【ベイズ統計モデリング#2】MCMC法

Подписаться 8 тыс.

Просмотров 14 тыс.

50% 1

【誤植】1-rate → rate
ベイズ統計モデリングのおすすめの書籍は以下のリンクから！
tatsukioike.co...
今後の授業予定↓↓↓🔻🔻👇
第1回ベイズ統計モデリング概要
• 【ベイズ統計モデリング#1】概要
第2回 MCMC法
• 【ベイズ統計モデリング#2】MCMC法
第3回 MCMCサンプルの扱い
• 【ベイズ統計モデリング#3】MCMCサンプル...
第4回一般化線形モデル（GLM）の概要
• 【ベイズ統計モデリング#4】一般化線形モデル...
第5回単回帰モデル
• 【ベイズ統計モデリング#5】単回帰モデル
第6回分散分析モデル
• 【ベイズ統計モデリング#6】分散分析モデル
第7回重回帰モデル
• 【ベイズ統計モデリング#7】重回帰モデル
第8回ポアソン回帰モデル
• 【ベイズ統計モデリング#8】ポアソン回帰
第9回ロジスティック回帰モデル
• 【ベイズ統計モデリング#9】ロジスティック回...
第10回一般線形混合モデル（GLMM）の概要
• 【ベイズ統計モデリング#10】一般線形混合モ...
第11回ランダム切片モデル1
• 【ベイズ統計モデリング#11】ランダム切片モデル
第12回ランダム切片モデル2
• 【ベイズ統計モデリング#12】ランダム切片モデル2
第13回ランダム係数モデル
• 【ベイズ統計モデリング#13】ランダム係数モデル
第14回状態空間モデルの概要
• 【ベイズ統計モデリング#14】状態空間モデル
第15回ローカルレベルモデル
• Video
第16回時変係数モデル
• 【ベイズ統計モデリング#16】時変係数モデル
第17回ローカル線形トレンドモデル
• 【ベイズ統計モデリング#17】ローカル線形ト...
第18回周期性のモデル化
• 【ベイズ統計モデリング#18】周期性のモデル化
第19回動的一般化線形モデル（ベルヌーイ分布）
• 【ベイズ統計モデリング#19】動的一般化線形...
第20回動的一般化線形モデル（ポアソン分布）
• 【ベイズ統計モデリング#20】動的一般化線形...
SNS
データサイエンス研究所 : / @dken
twitter : / dken_ta
ブログ : tatsukioike.com
github : github.com/Tat...
Song: Diviners & Azertion - Feelings [NCS Release]
Music provided by NoCopyrightSounds
Free Download/Stream: NCS.io/DAFeelings
Watch: • Diviners & Azertion - ...
#ベイズ統計モデリング
#MCMC法
#理系大学生

Опубликовано:

13 окт 2024

Ссылка:

Скачать:

Готовим ссылку...

Добавить в:

Мой плейлист

Посмотреть позже

Комментарии : 23

@rdbubb 10 месяцев назад

超分かりやすいです🎉

@kineo68 11 месяцев назад

これ見て概要がわかりました

@岩山唯希 3 года назад

初学者でも大変わかりやすい内容で、助かります🙏 ノンパラメトリックも見たいです！

@dken 3 года назад

コメントありがとうございます！！ノンパラメトリックはだいぶ後になるかもしれません😭

@岩山唯希 3 года назад

@@dken ありがとうございます、授業で数式だけで付いてくの大変だったので、お待ちしております🙏🙏🙏

@ひろゆうまさ 3 года назад

直感的によくわかる動画で大変参考になりました。ありがとうございます。 MH法の「rate

@dken 3 года назад

コメントありがとうございます！ rateでした😅

@dyjiang1350 2 года назад

すごくわかりやすいです！

@dken 2 года назад

ありがとうございます！

@maron4649hello Год назад

MCMC法もすごいけど、たつきさんも負けてないわ。説明が超絶分かり易い。

@dken Год назад

ありがとうございます😭

@ryuryu6011 6 месяцев назад

いつもお世話になっております！質問が2つほどあります。質問① 「rate < 1の場合、θをrateの確率でサンプルとして採用する」とありますが、なぜこのような原理なのでしょうか。当然、rate 1の場合、θをサンプルとして採用する」とありますが、これはなぜですか？ rate > 1は、当然θ'の存在確率kernel(θ')の値の方が大きいということだと思いますが、その場合θ'をサンプルとして採用するべきではないのでしょうか。。。自分の根本的な誤解からきている質問だったら、申し訳ございません... よろしくお願いいたします！

@koro123 2 года назад

わかりやすかったです。

@dken 2 года назад

ありがとうございます😁

@-il3zv6bt7c Год назад

おすすめの書籍リンク先の内容で、1-1の一般化線形混合モデルの部分が '一般河川系混合モデル'となってますよ

@dken Год назад

ご指摘ありがとうございます！

@doggy9745 3 года назад

おそらく僕、壮大な誤解をしてると思うのですが、事後分布を求めるために尤度関数で更新した事前分布からサンプリングすると思うのですが、なぜ更新した事前分布を直接使わずそこからサンプルを取るのでしょうか？更新した事前分布を事後分布としたときそれを何に近似するんでしょうか。。このとんでもない誤解を解いてくださると幸いです。。笑ごめんなさい笑

@dken 3 года назад

コメントありがとうございます！ MCMC法難しいですよね😅 以下が解説です↓ 大前提として、MCMC法自体はp(x)を解析的に求められない時に事後分布を近似で求めるための手法です！ MCMC法では、p(x)を省いて考えます。しかし、p(x)を省いてしまうと、全ての変数に対しての和が1にならずに確率分布として成立しません。ゆえに、尤度と事前分布の積からサンプルさせて、規格化することで事後分布を近似します。

@doggy9745 3 года назад

@@dken かなりスッキリしました！！ありがとうございました。！！

@ph4746 3 года назад

rate>1ならθを採用して、rate

@dken 3 года назад

コメントありがとうございます！例えばrate＝0.7だった場合、0.7の確率でサンプルとして認め、0.3の確率でサンプルとして認めない。ということです！

@proxyme3628 Год назад

よくある「MCMCステップ１、２、３、４、５。。。」で具体的に何を求めるのに使われるのか、どんな場面で使われるのか、どうして解析的に微積分だけで求められないのかが全く無いので、やり方だけ知ってもなーで終わります。残念。具体的な事後分布の例とか出していただけると助かります。例えば来年の地球の気温上昇の期待値を求めるモデルはこんなで、今から数千万ステップのアップデート行った後の事後分布はこんなになる観じなので、その分布から求められる期待値の気温上昇はこれこれとか。

@dken Год назад

なるほど… 参考になります！