ザ・マーケティングを読んでみたい

ザ・マーケティング【基本篇】──激変する環境で通用する唯一の教科書

ザ・マーケティング【実践篇】──激変する環境で通用する唯一の教科書

今読んでみたい本
マーケティングでいい本ってなんなんだろう？

はじめてのパターン認識

第1章 はじめに
第2章 識別規則と学習法の概要
第3章 ベイズの識別規則
第4章 確率モデルと識別関数
第5章 k最近傍法（kNN法）
第6章 線形識別関数
第7章 パーセプトロン型学習規則
第8章 サポートベクトルマシン
第9章 部分空間法
第10章 クラスタリング
第11章 識別器の組み合わせによる性能強化

はじめてのパターン認識

機械学習にも手をつけていきます

フリーソフトでつくる音声認識システム

第1部 パターン認識の基礎
第1章 パターン認識って何？
第2章 データをきちんと取り込もう
第3章 パターンの特徴を調べよう
第4章 パターンを識別しよう
第5章 誤差をできるだけ少なくしよう
第6章 限界は破れるか−SVMとニューラルネットワーク
第7章 未知データを推定しよう−統計的方法
第8章 本当にすごいシステムができたの？
第2部 実践編−音声認識システムをつくる
第9章 連続音声を認識してみよう
第10章 声をモデル化してみよう−音響モデルの作り方・使い方・鍛え方
第11章 HTKを使って単語を認識してみよう
第12章 文法を使って音声を認識してみよう
第13章 統計的言語モデルを作ろう
第14章 連続音声認識に挑戦しよう
第15章 会話のできるコンピュータを目指して

フリーソフトでつくる音声認識システム パターン認識・機械学習の初歩から対話システムまで

最小の加法族

@siga117612 意味って？

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 有限集合上ならσ加法族と有限加法族に区別はない。求めるσ加法族をΣとすると　A∈Σ→Aの補集合∈Σという要請から例えば{1,3,5},{2,3,4,6}∈Σが分かる。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 あとはA,B∈Σ→AとBの合併∈Σと空集合∈Σが要請されてるから、この3つの公理を繰り返し用いてΣに最低限何が含まれているか順次求めていく。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 で与えられた二つの部分集合と公理を適当に組み合わせて得られたΣの部分集合Σ_0が公理を満たす程度に（それ以上大きくならない）大きくなったらΣ_0自身がσ加法族でΣの最小性からΣ_0=Σ

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 ああもしかしてσ加法族が何か、から始めた方が良い？

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 与えられた集合Ω上のσ加法族っていうのは、数学的なものとしてはΩの部分集合族、つまりΩに含まれるような集合たち（全部とは限らない、今の例だと全部で2^6=32個）のあつまりで（端的に言えば集合の集合）適当な条件をみたすもの。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 その適当な条件って言うのは、まぁ標語的に言えば「Aの補集合を考える！」とか「AとBの合併集合を考える！」とか言った集合論的操作（与えられた集合から新しい集合を作る）事がその部分集合族の内部で完結してるようなもの

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 有限加法族って言うのは「合併集合を取る！」で有限個の集合の合併しか考えなくて、「σ加法族」っていうのは可算無限個の集合の合併まで考えちゃう！って条件の違いがあるんだけど、Ωが有限集合だとそもそも部分集合が有限個しかないからこの差は実質的に意味がなくなる。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 Ω上のσ加法族の例　例１ {空集合、Ω}という二つの部分集合からなる集合族　 例２ （Ωの部分集合全部）今回なら３２個の集合からなる集合族

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 ポイントは与えられたΩ上にσ加法族は複数存在すると言う事。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 σ代数は集合の集合だから「{1,3,5}はσ代数である」って表現は不適切だからちょい注意ね。正確には「{1,3,5}を要素として含むようなσ代数は{2,4,6}も要素として含む」ってな感じ。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 {1,3,5}ていうのはまぁ集合なんだけど、あるΣっていうσ代数からみると一つの要素に過ぎなくて、{1,3,5}∈Σという書き方が許される。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 で、Ω上のσ加法族が複数あるっていう話なんだが、例えば二つσ加法族Σ_1とΣ_2があったとしてこいつらは（Ωの部分集合ひとつひとつを単なる要素と思えば）集合だから、包含関係があるかどうかが議論できる。Σ_1⊂Σ_2orΣ_1⊃Σ_2あるいはどっちでもない。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 集合論ではA⊂Bなら「AはBより小さい」「BはAより大きい」と表現する（ことが多い）ので、{2,4,6}と{1,5}を含む最小のσ加法族というのは、この二つの集合を含むようなσ加法族たち（いっぱいあるかも知れない）を全部考えて、その中でいまの意味で、、

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 （続き）最小になるもの、つまり二つの集合を含むようなσ加法族が必ず含んでしまうようなσ加法族（で二つの集合を含む）ものを見つけてこいという話。ちなみに最大のものは簡単で、Ωの部分集合を全部集めてきて出来る集合（Ωのべき集合とか言われる）がそれ。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 ああちなみに正解は多分Σ={空集合, {3},{1,5},{2,4,6},{1,3,5},{1,2,4,5,6},{2,3,4,6},Ω}ね

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 Ω={1,5}∪{3}∪{2,4,6}と見るのがぽいんと

