35 ¥3, 000~¥3, 999 安曇野市で昭和の時代から続く名店。地元食材を使った信州ならではの料理が食べられるそうです。 2階建ての店舗で、1階はテーブル席やカウンター席、小上がり席があり、2階は宴会用の広いスペースが設けられているとのこと。広くて居心地が良さそうですね。 「チャーシューメン」は、上質な豚ばら肉を秘伝の醤油ダレで煮た「小柴屋チャーシュー」が、たっぷり味わえる一品。 豚骨、鶏ガラ、野菜ベースのスープで醤油味だそう。あっさりだけどコクがある美味しさとのこと。 安曇野の清冽な水で育てられた信州サーモンの美味しさを堪能できるという「信州サーモン丼」。きめ細かく肉厚な身が特徴なのだとか。くせがなく、魚の匂いが苦手な人にもおすすめとのこと。 「信州サーモン特製づけ丼」もあり。味噌汁、漬物、小鉢、煎茶付き。 信州サーモン、舌触りがねっとりとしていて脂が乗ってる。うーん、美味い。これ、ビールもいいけどワインと合わせたいなぁとなりビールを飲み干す前に白ワインのハーフを。信州サーモン美味しい。 谷川山系さんの口コミ ラーメンは、いわゆる昭和の味の優しさがあり、ちょっと甘めな感じです。(スープの野菜の甘みかな? )ストレートの麺は、私好みの程良い硬さで、(隣のおじさんは、麺柔らかめで注文していました。)ツルツルと入ります。メンマ、チャーシュウ共に及第点です。 Macのオッサンさんの口コミ 3. 16 - jiroshinさん 安曇野市豊科に昔からある、地元に根ざしたラーメン屋さん。醤油ラーメンをはじめ、味噌、塩、担々麺ほか、チャーハン、餃子などの中華メニューが一通り楽しめるようです。 店内は広く、テーブル席、小上がり席、カウンター席合わせて全40席あるそうです。 味噌の香りと奥深い味が楽しめるという「味噌ラーメン」には、もっちり食感の中細ちぢれ麺を合わせているそう。もやし、細かくカットされたトマト、ニラなどの具材にコーンがトッピングされているとのこと。 味噌スープは、あっさりめの味わいだそう。 「チャーシューメン」のスープは、動物系に魚介の風味が加わって、あっさりでもコクがある味わいなのだとか。肉厚でやわらかいチャーシューは食べ応えもあるとのこと。 ナルトが昔ながらなイメージを醸していますね。写真は「チャーシュー麺大盛」。 平日のお昼の利用でしたが、注文から約5分での提供です。これは嬉しいですよね。味噌ラーメンはもやし、にら、ひき肉などの具がたっぷりのっています。麺は細めの縮れ麺。スープはあっさりとした味噌スープです。とても美味しいです。 辛味噌ラーメンがおすすめらしいので注文。でかい器です。ピリッと辛く最後まで熱々スープを堪能。味噌ラーメンの評価って難しいです。ご馳走さま!
是非ご賞味ください。 タマおすすめごちそうバーガーショップ② 「トミーズ」(諫早市) まずはこちら諫早市にあります「トミーズ」さんです! ここ「トミーズ」さんは諫早市民なら誰でも知る1981年創業のハンバーガーショップです。 諫早ではまだマクドナルドができる前より先にオープンしていて、人生最初のハンバーガーはトミーズ!という方も多いです。 トミーズさんのハンバーガーの特徴は、手作りで素朴な優しいハンバーガーです。バンズはフワッ、モチっと柔らかな食感で、小麦のほんのりとした甘さを感じます。 そしてパティは塊肉をお店で挽いて形成するそうです。 そしてなかでもお店一押しの「厚切りベーコンの長崎和牛バーガー」(680円)はパティに長崎和牛をなんとつなぎなしで使用しており、ギュンギュンの凝縮したお肉の旨味を味わえます。 ベーコンの厚みもえぐい♪♪ セットメニューも豊富で、兄弟店がクレープハウスもあることからクレープメニュ―も豊富です。店内では教科書を広げる学生さんの姿も見られます。地域密着店として長く諫早市民に愛されてきた名店です。 タマおすすめごちそうバーガーショップ③「ノイズ アル ダイナー」(諫早市) そして最後に満を持してご紹介するのはこちら! 諫早市にあります「ノイズ アル ダイナー」さんです。 こちらのお店2017年開業と、比較的まだ新しいお店なのですが本格的なアメリカンダイナーズバーガーを食べられると評判です。 お店も路地裏のようなところにあり、アメリカン雑貨で彩られた店内は、本場のダイナーを思わせポップな楽しい気分になります。 そんな「ノイズアルダイナー」さんですが、なかでもたまイチオシのメニューは「ベーコンチーズバーガー」です! みてくださいこの顎が外れんばかりのおおきさ!持ってみるとさらにズシっとボリュームを感じます。食べる前から満足感が予測できます。 さらにボリュームだけではありません。こちら「ノイズアルダイナー」さんはバンズも自家製で、外はカリっと焼き上げ中はしっとり。生地にも甘みを感じます。 そしてパテはなんと炭火焼。肉厚な手捏ねパテを炭火で香ばしく焼き上げてありますので、あふれ出る肉汁が凄い! さらにさらに厚切りベーコンまでが自家製というではありませんか!スモークの香りが立っています。 お値段は1000円以上と少々張りますが、こだわりが詰まった唯一無二なハンバーガーの前では高いとさえ思いませんよ。 軽食というかむしろディナーだね♪ 店にはほかにもBBQアボカドバーガーや、チリビーンズバーガーなど魅惑的バーガーもあります。 是非一度食べていただきたい本格的グルメハンバーガーです タマのおすすめポイントと総評 今回はたまおすすめのごちそうバーガーご紹介しましたが、いかがでしたか?
