味があったので、議論を追ったら何かしらの理解を深められるのでは、と思い関連するツィートを読んでみたのだが、これがびっくりするほどわからない。 通常「わからない」と書いたら高度な数学的議論が繰り広げられているからわからない、という意味だと思われるかもしれないがそうではない。そもそも何が論点なのかもはっきりとせず、議論らしき議論も行われず、ほとんどうんこの投げ合いと呼んでもいい状況だったのだ。 なるほどこれが「頻度主義 vs ベイズ主義」の対立なのかと思いもしたのだが、もやもやが残ったこともあり、議論の内容は理解できなくても論点整理くらいはでき
ビッグデータ時代の秘密兵器「ベイズ統計」習得でビジネスで差を付ける
夏だ！スキルだ！3日で絶対習得シリーズ2020 新型コロナウイルス感染拡大により、先行き不透明な世界と日本の経済。そんなときに頼れるのは、自分の腕だ！ビジネススキルを習得したいと思いつつも、ずっと先延ばしにしてきていないだろうか。ならば、この夏こそ取り組もう！決算書、ファイナンス、統計学、英語、ロジカルシンキング、マイクロコピー、投資、為替、それぞれのスキルをサクッと習得してもらうため、たった3日にまとめた。ぜひ、この夏は自分をバージョンアップしてほしい。 バックナンバー一覧
ベイズ統計学と再現性の危機（テンプル大学統計科学部助教授：マクリン謙一郎） #心理統計を探検する｜「こころ」のための専門メディア 金子書房
心理学において、これまでに得られた著名な研究結果が再現されないという再現性の危機が話題となっています。その原因の一端は、統計的仮説検定の使用にあると考えられています。そして、仮説検定のオルタナティブとして、ベイズ統計学に対する注目も高まっています。しかし、仮説検定がもつ問題の一部がどのようにしてベイズ統計学によって解決されうるのか、両者の立場の相違、ベイズ統計学の限界などについて、心理学においてまだ十分な議論がなされていないように見受けられます。そこで今回は、こうした再現性の危機と仮説検定の関係、ベイズ統計学の可能性と限界について、テンプル大学統計科学部助教授のマクリン謙一郎先生にご解説いただきました。 ※今回の記事は、統計的意思決定、仮説検定、ベイズ統計学について基礎的な知識があることを前提としています。あらかじめご承知おきのうえお読みください。 はじめに 再現性の危機が心理学を含む諸分
ベイズ統計入門
ここではベイズ統計入門に関するファイルを公開しております。 第01回 ベイズ統計の定義, 例(mp4) 第02回 ベイズ統計の手続き, 例(mp4) , 例(mp4) , 例(mp4) 第03回 混合正規分布, 例(mp4) , 例(mp4) , 例(mp4) , 例(mp4) 第04回 神経回路網, 例(mp4) , 例(mp4) 第05回 統計理論の基礎 第06回 正則理論, 例(mp4) 第07回 AICとBIC, 例(mp4) , 例(mp4) 第08回 事前分布最適化, 例(mp4) , 第09回 一般理論への準備 第10回 一般理論 第11回 一般モデルの選択 第12回 条件つき独立, 例(mp4) , 第13回 階層ベイズ, 例(mp4) , 第14回 相転移 第15回 まとめ ベイズ統計入門 ベイズ統計の数理
はじめに 学生時代にほんの少し競馬をかじったことがあるのですが、競馬の着順予測は考えるべき要素が多く、自分の頭の中でそれらの要素を考慮して予測するのは難しいと感じたので、１年足らずで止めてしまいました。ですが、「StanとRでベイズ統計モデリング」10.2節の棋士の「強さ」を推定する手法を知り、この手法を活用すれば、着順予測をシステマティックに行えるのではないかと考えるようになりました。そこで、以下では着順予測に考慮すべき要素の一つである競走馬の「強さ」を統計モデリングにより推定します。 StanとRでベイズ統計モデリング (Wonderful R) 作者:松浦 健太郎出版社/メーカー: 共立出版発売日: 2016/10/25メディア: 単行本 使用データ 以下のようなレース結果のシミュレーションデータを使用します（1438頭、290レース分）*1。このデータは、後述の統計モデルから生成し