— いへうこだくふ (@sai_nabe) 2012, 2月 6

@siga117612 おめでとう。ひとつだけ注意、{φ}は「空集合を要素に含む集合」になるのでφだけでOKです。

— いへうこだくふ (@sai_nabe) 2012, 2月 6

https://twitter.com/search?f=realtime&q=from%3Asai_nabe%E3%80%80since%3A2012-02-06%20until%3A2012-02-09&src=typd

*[ルベーグ積分]ルベーグ積分・確率論の講義ノート

大阪大学　小林治　微分積分
微分積分の初歩からフーリエ変換・ルベーグ積分までコンパクトにまとまってる
http://www.math.sci.osaka-u.ac.jp/~kobayashi/bs.pdf

九州大学　吉川敦　ルベーグ積分入門
こちらもコンパクトにまとまってる
被覆から扱う
http://www7b.biglobe.ne.jp/~yoshikawa/lebesgue-lecture.pdf

酒匂貴市　測度・ルベーグ積分及び確率
集合列に関しても詳しく説明されている
http://members.jcom.home.ne.jp/diereichsflotte/sakog/MeasureAndLesbesgue.pdf

大阪大学　西谷達雄　Lebesque 積分
http://www.math.sci.osaka-u.ac.jp/~nishitani/Lebesgue.pdf

鹿島 久嗣　測度論的確率論
http://www.geocities.jp/kashi_pong/course_probability_2010.html

データ解析のための統計モデリング入門5章

d$y.rnd <- rpois(100, lambda = mean(d$y)) # 新のモデルから生成
mean(d$y) # 平均
fit1 <- glm(y.rnd ~ 1, data = d, family = poisson)
fit2 <- glm(y.rnd ~ x, data = d, family = poisson)
>fit1$deviance - fit2$deviance #逸脱度の差
[1] 1.273795

get.dd <- function(d) # データの生成と逸脱度差の評価
{
  n.sample <- nrow(d) #データ数
  y.mean <- mean(d$y) #標本平均
  d$y.rnd <- rpois(n.sample, lambda = y.mean)
  fit1 <- glm(y.rnd ~ 1, data = d, family = poisson)
  fit2 <- glm(y.rnd ~ x, data = d, family = poisson)
  fit1$deviance - fit2$deviance #逸脱度の差
}
pb <- function(d, n.boostrap)
{
  replicate(n.boostrap, get.dd(d))
}

source("pb.R") #pb.Rを読み込む
dd12 <- pb(d, n.boostrap = 1000)


>summary(dd12)
 Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
0.000004 0.092320 0.470900 0.937300 1.317000 7.150000 
hist(dd12,100)
abline(v = 4.5, lty = 2)

> sum(dd12 >= 4.5)
[1] 21
> quantile(dd12, 0.95)
     95% 
3.504927 
> anova(fit1, fit2, test = "Chisq")
Analysis of Deviance Table

Model 1: y.rnd ~ 1
Model 2: y.rnd ~ x
  Resid. Df Resid. Dev Df Deviance Pr(>Chi)
1        99     95.952                     
2        98     94.678  1   1.2738   0.2591

この章ではどのような統計モデルでも利用可能な尤度比検定について説明する
尤度比検定に限らずパラメーターを最尤推定できる統計モデルの検定を総称して、統計モデルの検定とこの章では呼ぶこともある
全パラメーターを最尤推定できる統計モデルは、パラメトリックな統計モデルと総称できるかも
・パラメトリック
比較的小数のパラメーターをもつという意味
正規分布を使ったという意味ではない
ノンパラメトリック検定はこの本では扱わない

統計モデルの検定
1.解析対象のデータを確定
2.データを説明できるような統計モデルを設計
3.ネストした統計モデルたちのパラメーターを最尤推定計算
4.帰無仮説棄却の危険率を評価
5.帰無仮説棄却の可否を判断

AICによるモデル選択
1.解析対象のデータを確定
2.データを説明できるような統計モデルを設計
3.ネストした統計モデルたちのパラメーターを最尤推定計算
4.モデル選択基準AICの評価
5.予測の良いモデルを選ぶ

4章で解説したモデル選択と似てるので手順を並べる
どちらも共通しているのは
・まず使用データを確定させる
・一旦データを確定させたら、最後までそのデータだけを使い、しかも常にすべてを使う

日本の救命

日本の救助隊

・消防
・警察
・自衛隊
・海上保安庁

・消防
救助隊　人口10万人未満の地域
特別救助隊　人口10万人以上の地域　ここが通称レスキュー隊
高度救助隊　中核市またはそれと同等の地域
特別高度救助隊　政令指定都市と東京都

特別高度救助隊
各地でそれぞれ愛称がある
例
東京消防庁　ハイパーレスキュー
横浜市消防局　スーパーレンジャー
さいたま市消防局　さいたまブレイブハート

・警察
機動救助隊
特別救助班　P-REX
特別救助隊　SRT
当然犯罪捜査という目的もある

・海上保安庁
海洋における警察・消防任務
特殊救難隊　トッキュー隊　第三管区海上保安本部
機動救難士　第三管区以外

・自衛隊
陸上自衛隊には救助専門部隊はない
海上自衛隊
救難飛行隊
救難飛行艇やヘリコプターでの救難を専門とする
航空自衛隊
航空救難団
日本最高練度の部隊で最後の砦として機能している

・医療機関
災害派遣医療チーム　D-MAT
大規模災害や事故などの現場に急性期に到着できる機動性を持った部隊