41 0 52: 名無し募集中。。。 2021/05/26(水) 21:30:46. 42 0 57: 名無し募集中。。。 2021/05/26(水) 21:32:03. 24 0 三原山噴火 テレビの向こう側の出来事なのに怖かった 60: 名無し募集中。。。 2021/05/26(水) 21:32:59. 55 0 女子高生コンクリート詰め殺人事件 61: 名無し募集中。。。 2021/05/26(水) 21:33:12. 85 0 62: 名無し募集中。。。 2021/05/26(水) 21:33:14. 86 0 63: 名無し募集中。。。 2021/05/26(水) 21:34:19. 26 0 67: fusianasan 2021/05/26(水) 21:35:48. 33 0 71: 名無し募集中。。。 2021/05/26(水) 21:36:09. 60 0 いつかコロナ禍も語り継がれていくんだろうなあ 74: 名無し募集中。。。 2021/05/26(水) 21:36:37. 11 0 79: 名無し募集中。。。 2021/05/26(水) 21:38:11. 17 0 日航機墜落事故だっけ女の子が生きてたの 墜落したのに生きてたから覚えてる 82: 名無し募集中。。。 2021/05/26(水) 21:40:40. 69 0 グリコ森永事件だけど子供の頃報道番組とか興味無くイマイチ記憶にない 関心を持ったのは酒鬼薔薇とかオウム関連だな 84: 名無し募集中。。。 2021/05/26(水) 21:42:19. 02 0 地下鉄サリン事件 松本サリン事件 麻原彰晃らオウム幹部逮捕 オウム真理教改めアレフに改名 88: fusianasan 2021/05/26(水) 21:48:28. 00 0 1980生まれだけど、子供ながらに若王子さんはよく覚えてる 89: 名無し募集中。。。 2021/05/26(水) 21:48:37. 63 0 岡田有希子飛び降り自殺 91: 名無し募集中。。。 2021/05/26(水) 21:48:47. 16 0 92: 名無し募集中。。。 2021/05/26(水) 21:49:20. 72 0 SOS たーすーけーてーくーれー 94: 名無し募集中。。。 2021/05/26(水) 21:49:59. お前らが子供の頃にリアルタイムで報道されてた重大事件て何？:哲学ニュースnwk. 06 0 沖雅也飛び降り自殺遺書におやじ涅槃で待つ 96: 名無し募集中。。。 2021/05/26(水) 21:50:20.
胎内記憶を覚えているという子どもの話を聞いたことはあったものの、正直半信半疑だった私。面白半分で自分の子どもに聞いてみたところ、胎内記憶以前の?生前記憶を語り出したという体験談です。 息子の3歳の誕生日の前夜、寝かしつけをしていたベッドの上で、以前、友人から聞いた話をふと思い出しました。 誕生日記念のいいネタになるかな?なんて、軽い気持ちでお腹の中にいた頃の話を息子に聞いてみたところ、びっくり仰天! なんと、息子は、生まれる前の記憶をしゃべり始めたのです。 「僕はね、赤ちゃんがいっぱいいる赤ちゃんの国にいたの。」 「そこでね、誰かにママを選んでいいよって言われてね、それでママを見つけたの。」 想定外の息子の返答に正直驚きながらも、その話の続きが気になって仕方がなくなりました。 そこで、赤ちゃんの国がどんなところだったのか、どうやって私を見つけたのか、さらに息子に聞いてみました。 「赤ちゃんの国はね、お空にあるの」 「そこでは、みんな裸なの!」 その当時の様子が目に浮かぶらしく、思わず「裸」に反応して笑い出す息子。 「でもね、あったかくて、とっても気持ちがいいんだよ」 まるで、赤ちゃんの国でそうしていたかのように、息子はベッドの上をコロコロと寝転がって話し続けます。 「そこではね、上からママたちのことを見てるの」 「いっぱいママたちがいるんだよ」 「でもね、僕はすぐにママを見つけられたの!」 神様の存在だけは何となく信じている私は、どんな人だったのか気になって質問をしてみました。 「神様って?」 しかし、「神様」がどんな人なのか分からない息子からは、逆に「神様」とは誰なのかを聞かれるという堂々巡りに。 おじいちゃん?それとも、女神様みたいな綺麗な女の人?
