確率密度関数の変数変換入門
一変量の置換積分から出発し、確率変数の変数変換を一対一対応・単調性の観点から整理します。さらに、多変量への拡張としてヤコビアンがどのように微小体積を「拡大・縮小」する係数になるのか、微分の向き・並べ方の覚え方まで含めて解説します。
-
-
Diffusers のサンプルプログラムを読み解いてみた
Diffusers に付属する公式サンプル train_text_to_image.py を題材に、初期化処理・モデル構造・データセットの前処理・学習ループの流れを丁寧に読み解いた解説記事です。Accelerate や ZeRO3、EMA、VAE／CLIP／U-Net の役割、ノイズスケジューラによる forward／reverse diffusion の仕組みなど、テキスト条件付き拡散モデルのトレーニング全体像を把握できるよう整理しています。
-
統計に関する計算テクニックなど
統計検定勉強中に出会った計算テクニックを雑多にまとめます。
-
マルコフの不等式とチェビシェフの不等式の基礎
期待値や分散の情報だけから、確率変数が大きく外れた値をとる確率に上限を与える「マルコフの不等式」「チェビシェフの不等式」について、証明の流れと直感的な意味をまとめます。定義関数を用いた基本的な導出から、現実的なイメージにつながる例まで整理した記事です。
-
標本平均と標本分散
正規母集団から得られる標本平均と不偏分散がどのような分布に従うのかを整理し、そこから t 分布および F 分布がどのように導かれるかを体系的にまとめます。正規分布の再生性・カイ二乗分布・t 分布・F 分布の関係を、式変形の流れとともに理解します。
-
畳み込みと混合分布
畳み込みと混合分布という、一見似ていて混同しがちな二つの概念を対比しながら整理します。確率変数の和の分布を求める畳み込みと、確率密度関数そのものを重ね合わせて表現する混合分布では何が違うのか、直感的理解から数式による導出までまとめます。
-
超幾何分布について
超幾何分布の定義と、その確率の総和が 1 になることの証明をまとめます。二項展開を用いた少し巧妙な導出手法を中心に、なぜその流れで証明できるのかを直感とともに整理した解説記事です。
-
ワルド検定
ワルド検定の基本的な考え方と、その背後にある最尤推定量の漸近正規性について解説します。尤度比検定との対比や、検定統計量がどのように導かれるかを式とともに丁寧に整理し、ワルド型検定の利点・背景となる理論を解説します。
-
不偏推定量について
母平均・母分散と、実際のデータから求める標本平均・標本分散の違いを整理し、それぞれの定義と役割を丁寧にまとめます。「平均」「分散」という用語が文脈によって指す対象が異なる点や、母数・統計量といった基本概念の位置づけを明確にする入門的な解説記事です。
-
不偏分散の導出と意味
標本平均・標本分散の期待値を実際に計算しながら、不偏推定量の定義と「不偏分散はなぜ n−1 で割るのか」を丁寧に導出します。標本分散との違い、用語整理、推定量としての性質までを体系的に整理した記事です。
-
ガンマ関数・ガンマ分布・カイ二乗について
ガンマ関数の基本から始め、ガンマ分布の定義・性質・利用例、さらにその特殊形として位置づけられるカイ二乗分布との関係までを整理します。
-
確率変数の和の分布
確率変数の変数変換を重積分の視点から体系的に整理し、ヤコビアンを用いて新しい確率密度関数を導く方法を解説します。応用として、確率変数の和の分布を求める畳み込みの背景にある考え方をまとめます。
-
Hello World! on Android
MediaPipe の公式チュートリアル「Hello World! on Android」を、Bazel ではなく Gradle を用いて Android Studio 上で実行する手順をまとめます。スタイル設定、外部ライブラリ導入（MediaPipe の Version Catalog 設定）、CameraX の利用などの解説です。
-
VAE理解までの道のり #3
-
1DCNN ニュウモン
1 次元畳み込みニューラルネットワーク（1DCNN）の基礎から、Conv1d／GRU／LSTM の実装ポイント、データ形状の扱い方、Kaggle「G2Net Gravitational Wave Detection」で活用された実践的な手法までをまとめた入門記事です。カーネルサイズ選択の戦略、wavegram などの特徴量生成、Conv1D×RNN の組み合わせなど、系列データモデリングの考え方を整理しています。
-
CV最前線: ジェスチャー動作生成
-
半教師あり学習（Semi-Supervied Learning; SSL）について
半教師あり学習（SSL）の主要な理論背景と、代表的な手法である pseudo-labeling・self-training・hybrid methods を体系的に整理した記事です。RGB-D 物体認識を例に、Co-training の具体的な仕組み、Pseudo-Label・Noisy Student・Meta Pseudo Labels などの進化系、MixMatch・FixMatch のような最新 SSL の流れまで幅広くまとめています。
-
鳥コンペ (Cornell Birdcall Identification)
-
波形データ解析のあれこれ
-
今週の気になった情報たち vol.1