スパースモデリング

python

保護中: 強化学習に対するニューラルネットワークの適用 価値評価に深層学習を適用するDeep Q-Network

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用される強化学習に対するニューラルネットワークの適用 価値評価に深層学習を適用するDeep Q-Network(Prioritized Replay、Multi-step Learning、Distibutional RL、Noisy Nets、Double DQN、Dueling Network、Rainbow、GPU、Epsilon-Greedy法、optimizer、報酬のClipping、Fixed Target Q-Network、Experience Replay、平均二乗誤差、mean squared error、TD誤差、PyGame Learning Enviroment、PLE、OpenAI Gym、CNN)
アルゴリズム:Algorithms

保護中: バッチ型確率的最適化 – 確率的双対座標降下法

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用されるバッチ型確率的最適化としての確率的双対座標降下法のアルゴリズム(ネステロフの可測法、SDCA、ミニバッチ、計算時間、バッチ近接勾配法、最適解、作用素ノルム、最大固有値、フェンシェルの双対定理、主問題、双対問題、近接写像、平滑化ヒンジ損失、オンライン型確率的最適化、エラスティックネット正則化、リッジ正則化、ロジスティック損失、ブロック座標降下法、バッチ型確率的最適化)
アルゴリズム:Algorithms

保護中: 何がスパース性を誘発して、どのような問題にスパース性は適しているのか?

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用されるスパース学習に対する何がスパース性を誘発して、どのような問題にスパース性は適しているのか?について(交互方向乗数法、スパース正則化、主問題、双対問題、双対拡張ラグランジュ法、DAL法、SPAMS、sparse modeling software、バイオインフォマティス、画像雑音除去、アトミックノルム、L1ノルム、トレースノルム、非ゼロ要素の数)
アルゴリズム:Algorithms

データの幾何学的アプローチ

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用されるデータの幾何学的アプローチ(物理学、量子情報、オンライン予測、ブレグマン・ダイバージェンス、フィッシャー情報行列、ベーテ自由エネルギー関数、ガウシアングラフィカルモデル、半正定値計画問題、正定値対称行列、確率分布、双対問題、トポロジカル、柔らかい幾何学、位相幾何学、量子情報幾何、ワッサースタイン幾何、ルピナー幾何、統計幾何学)
グラフ理論

保護中: 正定値行列の情報幾何(1)双対的な幾何構造の導入

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用される正定値行列の情報幾何としての双対的な幾何構造の導入(リーマン計量、接ベクトル空間、半正定値計画問題、自己平衡性、レビ-チビタ接続、リーマン幾何、測地線、ユークリッド幾何、∇-測地線、接ベクトル、テンソル量、双対平坦性、正定値行列集合)
Clojure

Hierarchical Temporal Memory (階層型時間メモリ)とClojure

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用される階層型時間メモリとClojureによる疎分散表現を使った深層学習
アルゴリズム:Algorithms

連続最適化の基本事項 – 微積分・線形代数の基礎

連続最適化の基本事項 - 微積分・線形代数の基礎(テイラーの定理、ヘッセ行列、ランダウの記号、リプシッツ連続、リプシッツ定数、陰関数定理、ヤコビ行列、対角行列、固有値、非負定値行列、正定値行列、部分空間、射影、1ランク更新、自然勾配法、準ニュートン法、シャーマン・モリソンの公式、ノルム、ユークリッドノルム、p-ノルム、シュワルツの不等式、ヘルダーの不等式、行列空間上の関数)
アルゴリズム:Algorithms

保護中: ガウス過程の計算法(2)変分ベイズ法と確率的勾配法

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用される確率的生成モデルの応用であるガウス過程モデルの変分ベイズ法と確率的勾配法を用いた計算(カルバックライブラー情報量、イエンセンの不等式、エビデンス下界関数、ミニバッチ法、エビデンス下界、変分事後分布、エビデンス変分下界)
python

GPy – Pythonを用いたガウス過程のフレームワーク

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用される確率的生成モデルの応用であるガウス過程のPythonを用いた実装であるGPy(ガウス回帰問題,補助変数法,スパースなガウス回帰,Bayesian GPLVM,ガウス過程による潜在変数モデル)
Clojure

Clojureでのガウス過程の実装

デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習(ML)タスクに活用される確率的生成モデルの拡張として、fastmathを用いたClojureでのガウス過程の実装
モバイルバージョンを終了
タイトルとURLをコピーしました