18 ID:0 新倉イワオ 日本人なのにイワオって名前なのが子供の時に理解できなくて怖かった 129: 名無し募集中。。。 :2013/11/12(火) 04:39:44. 99 ID:0 エイリアンが腹突き破って出てくるシーン 134: 名無し募集中。。。 :2013/11/12(火) 04:46:20. 04 ID:0 カマキリの体内から出てくる奴 あれって年伝説とかじゃなくてまじで寄生虫なのか 138: 名無し募集中。。。 :2013/11/12(火) 04:49:44. 01 ID:0 角川映画 この子の七つのお祝いにのCM 139: 名無し募集中。。。 :2013/11/12(火) 04:50:18. 10 ID:0 ゴキブリをゾンビ化させて頭を操る蜂 グロ平気ならつべで「エメラルドゴキブリバチ」探してくれ 142: 名無し募集中。。。 :2013/11/12(火) 04:56:02. 13 ID:0 双子師 143: 名無し募集中。。。 :2013/11/12(火) 04:56:29. 76 ID:0 デビルマンに尽きる いまだにあれはダメだ 144: 名無し募集中。。。 :2013/11/12(火) 04:57:23. 87 ID:0 ガキの頃夜中にたまにやってたサンダーバード カクカク動く感じとか口パクパクして喋ってんのが恐怖でしかなかった 145: 名無し募集中。。。 :2013/11/12(火) 04:57:42. 47 ID:0 うる星やつら マザーグースの唄にならって次々に死んでいく回 最後あたるが発狂する 147: 名無し募集中。。。 :2013/11/12(火) 05:03:22. 46 ID:0 >>145 タイトルわからないか? 150: 名無し募集中。。。 :2013/11/12(火) 05:05:35. 53 ID:0 >>147 第98話 「そして誰もいなくなったっちゃ! ?」 154: 名無し募集中。。。 :2013/11/12(火) 05:14:00. 子供の頃の記憶 幼児健忘. 72 ID:0 鬼太郎EDってこれか 155: 名無し募集中。。。 :2013/11/12(火) 05:16:43. 39 ID:O 赤塚漫画はなんか怖かったって人も多いんだよな 以前そんなレスしたらけっこう同意してくれる人いた 165: 名無し募集中。。。 :2013/11/12(火) 05:36:53.
33 ID:0 エクソシスト 45: 名無し募集中。。。 :2013/11/12(火) 03:20:18. 57 ID:0 ピエロ怖い 47: 名無し募集中。。。 :2013/11/12(火) 03:21:48. 11 ID:0 >>45 ビビらすなよw 46: 名無し募集中。。。 :2013/11/12(火) 03:20:26. 60 ID:0 孔雀王 50: 名無し募集中。。。 :2013/11/12(火) 03:24:13. 68 ID:0 モーターサイクルの男 51: 名無し募集中。。。 :2013/11/12(火) 03:24:47. 68 ID:0 鯨とかシャチとか黒い巨大なものに言い様のない感情を抱いていた 大人になってその感情が畏怖というものだとわかった 52: 名無し募集中。。。 :2013/11/12(火) 03:25:52. 27 ID:0 口裂け女 57: 名無し募集中。。。 :2013/11/12(火) 03:30:41. 38 ID:0 ゴケミドロ ポスターだけでも怖かった 61: 名無し募集中。。。 :2013/11/12(火) 03:35:56. 03 ID:0 ギギギ 63: 名無し募集中。。。 :2013/11/12(火) 03:37:22. 84 ID:0 グリーン姉さん 64: 名無し募集中。。。 :2013/11/12(火) 03:39:04. 93 ID:0 月並みだけどリングかなぁ 浅川と高山が井戸の中に降りた時に貞子の手が腕に絡みついてきたシーンで悲鳴をあげた 66: 名無し募集中。。。 :2013/11/12(火) 03:41:06. 子供の頃の記憶がほとんどない. 09 ID:0 映画シャイニングの双子 構図の勝利というべきか双子が立ってるだけなのに神経に障る怖さがある 68: 名無し募集中。。。 :2013/11/12(火) 03:43:05. 31 ID:0 子供の頃だと古賀新一や日野日出志のマンガかな 怪虫と地獄小僧は床屋で読んでトラウマになった 72: 名無し募集中。。。 :2013/11/12(火) 03:45:23. 52 ID:O 999で鉄郎のかーちゃんが剥製になってんの見た時は涙目になったわ 73: 名無し募集中。。。 :2013/11/12(火) 03:47:27. 57 ID:0 おこりじぞう 226: 名無し募集中。。。 :2013/11/12(火) 07:59:52.
