| 章-節 | ページ | 質問 | 回答 | 最終更新日 |
|---|---|---|---|---|
| 4章 | p.79 コード4.9 | 実行すると次のようなワーニングが表示されます(5章・6章の実習も同じ) NumbaDeprecationWarning: The 'nopython' keyword argument was not supplied to the 'numba.jit' decorator. |
Colab上のnumbaのバージョンが古いために表示されます。Notebookの冒頭で次のコマンドを実行すると解決するので、GithubのNotebookを更新しました !pip install --upgrade numba | tail -n 1 |
2024-03-09 |
| 5章 | p.148 コード5.4.9 | 次の引数でsample関数を呼び出しましたが、ラベルスイッチが起きませんでした。なぜですか？pm.sample(target_accept=0.99, random_seed=42) |
詳しい解説をqiitaの記事で書いたので、そちらを参照して下さい。 qiitaリンク |
2024-02-08 |
| 5章 | p.152 コード4.5.13 19,20行目 | * delta / n_componentsの意味がわかりません。 |
正規分布関数にどのようなスケールの値を補正用にかけるとヒストグラムと高さが揃うかが、話の本質です。 わかりやすくするため、最も簡単な連続分布である[0, 1]の一様分布の例を考えます。 ヒストグラムの「高さ」は「該当するサンプル数の比率」であることも注意してください。 binsの値が１、つまり区間が一つしかない場合、すべてのサンプルが一つの区画に集中します。縦軸が比率なので、値は１です。 [0, 1]の一様分布の確率密度関数は f(x) = 1つまり値は１なので、このケースではスケール調整の必要はないことになります。では、bins=10の場合はどうでしょうか。この場合、[0, 0.1]など一つの区画の幅は0.1です。 縦軸の値は比率なので、高さは先ほどの1/10、つまり0.1になることがわかります。この場合、スケール調整用の比率も0.1になります。 p.152のヒストグラムの場合、ヒストグラムの横幅は0.1であり、これが変数deltaの意味になります。 今回のケースでは２つの確率分布のサンプルが混在しています。この点を次に考慮します。 ここでも、問題を単純化するため、[0, 1]の一様分布に従う確率変数と、[3, 4]の一様分布に従う確率変数が1対1の割合で混在することを想定します。すると、すべてのサンプルが[0, 1]の一様分布に従う確率変数である場合と比べると、比率(高さ)は1/2になることがわかります。 これが delta / n_componentsとdelta(=0.1)の値を2で割っていることの意味です。この思考実験から、２つの確率変数の混在比が1対1でない場合の計算方法もわかります。 例えばグループAの件数とグループBの件数の比が2対3である場合、グループA用の確率分布の補正スケールは delta * 2 / 5となります。 |
2024-02-08 |
| 6章 | p.217 3行目 | 「2パラメータ・ロジスティックモデルでは自由度1が残っており」の意味がわからないです | p.198の表6.3.1でaの値を2倍、bの値を1/2倍、そして能力値の値も1/2にすることを考えます。するとp.197の式(6.3.2)から正答率は同じになることがわかります。a,b,θは一定の関係を保ったままで、同じ正答率になる組み合わせが他にあることが自由度1が残っていることを示しています。 | 2024-01-08 |
| (全体) | (全体) | ローカルPCのAnaconda環境で実習を動かすことはできますか | プログラミング経験のない初心者でも実習を始めることができるよう、実習はGoogle Colabを前提とした詳細手順を書籍で記載しています。ある程度プログラミングやLinuxに習熟した方は、ローカルで動かすことも可能ですが、下記の事象が想定され、これらの事象に自力で対応できることが条件となります。 1. サポートページのリンクはGoogle Colabと連携して動かすことが前提のURLです。ローカルで動かす場合は、GithubのUIを用いてzip形式でリポジトリ全体をダウンロードするか、git cloneコマンドでローカルにリポジトリをPULLするかしてください。 2. 不足しているライブラリがあった場合、自力でライブラリの追加導入が必要です。このことに伴って、ライブラリ間のバージョン不整合の問題が発生する可能性があります。 |
2023-12-10 |
| (全体) | (全体) | この本を最後までマスターした時の次のステップの参考書籍を教えて下さい | ベイズ推論の書籍は数多く出版されており、著者もすべてを把握しているわけではないですが、下記の書籍は同じ講談社様のシリーズ本の一つでもあり、次のステップの書籍として適切と思います。 『Pythonではじめるベイズ機械学習入門』 |
2023-12-10 |
| (全体) | (全体) | まえがきに書かれている前提知識を満たしていないのですが、どうやって補足すればいいですか | 本書の前提知識のほとんどは、著者の他の書籍でカバーできます。手前味噌で恐縮ですが、必要な知識と書籍の関係を整理したので、参考としていただけると幸いです。 * Python文法 最短コースでわかる Pythonプログラミングとデータ分析 1章 * NumPy基礎 最短コースでわかる Pythonプログラミングとデータ分析 2.2節 * データ前処理・機械学習全般 Pythonで儲かるAIをつくる 1章から3章・4.1節-4.3節・5.1節・5.2節 * オブジェクト指向プログラミング 最短コースでわかる PyTorch &深層学習プログラミング 1.5節 |
2023-12-10 |