7月のお勉強中間状況: #PRML やオブジェクト指向でゲーム作りは順調な一方で #因果分析 は他の書籍との競合で進捗が遅れている。後半で取り返そう！ ① 100% 読了 ② 70% 完了 ③ 25% 読了

#PRML 12.4.1 独立成分分析(ICA), 12.4.2 事故連想ニューラルネットワーク, 12.4.3 非線形多様体のモデル化 12章を読了。最終盤は、多種の内容の読み物に近い 12.4.1は馴染みのない例で難解 12.4.2はAutoencoderと非線形主成分分析との繋がりの気づき 12.4.3は多様な手法の紹介で個別には今は追わない

#PRML 12.4 非線形潜在変数モデル 腑に落ち切ってない前節12.3までの内容が、 連続潜在変数のモデルのうちで最も単純な線形ガウス分布に基づくモデルであるのに対し、 本節12.4ではそれを非線形and/or非ガウス的に拡張することを考える さて、ひとまず読み進めてみることにする

#PRML 12.3 カーネル主成分分析 前半は６章と行ったり来たりしつつ読了 後半の平均が0じゃない場合と、最後の注意は、 読んでみたものの、いまいち良く分からない 演習問題を通して理解できるかなぁ...

#PRML 12.2.4 因子分析 前の節の確率的生成分析の発展版 相違点は、潜在変数zを与えられた時の観測変数xの条件付分布が、対角的だが等方的ではい共分散に基づく(σ^2 I → Ψ) 共分散構造の解析ができる副作用として閉形式の解は得られなくなる 難解かつ演習問題が多く、どう読み進めるか苦悩の多い節

#PRML 12.2.3 ベイズ的主成分分析 ベイズ的にする利点を確認する 主部分空間の次元Mを用途に応じて適切な値を選べるようになる その時、エビデンス近似を通して決定することを関連度自由決定(ARD)が例として提示される 後半、色々な図で分析の雰囲気は分かるものの、実装がイメージできない...難しい

#PRML 12.2.2 EMアルゴリズムによる主成分分析 演習問題に手こずる。難問だ...

#PRML 12.2.2 EMアルゴリズムによる主成分分析 途中の式変形を追うことと演習は朝活時間では足りず まずは本文を一通り読んだ 最終段落にEMアルゴリズムに対する物理学的対応物の説明があり、これが非常に分かりやすく、腑に落ちた 目から鱗を落とすような図を示すことができる人にあこがれます pic.twitter.com/WkpLHIUR0J

#PRML 12.2.1 最尤法による主成分分析 後半。式や演習は追ったものの、本文には数式以外に重要な議論の記述が多く、そちらが正直全部きちんと理解ができなかった😣 後で再訪できるよう、付箋をして先に進むことにする