保護中: 確率的生成モデルとガウス過程(3)確率分布の表現
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とガウス過程の基礎としての確率分布の標本での表現(重み付きサンプリング、カーネル密度推定、ニューラルネットを用いた分布推定)
基礎
保護中: 確率的生成モデルとガウス過程(2)最尤推定とベイズ推定
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とガウス過程の基礎の為の最尤推定とベイズ推定概要
確率的生成モデルとガウス過程(1)確率モデルの基礎
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)タスクのための確率的生成モデルとガウス過程を理解するための確率モデルの基礎(独立性、条件付き独立性、同時確率、周辺化とグラフィカルモデル)
保護中: 具体例を用いたベイズ推定の概要
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で利用するベイズ推定の基礎(交換可能性、デ・フィネッティの定理、共役事前分布、事後分布、周辺尤度等)を具体的な事例(ディリクレ-多項分布モデル、ガンマ-ガウス分布モデル)を元に計算する
保護中: モダンJavascriptの基本から始める React実践 – Reactの基礎(1)JSXを使った基本とコンポーネントの使い方
デジタルトランスフォーメーション(DX)、人工知能(AI)、機械学習タスクに活用されるフロントエンド技術であるReactの基礎としてのJSXを使った基本とコンポーネントの使い方について
保護中: 劣モジュラ最適化の基礎(5)ロヴァース拡張と多重線形拡張
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離散情報のアプローチである劣モジュラ最適化の基礎としてのロヴァース拡張と多重線形拡張を用いた劣モジュラ性の解釈
保護中: 劣モジュラ最適化の基礎(2)劣モジュラ関数の基本性質
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)タスクのための離散情報の最適化アルゴリズム(劣モジュラー最適化)の基礎としての劣モジュラ関数の3つの基本性質(正規化、非負、対称)とグラフカット最大・最小化問題への適用
保護中: Amazon Web Servicesネットワーク入門(1) – オンプレミスのシステムとAWSの概要
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)タスク活用のためのAWSクラウドサービス構築のための基礎(オンプレミスシステムとの相違点とAWSシステム構成概要)
保護中: モダンJavascriptの基本から始める React実践 – モダンJavascriptとは
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React実践のためのモダンJavascriptの基礎(仮想DOM、パッケージマネージャー、ES2015以降、モジュラーハンドラー、トランスパイラ、SPA)
保護中: 統計的因果探索の基礎(3)因果的マルコフ条件、忠実性、PCアルゴリズム、GESアルゴリズム
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)タスクのための統計的因果探索の基礎での因果的マルコフ条件、忠実性、制約に基づくアプローチ(PCアルゴリズム、FCIアルゴリズムと巡回性のある場合のCCDアルゴリズム)、スコアに基づくアプローチ(ベイズ情報量基準(BIC)、GESアルゴリズム)