Chapter 3 Probability presented by Pierre Dueck：学習メモ

サンプル用のユーザです。

機械学習関連の学習に使えそうな本や動画を調べ、整理してみました。（なるべくFREEのものを優先しました）

* 尚、ノートの文章は一部を除きAIに書いてもらったもので、正確性はありません。
* ノートにchatGPT等AIに作ってもらった表を貼るには、「マークダウンのコードに変換して」と頼めば書き出してくれるので、ノートを「markdown」編集モードにして、コピペすれば簡単です。

view

sub

board 学習ノート（samp ... folder 学習メモの例（動画） note_LV1 Deep Learn ... note_LV2 Chapter 3 ...

Loading ...

ノート表示（LV2）

Chapter 3 Probability presented by Pierre Dueck：学習メモ LV2 2024/2/9

#### Probability presented by Pierre Dueck

「Deep Learning Chapter 3 Probability presented by Pierre Dueck」は、深層学習の基礎である確率に焦点を当てた講義です。

------

1. **確率の基本概念**:
- 講義はまず、確率の基本的な概念からスタートしました。確率は不確実性を数学的に扱うためのツールであり、事象が起こる確率を表します。
- 確率の尺度、確率の公理、および条件付き確率についての説明が行われました。

2. **確率変数と確率分布**:
- 続いて、確率変数と確率分布に焦点を当てました。確率変数は、ある事象の結果を表す変数であり、確率分布はその変数の取りうる値とそれに対応する確率の分布を示します。
- 離散確率分布（例: ベルヌーイ分布）、連続確率分布（例: 正規分布）など、異なる確率分布の例が紹介されました。

3. **期待値と分散**:
- 期待値と分散は、確率分布の中心傾向とばらつきを示す重要な統計量です。期待値は平均値を表し、分散はデータの散らばり具合を示します。
- 期待値と分散の計算方法および性質について説明がありました。

4. **ベイズの定理**:
- ベイズの定理は、事後確率を計算するための重要なツールです。ベイズの定理を用いることで、事前情報と新たな証拠を組み合わせて事後確率を求めることができます。
- ベイズの定理の基本的な式とその応用例について説明がありました。

5. **確率分布の推定**:
- 確率分布のパラメータをデータから推定する方法について学習しました。最尤推定法やベイズ推定法などが紹介されました。
- パラメータ推定の際に確率密度関数を最大化する手法や、尤度関数の概念について理解が深まりました。

6. **確率と機械学習**:
- 最後に、確率が機械学習にどのように関連しているかについて説明がありました。確率は不確実性を扱う際に重要なツールであり、ベイズ推定や確率的モデルに応用されます。

コメントを書く

ads

Loading ...

学習ノート（sample） board

学習メモの例（動画） folder