yoschi_s

製造業のDX部門の40代中間管理職◀︎外資コンサル・国内IT企業でDS◀︎ISSL,UT|【取得資格】統計検定1級(統計数理・理工学) ，統計検定準1級(優秀成績賞)，E資格(2023#1)，TOEIC870(2020)|【趣味】筋トレ

[yoschi_s @stern_bow]

統計検定1級取得後も，数理統計などを学び続けている。これまで読んだ書籍をジャンルごとにまとめた。加えて，読書ルートや読み方についても説明した。詳細はリンクとコメントから。
▼リンク
#統計検定 1級取得後に読んだ数理統計・ #データサイエンス のおすすめ書籍ガイド
https://t.co/U4j08scob2

[yoschi_s @stern_bow]

昔の教科書を読んでいると，分散パラメータの階層事前分布に一様分布を使っていることが多いが，最近のコード例では，半コーシー分布や半正規分布を使っていることが多い。この辺りの理由を調べてみても面白そうだ。

[yoschi_s @stern_bow]

「データ解析のための統計モデリング入門」をNumPyroで実装することを通じて，個体差と場所差のランダム効果を盛り込む方法を学んだ。NumPyroでは，割と手軽に追加できた。
▼第10章 階層ベイズモデル ―個体差+場所差のGLMM―
https://t.co/8O13VA1QvP

[yoschi_s @stern_bow]

@mizsetta ありがとうございます😊‼️

[yoschi_s @stern_bow]

来週，人工知能学会全国大会に参加する。フォローしている・されている方とお会いできたら嬉しいが，今の名刺に「統計検定1級」と書いていないので，私とは気付いてもらえないだろうな…
▼名刺に「統計検定1級」を入れた話
https://t.co/HXVVJduPiJ

[ネイピアDS @ArtHappyMuseum]

@stern_bow 無限混合分布の積分にモンテカルロ法（標本1000個）を使い、yの事後予測サンプル（shape=(4000, 9)）を生成する処理に、4 秒程度かかりました。

コードはこちらです。参考になれば幸いです🍀
（事後予測の乱数をnumpyで生成すれば、時間短縮できるかもです）
https://t.co/vwaTYhddnN

[yoschi_s @stern_bow]

@ArtHappyMuseum いつもありがとうございます😊‼️

[yoschi_s @stern_bow]

積分消去をするには数値積分が必要で，モンテカルロ近似などが利用できる。ただ正規分布がからむ数値積分においては，Gauss–Hermite求積法を用いると数値積分に使うサンプル数が少なくて済んだ。

[yoschi_s @stern_bow]

階層ベイズモデルは柔軟なモデルを作れるものの，パラメータが多く解釈が大変である。そのため，ランダム効果を積分消去して可視化しやすくする方法をまとめた。
▼「データ解析のための統計モデリング入門」をNumPyroで実装　第10章 階層ベイズモデル ―予測分布―
https://t.co/o6Vsj10i0r

[yoschi_s @stern_bow]

MCMCが終わってからが，ベイズ統計の本番なんだなと実感…。

[yoschi_s @stern_bow]

階層ベイズモデルは柔軟なモデルを作れるものの，パラメータが多く解釈が大変である。そのため，ランダム効果を積分消去して可視化しやすくする方法をまとめた。
▼「データ解析のための統計モデリング入門」をNumPyroで実装　第10章 階層ベイズモデル ―予測分布―
https://t.co/o6Vsj10i0r

[yoschi_s @stern_bow]

階層ベイズモデルは柔軟なモデルを作れるものの，パラメータが多く解釈が大変である。そのため，ランダム効果を積分消去して可視化しやすくする方法をまとめた。
▼「データ解析のための統計モデリング入門」をNumPyroで実装　第10章 階層ベイズモデル ―予測分布―
https://t.co/o6Vsj10i0r

[yoschi_s @stern_bow]

@mizsetta おはようございます☀
デザインの都合ではなく，名刺作成依頼を出すときに，私が忘れてしまっただけです😅

[yoschi_s @stern_bow]

基本に立ち返って，ベイズ統計学の名著であるピーター・D・ホフ先生の「標準ベイズ統計学」を読み始めた。

[yoschi_s @stern_bow]

「データ解析のための統計モデリング入門」をNumPyroで実装している。階層ベイズモデルは，サンプルの個性を表現するランダム効果を取り入れられるが，事後分布の計算にはMCMCが便利である。
▼第10章 階層ベイズモデル GLMMのベイズモデル化
https://t.co/Y1DFlqiK42

[大澤裕一 @HirokazuOHSAWA]

AI・データサイエンス時代に取るべき資格は「統計検定」だと思う理由｜社会人の学習塾:リラーニングラボ
https://t.co/rclR3obnBr

[yoschi_s @stern_bow]

統計モデリングの名著「データ解析のための統計モデリング入門」(通称・緑本)のMCMCコードを，Pythonで使えるモダンなライブラリであるNumPyroで実装し始めた。順次公開していく。緑本学習の一助になれば幸いである。
▼第9章 GLMのベイズモデル化と事後分布の推定
https://t.co/VdcrfkcXJk

[はてな @hatenapr]

tex記法のアップデートに伴い、一部の拡張機能の変更をお願いします - はてなブログ開発ブログ https://t.co/bgMbZbIqm9

[yoschi_s @stern_bow]

先月の学びを振り返ってみた。NumPyroを使いまくったので，だんだんと知識が増えてきた。頭の整理がてら，今後まとめてみたい。また，久しぶりに読んだ緑本も，前より理解出来るようになった。
▼2026年5月の学びの振り返り
https://t.co/8hlsosOQNG

[清水 団 Dan Shimizu @dannchu]

@TanteiKonanDayo ありがとうございます。実は私立の学校ですが、今校長です。

[yoschi_s @stern_bow]

はてなブログのMathJaxアプデで，数式の太字に用いる\boldsymbolが正しく表示されなくなった。
とりあえず数式っぽく表示させる応急処置と，元通り表示させる恒久対策をまとめた。
▼はてなブログのMathJaxアップデートで \boldsymbol が崩れた話と，その現実的な解決策
https://t.co/dtyUH7A2KX

[yoschi_s @stern_bow]

今日で666日連続投稿だった。いつも読んで頂けてありがたい☺️

▼jiku log
データサイエンスの核心を掴む : 学びと発見の記録
https://t.co/1e1KbNuWu3

[yoschi_s @stern_bow]

可視化機能が優れている点や，関数が充実している点であった。モデリング結果の妥当性を確認するには可視化が便利であり，自分で実装しなくていいのは分析を進めるうえで有利である。

[yoschi_s @stern_bow]

「RとStanではじめる ベイズ統計モデリングによるデータ分析入門」をNumPyroで実装しなおしつつ読了した。
NumPyro は，統計モデリングと他の処理(可視化など)をシームレスに実施出来るのがメリット。R・Stanのメリットは，
▼読書メモ一覧
https://t.co/AAZbkJ2WQL