Pythonで実装するベイズ統計モデリング 「RとStanではじめるベイズ統計モデリングによるデータ分析入門」はアヒル本よりも手軽にベイズ推定の実装に入門できる書籍です。 アヒル本は統計モデルの座学的章がありますが、こちらはほとんどありません。 まずはやってみよう、というところから入る本です。 また、階層ベイズについての考え方は、アヒル本と合わせて読むことでより理解が深まるかもしれません。 何故Pythonで実装するのか オフィシャルではこちらもRで実装があります。 最近はPythonを使う方が多いので、アヒル本だけでなくこちらもPythonで実装してみました。 コード PythoとPyStanで実装しています。 Github 何かありましたらプルリクエストをいただけると助かります。 点推定だけでなく、ベイズ推定も一般的に広まっていくといいのかな、と個人的に思っています。
RとStanではじめる ベイズ統計モデリングによるデータ分析入門：サポートページ | Logics of Blue
『RとStanではじめる ベイズ統計モデリングによるデータ分析入門』のサポートページです。 この記事では、書籍の特徴などの紹介をしています。 本書に使用したサンプルデータとR,Stanのコードは、すべてGitHubから参照できます。 ソフトウェアのインストール方法や実行方法の補足事項なども記しています。 パッケージのバージョンが上がったことによる変更点などは『発行後の補足情報』を参照してください。 RとStanではじめる ベイズ統計モデリングによるデータ分析入門 2019年07月：初版第1刷発行 2019年10月：初版第2刷発行 2020年02月：初版第3刷発行 2020年04月：初版第4刷発行 2020年07月：初版第5刷発行 ・・・中略・・・ 2023年07月：初版第10刷発行 出版社の書籍紹介ページはこちらです。 (2020年7月14日追記)正誤表は出版社の書籍紹介ページにあります。
統計学を専門としない数学者から、ベイズ統計学の事前確率を主観的と言うのはトンデモだという非難から、ベイズ主義や頻度主義と言う分類を考えるのは有害無益だからやめて、カルバック・ライブラー情報量に基づく“主義によらない”統計学を考えるべきだと主張が展開され、その他のオモシロ主張*1も含めて困惑が広がっている。 昨日から統計学にはやはり主義が要ると言う批判もされている*2のだが、“主義によらない”と言う誤った謳い文句に騙されている。統計学の主義は手順や解釈の方針である事に注意すると、カルバック・ライブラー情報量に基づいた統計手法と言うのは一つの主義である。情報量規準主義。 もう少し具体的に説明すると、ベイズ統計学の事前確率（先験確率）を、データから定まらないと言う意味で主観的なものではなく、データから定まると言う意味で客観的なものにしようと言うのが、情報量規準主義だ。情報量規準主義者はその始祖を
アヒル本とは アヒル本「StanとRでベイズ統計モデリング」、ベイズ界隈では有名な書籍です。 ベイズ推定を実装したい、と思ったときにまず最初に手に取ると良いでしょう。 しかし、ベイズとは何かという点について解説している本ではないため、ベイズの枠組みで事例を積み重ねることで事後分布を更新できるために得られる利点などについて納得ができていない方は、ベイズ自体の基礎的な解説を読んでからチャレンジしたほうが良いと思います。 なぜPythonか 上記本のオフィシャルでは、タイトルどおり実装はRなんですね。 Pythonで実装したい方も多いと思います。 私もその一人でしたので、Python実装をつくりました。 Python実装にあたって Stanのインターフェイスについては、PyStanでRとほぼ変わらない使いごこちを実現できます。 一方で、データ整形についてはPandasを使うので、Rとはかなり異な
