全体ゼミ、PD2撮影対応（ケーキ）

昨日に続き、今日も空調の調子がいとをかし（誤）。今日は冷房モードじゃないと冷えず。リモコン側の発信信号と空調本体での受信信号が違ってるのかなとも思うのだけど、本体側で動作状態を確認する術が無いのだよな。一体なんなんだー。

今日は全体ゼミとPD2の取材対応（という名のケーキもぐもぐ）してたぐらいか。ちなみに、良く「甘い物好き」と勘違いされますが、基本的に食べることが好き、というのが正しい。美味しいご飯あるとそれだけで幸せ気分に浸れます。他の時間は予稿のプロット検討しながら関聯論文漁り。RMTとか懐かしい響きだ。

学習サポートコーナー設置のお知らせなるものが始まるようですが、これはバイト代出るはずなので、興味ある人は山田先生に話を聞いてみよう。

朝一の全体ゼミは、「統計的機械学習―生成モデルに基づくパターン認識」の9章＆10章。どちらもベイズ推定なお話。

9章「ベイズ推定法」では、これまでの章で扱ってきたパラメトリックな手法（正規分布なり特定モデルを想定してそのパラメータ調整で推定する手法）とは異なり、「無数のパラメータを考え、それらをパラメータの事後確率p(θ|X)に従って平均化することよにって確率密度関数を近似する」というのがベイズ推定。この近似方法にもいろいろある（MAP推定、共役事前分布を用いた導出）よねというお話。

頻度主義（最尤推定法）とベイズ主義（ベイズ推定法）との違いはマルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)が分かり易いんじゃないかと。

10章「ベイズ推定の数値計算法」では、パラメータの事後確率さえ与えられれば原理的には計算できるのだけど、積分の計算コストが大きすぎるから「数値積分」で解こうというお話。代表的なモンテカルロ積分（p(θ)に基づく標本を多数ランダムに生成し、その結果から面積を推定する）から始まり、その事後確率が正規分布等の代表的な分布に従わない時に使う代表的な「重点サンプリング法」。この「所望の確率分布に従う標本を直接生成する手法」を別側面から実現する手法として「逆関数サンプリング法（累積分布関数の逆関数に一様分布に従う確率変数を通す）」、「棄却サンプリング法」、「マルコフ連鎖モンテカルロ法」といった代表的な手法が紹介されてました。

乱数を逆変換法で求めるという話はRで学ぶ逆変換（逆関数）法が分かり易いんじゃないかと。