ML2023

機械学習（2023）

https://images-na.ssl-images-amazon.com/images/I/51CPd2KLm4L._SX342_BO1,204,203,200_.jpg

2024.1.30水 10:30〜12:00 B-210

レポート講評

https://gyazo.com/3691b17d5a1cac7942dd6b292c51aa4a

https://gyazo.com/e57d95d41ab5fce79d33d5522f8b193e

https://gyazo.com/c22433c89ee5bdd240748b7f4cdee7cc

https://gyazo.com/9c154102a5b462ae29792dc2b28ac0b8

https://gyazo.com/ffa020129acd2b96958021c248887d11

https://gyazo.com/9d69a7624b3dca93b0bd15b0798adcc4

https://gyazo.com/525e894312ea6a245ba400ec0cd550a0

https://gyazo.com/c5b4396d7e43dfd056cac4447e3b28b6

https://gyazo.com/753286f331b103c5784aa8e6a752181c

https://gyazo.com/642557a974d7524144997ba293d5e0ee

https://gyazo.com/f389a6f79108bbf20b6951fdcd6ae45b

https://gyazo.com/8078bde315c4930574d597f2e4bc5709

q

2024.1.23水 10:30〜12:00 B-210

2024.1.16水 10:30〜12:00 B-210

第8章 混合ガウスモデルの最尤推定

2024.1.9水 10:30〜12:00 B-210

第8章 混合ガウスモデルの最尤推定

2023-12-19

第6章 線形判別分析による手書き文字認識

Bishp先生の Deep Learning 本

https://gyazo.com/40def13b09a1c5a687a28496b5ab3a73

2023-12-12

ゼロから作るDeep Learning ❺️ —生成モデル編（公開レビュー 〜12/16まで）

2023-12-05

2023-11-28

https://gyazo.com/2730c178509b578e3aa3132a99fa130e

2023-11-21

ゼロから作るDeep Learning ❺️ —生成モデル編（公開レビュー 〜12/16まで）

2023-11-14

Google Colab

p42.py

digit.mat

2023-11-7

Google Colab

応用数学の講義資料：2023.1.21土 13:30〜16:30 工学部 A-116

第11, 12回 主成分分析

演習用リンク（Google Colab）主成分分析

https://gyazo.com/0dfc9cf19418b4f2bde84591a17db4ff

https://gyazo.com/fb59d390af6b6dc407be3638f9c034fc

2023-10-31

2023.1.21土 13:30〜16:30 工学部 A-116

第11, 12回 主成分分析

演習用リンク（Google Colab）主成分分析

code:g2_pdf.py

import numpy as np

import matplotlib.pyplot as plt

def g2_pdf(x,y,mu,Sigma):

a = 1.0/(2.0*np.pi*np.sqrt(np.linalg.det(Sigma)))

retvar = a*np.exp(-1.0/2.0*(v.T).dot( (np.linalg.inv(Sigma)).dot(v) ))

return retvar

x = np.arange(-3,3,0.1)

y = np.arange(-3,3,0.1)

nx = len(x)

ny = len(y)

z = np.zeros((nx,ny))

for i0 in range(nx):

for i1 in range(ny):

plt.figure(figsize=(3.5,3))

plt.jet()

plt.pcolor(z)

plt.colorbar()

plt.show()

https://gyazo.com/1454b915ee4a10018d1b25c224d88fb9

code:g2_pdf_mesh.py

import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

def g2_pdf(x,y,mu,Sigma):

a = 1.0/(2.0*np.pi*np.sqrt(np.linalg.det(Sigma)))

retvar = a*np.exp(-1.0/2.0*(v.T).dot( (np.linalg.inv(Sigma)).dot(v) ))

return retvar

x = np.arange(-5,5,0.2)

y = np.arange(-5,5,0.2)

nx = len(x)

ny = len(y)

z = np.zeros((nx,ny))

for i0 in range(nx):

for i1 in range(ny):

xx,yy = np.meshgrid(x,y)

plt.figure(figsize=(5, 3.5))

ax = plt.subplot(1,1,1, projection='3d')

ax.plot_surface(xx,yy,z,rstride=1,cstride=1,alpha=0.1,color='blue',edgecolor='black')

# ax.set_zticks((0,0.08))

ax.view_init(30,-30)

plt.show()

https://gyazo.com/563349ff28cc9de90cdf4c204c187fc6

演習 2.2

分散共分散行列を変化させると確率密度関数の形がどのように変化するか調べよ。

$ V = \lambda_1 \bm{e}_1\bm{e}_1^\top + \lambda_2 \bm{e}_2\bm{e}_2^\top

行列

$ V \begin{pmatrix} \bm{e}_1 & \bm{e}_2 \end{pmatrix} = \begin{pmatrix} \lambda_1 \bm{e}_1 & \lambda_2 \bm{e}_2 \end{pmatrix}

$ VP = P \Lambda

$ V = P\Lambda P^{-1}

$ V = \begin{pmatrix} \lambda_1 \bm{e}_1 & \lambda_2 \bm{e}_2 \end{pmatrix} \begin{pmatrix} \bm{e}_1^\top\\ \bm{e}_2^\top \end{pmatrix}

$ V = \lambda_1 \bm{e}_1\bm{e}_1^\top + \lambda_2 \bm{e}_2\bm{e}_2^\top

45度方向に傾けたければ、固有ベクトルを、そのように設定すればいい

code:xxx

e1 = e1/np.linalg.norm(e1, ord=2) # 長さを1にする

e2 = A.dot(e1) # e1 を90度回転

lambda1=9

lambda2=1

x = np.arange(-3,3,0.1)

y = np.arange(-3,3,0.1)

nx = len(x)

ny = len(y)

z = np.zeros((nx,ny))

for i0 in range(nx):

for i1 in range(ny):

plt.figure(figsize=(3.5,3))

plt.jet()

plt.pcolor(z)

plt.colorbar()

plt.show()

]

行列

2023-10-24

2023-10-17

2023-10-03

https://gyazo.com/a3ae81d951e1d5b638c2d8e3748c569c