0. 背景 勉強会で、1年かけて「 言語処理のための機械学習入門 」を読んだので、復習も兼ねて、個人的に振り返りを行いました。その際のメモになります。 細かいところまでは書けませんので、大雑把に要点だけになります。詳しくは本をお読みください。あくまでレジュメ、あるいは目次的なものとしてお考え下さい。 間違いがある場合は優しくご指摘ください。 第1版は間違いも多いので、出来る限り、最新版のご購入をおすすめします。 1. Amazon.co.jp: 言語処理のための機械学習入門 (自然言語処理シリーズ) : 高村 大也, 学, 奥村: Japanese Books. 必要な数学知識 基本的な数学知識について説明されている。 大学1年生レベルの解析・統計の知識に自信がある人は読み飛ばして良い。 1. 2 最適化問題 ある制約のもとで関数を最大化・最小化した場合の変数値や関数値を求める問題。 言語処理の場合、多くは凸計画問題となる。 解析的に解けない場合は数値解法もある。 数値解法として、最急勾配法、ニュートン法などが紹介されている。 最適化問題を解く方法として有名な、ラグランジュ乗数法の説明がある。この後も何度も出てくるので重要! とりあえずやり方だけ覚えておくだけでもOKだと思う。 1.
分類で出てくるので重要! 1. 2, 1. 3の補足 最尤推定の簡単な例(本書とは無関係) (例)あるコインを5回投げたとして、裏、表、裏、表、表と出ました。このコインの表が出る確率をpとして、pを推定せよ。 (解答例)単純に考えて、5回投げて3回表が出るのだから、$p = 3/5$である。これを最尤推定を用いて推定する。尤度$P(D)$は P(D) &= (1 - p) \times p \times (1-p) \times p \times p \\ &= p^3(1-p)^2 $P(D) = p^3(1-p)^2$が0から1の間で最大となるpを求めれば良い。 そのまま微分すると$dP(D)/dp = p^2(5p^2 - 8p + 3)$ 計算が大変なので対数をとれば$log(P(D)) = 3logp + 2log(1-p)$となり、計算がしやすくなる。 2. 文書および単語の数学的表現 基本的に読み物。 語句の定義や言語処理に関する説明なので難しい数式はない章。 勉強会では唯一1回で終わった章。 3. 言語処理のための機械学習入門 / 奥村 学【監修】/高村 大也【著】 - 紀伊國屋書店ウェブストア｜オンライン書店｜本、雑誌の通販、電子書籍ストア. クラスタリング 3. 2 凝集型クラスタリング ボトムアップクラスタリングとも言われる。 もっとも似ている事例同士を同じクラスタとする。 類似度を測る方法 単連結法 完全連結法 重心法 3. 3 k-平均法 みんな大好きk-means 大雑把な流れ 3つにクラスタリングしたいのであれば、最初に適当に3点(クラスタの代表点)とって、各事例がどのクラスタに属するかを決める。(類似度が最も近い代表点のクラスタに属するとする) クラスタの代表点を再計算する(重心をとるなど) 再度各事例がどのクラスタに属するかを計算する。 何回かやるとクラスタに変化がなくなるのでクラスタリング終わり。 最初の代表点の取り方によって結果が変わりうる。 3. 4 混合正規分布によるクラスタリング k-平均法では、事例が属するクラスタは定まっていた。しかし、クラスタの中間付近に存在するような事例においては、代表点との微妙な距離の違いでどちらかに分けられてしまう。混合正規分布によるクラスタリングでは、確率的に所属するクラスタを決める。 例えば、ある事例はAというクラスタに20%の確率で属し、Bというクラスタに80%の確率で属する・・など。 3. 5 EMアルゴリズム (追記予定) 4. 分類 クラスタリングはどんなクラスタができるかは事前にはわからない。 分類はあらかじめ決まったグループ(クラス)に分けることを分類(classification, categorization)と呼ぶ。クラスタリングと分類は異なる意味なので注意する。 例) 単語を名詞・動詞・形容詞などの品詞に分類する ここでの目的はデータから自動的に分類気を構築する方法。 つまり、ラベル付きデータ D = {(d (1), c (1)), (d (2), c (2)), ・・・, (d (|D|), c (|D|))} が与えられている必要がある。(教師付き学習) 一方、クラスタリングのようにラベルなしデータを用いて行う学習を教師無し学習とよぶ。 4.
