Yoshi Nishikawa's Blog

データと知識、その調和平均。

Deep Learningことはじめ

読んだ。

これ一冊でDeep Lerningの理解は事足りる。とにかくわかりやすく記述されている。

1章 Python入門

1.1 Pythonとは
1.2 Pythonのインストー
1.3 Pythonインタプリタ
1.4 Pythonスクリプトファイル
1.5 NumPy
1.6 Matplotlib
1.7 まとめ

2章 パーセプトロン

2.1 パーセプトロンとは
2.2 単純な論理回路
2.3 パーセプトロンの実装
2.4 パーセプトロンの限界
2.5 多層パーセプトロン
2.6 NANDからコンピュータへ
2.7 まとめ

3章 ニューラルネットワーク

3.1 パーセプトロンからニューラルネットワーク
3.2 活性化関数
3.3 多次元配列の計算
3.4 3層ニューラルネットワークの実装
3.5 出力層の設計
3.6 手書き数字認識
3.7 まとめ

4章 ニューラルネットワークの学習

4.1 データから学習する
4.2 損失関数
4.3 数値微分
4.4 勾配
4.5 学習アルゴリズムの実装
4.6 まとめ

5章 誤差逆伝播

5.1 計算グラフ
5.2 連鎖率
5.3 逆伝播
5.4 単純なレイヤの実装
5.5 活性化関数レイヤの実装
5.6 A.ne/Softmaxレイヤの実装
5.7 誤差逆伝播法の実装
5.8 まとめ

6章 学習に関するテクニック

6.1 パラメータの更新
6.2 重みの初期値
6.3 Batch Normalization
6.4 正則化
6.5 ハイパーパラメータの検証
6.6 まとめ

7章 畳み込みニューラルネットワーク

7.1 全体の構造
7.2 畳み込み層
7.3 プーリング層
7.4 Convolution/Poolingレイヤの実装
7.5 CNNの実装
7.6 CNNの可視化
7.7 代表的なCNN
7.8 まとめ

8章 ディープラーニング

8.1 ネットワークをより深く
8.2 ディープラーニングの小歴史
8.3 ディープラーニングの高速化
8.4 ディープラーニングの実用例
8.5 ディープラーニングの未来
8.6 まとめ

査読に関して

staff.aist.go.jp

このサイトは役に立ちそうだ。

ゲーム理論ことはじめ

まずは1-3章を読んだ。

  • ナッシュ均衡
    相手が戦略を変えない限り、自分に戦略を変えるメリットがない戦略の組み合わせ

  • 両性の戦い

  • キンゲーム

  • 囚人のジレンマゲーム

  • パレート最適 他者を犠牲にすることなく厚生を改善する余地が、誰にとってもなくなっている組み合わせ

  • 支配戦略
    ある片方の必勝選択肢がある。

  • 戦略型と展開型
    戦略型は表形式。展開型は樹形図。

以下で戦略型をRで実装することが出来る。
statrstart.github.io

NAのある行を削除する

ある変数hogeの中に、NA(欠測値)があり、それを含む行だけを削除したい時。

data[complete.cases(data$hoge), ] 

でOK。

記述統計に立ち返る

記述統計にはいつもsummaryを使っていたが、

summary(data)

を利用していたが、psych パッケージの

describe(data)

mean, sd, median, range, se, (歪度: skewness)https://en.wikipedia.org/wiki/Skewness, (尖度: Kurtosis)https://en.wikipedia.org/wiki/Kurtosisまで一度に表示できて便利。

施設に関するCase studyを記す

Developing a methodological framework for organisational case studies: a rapid review and consensus development process | The EQUATOR Network

読んだ。

Case studyもヘルスサービスリサーチとして、研究のガイドラインが存在する。

本編はこちら

チェックリスト(英語)

デザインに関する記述

  1. case studyであることを明記
  2. 広い意味での目的
  3. リサーチクエスチョンとそれに対する仮説
  4. caseとその選択理由

データ収集に関しての記述

  1. どのようにデータは集められたか
  2. 用いられたエビデンスのソースについて
  3. 倫理的配慮や同意取得、アクセス権や許可について

データ分析について

  1. 分析方法に関する記述

結果の解釈

  1. 内在する欠点と其の影響
  2. 方法論の適切さ・質的研究の適切さについて
  3. データ分析結果に関する議論
  4. 主張が適切かどうか
  5. 研究に関する注意事項

Content analysisことはじめ

読んだ。意訳だが、各項目を列挙しておく。

  1. 歴史
  2. その概念形成
  3. その利用と推論
  4. 内容分析のロジック
  5. 利用
  6. サンプリング
  7. 記録・コーディング
  8. データ言語
  9. 分析の構成
  10. 分析の代表的手法
  11. コンピューターによる補助
  12. 信頼性
  13. 妥当性
  14. 実践ガイド

内容分析の歴史は古く、1900年代初頭から、社会学者が新聞の内容分析など政治経済関連の研究をおこなっていた。第二次世界大戦後、Berelsonらにより概念が広げられた。質的研究の範疇には位置づけられるが、サンプルを集めて頻度を議論したり、クラスタリングしたり、量的研究とも親和性が高そう。

掘り下げた臨床研究を行う上でも有用そうな手法である。