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. 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. 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. 1 マージン最大化 4. 2 厳密制約下のSVMモデル 4.
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の通販/高村 大也/奥村 学 - 紙の本：honto本の通販ストア. 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.
全て表示 ネタバレ データの取得中にエラーが発生しました 感想・レビューがありません 新着 参加予定 検討中 さんが ネタバレ 本を登録 あらすじ・内容 詳細を見る コメント() 読 み 込 み 中 … / 読 み 込 み 中 … 最初 前 次 最後 読 み 込 み 中 … 言語処理のための機械学習入門 (自然言語処理シリーズ) の 評価 49 % 感想・レビュー 27 件
カテゴリ:一般 発行年月:2010.8 出版社: コロナ社 サイズ:21cm/211p 利用対象:一般 ISBN:978-4-339-02751-8 国内送料無料 紙の本 著者 高村 大也 (著), 奥村 学 (監修) 機械学習を用いた言語処理技術を理解するための基礎的な知識や考え方を解説。クラスタリング、分類、系列ラベリング、実験の仕方などを取り上げ、章末問題も掲載する。【「TRC M... もっと見る 言語処理のための機械学習入門 (自然言語処理シリーズ) 税込 3, 080 円 28 pt あわせて読みたい本 この商品に興味のある人は、こんな商品にも興味があります。 前へ戻る 対象はありません 次に進む このセットに含まれる商品 商品説明 機械学習を用いた言語処理技術を理解するための基礎的な知識や考え方を解説。クラスタリング、分類、系列ラベリング、実験の仕方などを取り上げ、章末問題も掲載する。【「TRC MARC」の商品解説】 著者紹介 高村 大也 略歴 〈高村大也〉奈良先端科学技術大学院大学情報科学研究科博士課程修了(自然言語処理学専攻)。博士(工学)。東京工業大学准教授。 この著者・アーティストの他の商品 みんなのレビュー ( 11件 ) みんなの評価 4. 0 評価内訳 星 5 ( 3件) 星 4 星 3 ( 2件) 星 2 (0件) 星 1 (0件)
多項モデル ベルヌーイ分布ではなく、多項分布を仮定する方法。 多変数ベルヌーイモデルでは単語が文書内に出現したか否かだけを考慮。多項モデルでは、文書内の単語の生起回数を考慮するという違いがある。 同様に一部のパラメータが0になることで予測がおかしくなるので、パラメータにディリクレ分布を仮定してMAP推定を用いることもできる。 4. 3 サポートベクトルマシン(SVM) 線形二値分類器。分類平面を求め、区切る。 分離平面が存在した場合、訓練データを分類できる分離平面は複数存在するが、分離平面から一番近いデータがどちらのクラスからもなるべく遠い位置で分けるように定める(マージン最大化)。 厳密制約下では例外的な事例に対応できない。そこで、制約を少し緩める(緩和制約下のSVMモデル)。 4. 4 カーネル法 SVMで重要なのは結局内積の形。 内積だけを用いて計算をすれば良い(カーネル法)。 カーネル関数を用いる。何種類かある。 カーネル関数を用いると計算量の増加を抑えることができ、非線形の分類が可能となる。 4. 5 対数線形モデル 素性表現を拡張して事例とラベルの組に対して素性を定義する。 Why not register and get more from Qiita? We will deliver articles that match you By following users and tags, you can catch up information on technical fields that you are interested in as a whole you can read useful information later efficiently By "stocking" the articles you like, you can search right away Sign up Login
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.