2 ナイーブベイズ分類器 $P(c|d)$を求めたい。 $P(c|d)$とは、文書$d$の場合、クラスがcである確率を意味する。すなわち、クラスが$c^{(1)}, c^{(2)}, c^{(3)}$の3種類あった場合に、$P(c^{(1)}|d)$, $P(c^{(2)}|d)$, $P(c^{(3)}|d)$をそれぞれ求め、文書dは確率が一番大きかったクラスに分類されることになる。 ベイズの定理より、 $$ P(c|d) = \frac{P(c)P(d|c)}{P(d)} $$ この値が最大となるクラスcを求めるわけだが、分母のP(d)はクラスcに依存しないので、$P(c)P(d|c)$を最大にするようなcを求めれば良い。 $P(d|c)$は容易には計算できないので、文書dに簡単化したモデルを仮定して$P(d|c)$の値を求める 4.
自然言語処理における機械学習の利用について理解するため,その基礎的な考え方を伝えることを目的としている。広大な同分野の中から厳選された必須知識が記述されており,論文や解説書を手に取る前にぜひ目を通したい一冊である。 1. 必要な数学的知識 1. 1 準備と本書における約束事 1. 2 最適化問題 1. 2. 1 凸集合と凸関数 1. 2 凸計画問題 1. 3 等式制約付凸計画問題 1. 4 不等式制約付凸計画問題 1. 3 確率 1. 3. 1 期待値,平均,分散 1. 2 結合確率と条件付き確率 1. 3 独立性 1. 4 代表的な離散確率分布 1. 4 連続確率変数 1. 4. 1 平均,分散 1. 2 連続確率分布の例 1. 5 パラメータ推定法 1. 5. 1 i. i. d. と尤度 1. 2 最尤推定 1. 3 最大事後確率推定 1. 6 情報理論 1. 6. 1 エントロピー 1. 2 カルバック・ライブラー・ダイバージェンス 1. 3 ジェンセン・シャノン・ダイバージェンス 1. 4 自己相互情報量 1. 5 相互情報量 1. 7 この章のまとめ 章末問題 2. 文書および単語の数学的表現 2. 1 タイプ,トークン 2. 2 nグラム 2. 1 単語nグラム 2. 2 文字nグラム 2. 3 文書,文のベクトル表現 2. 1 文書のベクトル表現 2. 2 文のベクトル表現 2. 4 文書に対する前処理とデータスパースネス問題 2. 1 文書に対する前処理 2. 2 日本語の前処理 2. 3 データスパースネス問題 2. 5 単語のベクトル表現 2. 1 単語トークンの文脈ベクトル表現 2. 2 単語タイプの文脈ベクトル表現 2. 6 文書や単語の確率分布による表現 2. 7 この章のまとめ 章末問題 3. クラスタリング 3. 1 準備 3. 2 凝集型クラスタリング 3. 3 k-平均法 3. 4 混合正規分布によるクラスタリング 3. 5 EMアルゴリズム 3. 6 クラスタリングにおける問題点や注意点 3. 7 この章のまとめ 章末問題 4. 分類 4. 1 準備 4. 2 ナイーブベイズ分類器 4. 1 多変数ベルヌーイモデル 4. 2 多項モデル 4. 3 サポートベクトルマシン 4. 『言語処理のための機械学習入門』｜感想・レビュー - 読書メーター. 1 マージン最大化 4. 2 厳密制約下のSVMモデル 4.