『異端の統計学ベイズ』草思社 シャロン・バーチュ・マグレイン／著 冨永星／翻訳 「ベイズ統計学」というのは、現代であれば当たり前に使われているだろう。特に、ビジネスの世界で重宝されているのではないか。「ベイズ推定」という名前の方が有名かもしれないが、今では、「統計学」の一つとして、当たり前に受け入れられている。 しかしこのベイズ統計学、誕生から200年ほどの間、とにかく嫌われまくっていた。「こんなものは統計学／科学じゃない」と受け取られていたのだ。 とはいえ、その気持ちも分からないではない。まずその辺りから説明していこう。 統計学の主流派は、「頻度分析」と呼ばれるものだ。これは、とても分かりやすい。同じ条件でたくさん実験や試行を繰り返して、その結果を元に確率を導き出す、というものだ。例えば、重心の位置から外れた場所に重りを埋め込んだサイコロのことを考えてみよう。このサイコロは、1～6の数字
0からはじめたベイズ統計モデリング
この記事は、ベイズ塾Advent Calender2020 17日目の記事です。 本記事では、全くStanもRも使えない状態から2年くらい勉強してきました。この機会に(?)これまでどんな感じでベイズ統計モデリングを使って研究してきたかまとめました。 自分の研究とベイズ統計モデリング 初期: 階層モデルでモデル内のパラメータを推定して個人変数として使用中期: すでにあるモデル同士を自分でとったデータに当てはめて比較今: オリジナルのモデル同士を自分でとったデータに当てはめて比較 初期: 階層モデルでモデル内のパラメータを推定して個人変数として使用 卒論研究で、個人のもつ遅延価値割引率とある変数の相関を見る研究をしました。遅延価値割引とは、ある財をもらえるまでの時間が長くなればなるほどその財の価値が主観的に下がっていく現象です。財をもらえるまでの時間と主観的な価値の関係は関数で表されます。遅延
ベイズ統計
授業の主題と目的 ここでは、慶應義塾大学SFCで開講している「ベイズ統計」の授業と演習に関する資料を、主に履修者向けにまとめています。学外の方などにも自由にご利用頂けますが、各自の責任のもとで利用していただければ幸いです。 近年、自然科学分野だけでなく社会科学分野においても、ベイズ統計の重要性が増していることは論をまたない。この授業では、ベイズ的な推論の考え方や、統計モデルのベイズ推定に関するスキルを身につけることを目的としています。 演習では、フリー統計ソフトのRを用います。
こんにちは，株式会社Nospare・千葉大学の小林です．今回は前回の記事「【論文紹介】ベイズ統計における数値計算の進歩の歴史（前編：1763年から20世紀まで）」に引き続き，Martin, Frazier and Robert (2020)によるベイズ統計における数値計算（Bayesian computation）の進歩の歴史についてまとめた論文`Computing Bayes: Bayesian computation from 1763 to the 21st Century（arXivのリンク）'について紹介します．本記事は中編として，論文の中盤部分にあたる21世紀における発展について紹介します． 21世紀：２回目の革命 なぜ２回目が必要だったか？ 20世紀終盤でMCMCによるBayesian computationの手法が台頭し，非常に多くの分野・領域で利用されるようになりました．
慶應義塾大学経済学部附属経済研究所FinTEKセンターは10月11日から、全国の大学生に向けた産学連携のデータサイエンス基礎講座（オンライン）の参加者を募集開始した。参加者は全国の大学から学部・学年を問わず募集している。募集期間は10月31日まで。受講料は無料。 データサイエンス基礎講座より 初学者でも体系的にかつ実践的にデータサイエンスの基礎を学べるように、LMS（ラーニングマネジメントシステム）を活用して構成したオンライン講座。構成は1フェーズ3週間のフェーズを全部で5回、合計3.5カ月間のプログラムになる。 各フェーズでは、統計検定二級程度の知識の習得とPython基礎を学ぶだけでなく、サポーター企業のビジネス実データを扱い、個人・グループワークを通して課題を解決する。ビジネスに不可欠で汎用的な能力も養えるという。 学習内容は、記述統計、確率と確率分布、区間推定、仮説検定、回帰分析、
QDくん@Python/機械学習/データサイエンス/プログラミング on Twitter: "何でも載ってる線形代数の公式集 https://t.co/cUMe0kPuNY ベクトルの微分、一般化逆行列、ブロック行列、等々が網羅されている。 機械学習やベイズ統計モデリングの文献を読むのに重宝しそう。 https://t.co/SLESDr97y4"
