このような性質を用いて、#ベイズ推論 は、自動車の #自動運転 などに用いられていますし、観測数が少ない場合などに威力を発揮します。須山、ベイズ推論による機械学習入門、講談社には2つの袋に入った赤玉と白玉を使った例が分かりやすく説明されています。 pic.twitter.com/yzL5GAhhdk

#ベイズ推論 では、原因xから結果yが得られる確率p(y|x)から、結果yが得られた原因xの確率p(x|y) ( #事後分布 )を逆算します。あらかじめ原因xの確率p(x) ( #事前分布 )が分かっていれば、xかつyである確率p(x,y) ( #同時分布 )はp(y|x)p(x)で求められます。 pic.twitter.com/zgrUuIlPpE

#機械学習 では、原因xから結果yを予測するために、学習データを使って関数f(x)をフィットします。しかし、関数f(x)は必ずしもデータの背後にあるメカニズムを反映しているとは限らないためf(x)から何かを考察するのは困難です。そのような場合には #ベイズ推論 が便利です。

夜はひたすらベイズ推論のコーディングをゴリゴリ進めながら、なんとか読了しました😌手を付け始めてから、結構な時間がかかってしまったけど、推論の流れをしっかりと掴めたのと、ベイズ統計のエッセンスが凝縮された超オススメの書籍です😎👍 今持っている課題に活用してみます👨‍💻 #ベイズ推論 pic.twitter.com/Bzh5j4r22Y

5章まで終わった。あと1章 #ベイズ推論 #機械学習 pic.twitter.com/6NrbBhviMp

朝から研究＆ベイズに没頭して一区切りついたので帰宅🏠論文1本とデータ解析、進捗作成、ベイズは、階層ベイズモデル、潜在変数モデルとひたすらプログラミングを進めた結果、第5章が終了😌自由自在に扱えるよう引き続き精進しまっす😎💪GWでPyスラベイ本を終わらせるよ😤✊ #深層学習 #ベイズ推論

Pyスラベイ本、【5.2 線形回帰のベイズ推論】に取り組みました👨‍💻奥が深い🤔 ここまでゴリゴリとコードを書きまくったので、だいぶ推論手順が身に付いてきました🦍👍明日からのGWは必要データの洗い出しと論文を読み込みながら、ベイズ推論の導入を考える＆研究を進めてまいります😎💪 #ベイズ推論