4 連続確率変数 連続確率分布の例 正規分布(ガウス分布) ディレクレ分布 各値が互いに近い場合、比較的高い確率を持ち、各値が離れている(偏っている)場合には非常に低い確率を持つ分布。 最大事後確率推定(MAP推定)でパラメータがとる確率分布として仮定されることがある。 p(\boldsymbol{x};\alpha) = \frac{1}{\int \prod_i x_i^{\alpha_i-1}d\boldsymbol{x}} \prod_{i} x_i^{\alpha_i-1} 1. 5 パラメータ推定法 データが与えられ、このデータに従う確率分布を求めたい。何も手がかりがないと定式化できないので、大抵は何らかの確率分布を仮定する。離散確率分布ならベルヌーイ分布や多項分布、連続確率分布なら正規分布やポアソン分布などなど。これらの分布にはパラメータがあるので、確率分布が学習するデータにもっともフィットするように、パラメータを調整する必要がある。これがパラメータ推定。 (補足)コメントにて、$P$と$p$の違いが分かりにくいというご指摘をいただきましたので、補足します。ここの章では、尤度を$P(D)$で、仮定する確率関数(ポアソン分布、ベルヌーイ分布等)を$p(\boldsymbol{x})$で表しています。 1. 5. 1. i. d. と尤度 i. とは独立に同一の確率分布に従うデータ。つまり、サンプルデータ$D= { x^{(1)}, ・・・, x^{(N)}}$の生成確率$P(D)$(尤度)は確率分布関数$p$を用いて P(D) = \prod_{x^{(i)}\in D} p(x^{(i)}) と書ける。 $p(x^{(i)})$にベルヌーイ分布や多項分布などを仮定する。この時点ではまだパラメータが残っている。(ベルヌーイ分布の$p$、正規分布の$\sigma$、ポアソン分布の$\mu$など) $P(D)$が最大となるようにパラメーターを決めたい。 積の形は扱いにくいので対数を取る。(対数尤度) 1. 2. 最尤推定 対数尤度が最も高くなるようにパラメータを決定。 対数尤度$\log P(D) = \sum_x n_x\log p(x)$を最大化。 ここで$n_x$は$x$がD中で出現した回数を表す。 1. 3 最大事後確率推定(MAP推定) 最尤推定で、パラメータが事前にどんな値をとりやすいか分かっている場合の方法。 事前確率も考慮し、$\log P(D) = \log P(\boldsymbol{p}) + \sum_x n_x\log p(x)$を最大化。 ディリクレ分布を事前分布に仮定すると、最尤推定の場合と比較して、各パラメータの値が少しずつマイルドになる(互いに近づきあう) 最尤推定・MAP推定は4章.
3 緩和制約下のSVMモデル 4. 4 関数距離 4. 5 多値分類器への拡張 4. 4 カーネル法 4. 5 対数線形モデル 4. 1 素性表現の拡張と対数線形モデルの導入 4. 2 対数線形モデルの学習 4. 6 素性選択 4. 1 自己相互情報量 4. 2 情報利得 4. 7 この章のまとめ 章末問題 5. 系列ラベリング 5. 1 準備 5. 2 隠れマルコフモデル 5. 1 HMMの導入 5. 2 パラメータ推定 5. 3 HMMの推論 5. 3 通常の分類器の逐次適用 5. 4 条件付確率場 5. 1 条件付確率場の導入 5. 2 条件付確率場の学習 5. 5 チャンキングへの適用の仕方 5. 6 この章のまとめ 章末問題 6. 実験の仕方など 6. 1 プログラムとデータの入手 6. 2 分類問題の実験の仕方 6. 1 データの分け方と交差検定 6. 2 多クラスと複数ラベル 6. 3 評価指標 6. 1 分類正解率 6. 2 精度と再現率 6. 3 精度と再現率の統合 6. 4 多クラスデータを用いる場合の実験設定 6. 5 評価指標の平均 6. 6 チャンキングの評価指標 6. 4 検定 6. 5 この章のまとめ 章末問題 付録 A. 1 初歩的事項 A. 2 logsumexp A. 3 カルーシュ・クーン・タッカー(KKT)条件 A. 4 ウェブから入手可能なデータセット 引用・参考文献 章末問題解答 索引 amazonレビュー 掲載日:2020/06/18 「自然言語処理」27巻第2号(2020年6月)