何でも載ってる線形代数の公式集 https://t.co/cUMe0kPuNY ベクトルの微分、一般化逆行列、ブロック行列、等々が網羅されている。 機械学習やベイズ統計モデリングの文献を読むのに重宝しそう。 https://t.co/SLESDr97y4
こんにちは，株式会社Nospare・千葉大学の小林です．今回はMartin, Frazier and Robert (2020)によるベイズ統計における数値計算（Bayesian computation）の進歩の歴史についてまとめた論文`Computing Bayes: Bayesian computation from 1763 to the 21st Century（arXivのリンク）'について紹介します．本記事は前編として，論文の前半部分にあたる1763年から20世紀までの発展について紹介します． この論文の狙いはベイズ統計にあまり馴染みのない人に向けて， なぜBayesian computationにはたくさんの方法があるのか？ それらのつながりは？ いつどの手法を使うのか？ などといった問いに対してインサイトを与えるところにあります．そのために共通の記法を用いて歴史に沿ってBa
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
ベイズ統計学を勉強する参考書のフロー - Qiita
日本語で学べるベイズ統計学の教科書10冊 - Qiita
ベイズ統計・ベイズ機械学習を始めよう | AIdrops
ベイズ統計 - HELLO CYBERNETICS
計算機統計学・ベイズ統計学周辺でのお勧めの教科書10冊 - Qiita
ベイズ統計モデリングを使って藤井聡太と全盛期の羽生善治を比べてみた② - ベストモデル
Control as Inference (強化学習とベイズ統計)
［AI・機械学習の数学］正規分布とベータ分布、確率分布とベイズ統計の関係を理解する
A/Bテストの時間短縮に向けて 〜ベイズ統計によるA/Bテスト入門〜 - Gunosyデータ分析ブログ
「RとStanではじめる ベイズ統計モデリングによるデータ分析入門」書評 - nora_goes_far
統計初心者がベイズ統計学に入門するまでの勉強法 - Qiita
PyStan / PyMC3 でベイズ統計モデリング - Qiita
ベイズ統計でKaggleを解いてみる - Qiita
ベイズ統計学入門 〜頻度主義からベイズ主義へ〜
『社会科学のためのベイズ統計モデリング』を出版しました | Sunny side up!
「ベイズ統計は主観確率を扱っている」というあまりにも無意味すぎる主張について｜複素 数太郎
ベイズ統計学に関する議論を整理する - hidekatsu-izuno 日々の記録
Amazon.co.jp: 実践Data Scienceシリーズ RとStanではじめる ベイズ統計モデリングによるデータ分析入門 (KS情報科学専門書): 馬場真哉: 本
競走馬の「強さ」をベイズ統計モデリングで推定する - walkingsdbgの日記
Pythonで実装する「RとStanではじめるベイズ統計モデリングによるデータ分析入門」 - Qiita
それはベイズ統計学ではなくて、言わば情報量規準主義ですよ
Pythonで実装するアヒル本「StanとRでベイズ統計モデリング」 - Qiita
人間の直感を信じる「ベイズ統計学」が科学者からdisられまくったわけ | 本がすき。
Amazon.co.jp: しくみがわかるベイズ統計と機械学習: 手塚太郎: 本
【論文紹介】ベイズ統計における数値計算の進歩の歴史（中編：21世紀） - Qiita
Pythonデータ分析基礎やベイズ統計など無償のデータサイエンス基礎講座、学生から参加者募集 | Ledge.ai
【論文紹介】ベイズ統計における数値計算の進歩の歴史（前編：1763年から20世紀まで） - Qiita
www.paddock-gp.com
news.yahoo.co.jp
www.as-web.jp
pocket.shonenmagazine.com
jp.motorsport.com
www.nikkei.com