演習は各項目で基礎的な内容から始まって徐々に難易度は上がっていきますが、統計学における主要なトピックの導出の流れが追えるような構成になっています。この演習問題について、文章だけでは伝わりにくいポイントを動画で解説していきます。
Contents
- 1 最尤法とGLM(Generalized Linear Model)
- 1.1 【最尤法とGLM # 01】基本的な最尤法の流れ(前半)【演習で理解する統計学】
- 1.2 【最尤法とGLM # 02】基本的な最尤法の流れ(後半)【演習で理解する統計学】
- 1.3 【最尤法とGLM # 03】指数型分布族の定義式と具体的な確率分布との対応(前半)【演習で理解する統計学】
- 1.4 【最尤法とGLM # 04】指数型分布族の定義式と具体的な確率分布との対応(後半)【演習で理解する統計学】
- 1.5 【最尤法とGLM # 05】最小二乗法と最尤法(前半)【演習で理解する統計学】
- 1.6 【最尤法とGLM # 06】最小二乗法と最尤法(後半)【演習で理解する統計学】
- 1.7 【最尤法とGLM # 07/12】最尤法とGLM(前半)【演習で理解する統計学】
- 1.8 【最尤法とGLM # 08/12】最尤法とGLM(後半)【演習で理解する統計学】
- 1.9 【最尤法とGLM # 09/12】ロジスティック回帰の対数尤度の導出(前半)【演習で理解する統計学】
- 1.10 【最尤法とGLM # 10/12】ロジスティック回帰の対数尤度の導出(後半)【演習で理解する統計学】
- 1.11 【最尤法とGLM # 11/12】合成関数の微分とロジスティック回帰のパラメータ推定(前半)【演習で理解する統計学】
- 1.12 【最尤法とGLM # 12/12(最終回)】合成関数の微分とロジスティック回帰のパラメータ推定(後半)【演習で理解する統計学】
- 1.13 関連
最尤法とGLM(Generalized Linear Model)
演習問題の「最尤法とGLM(Generalized Linear Model)」の解説。
最尤法は尤度最大化を目的にしてパラメータを推定する手法です。また、GLMは一般化線形モデルの略称で線形モデルをより柔軟に拡張した統計モデルの一つです。本シリーズでは、最尤法とGLMのそれぞれを基礎からじっくりと解説しています。
このシリーズを通して確認することで、確率モデル、尤度、最尤法(勾配法)、一般化線形モデルが一通り理解できるように解説しています。これらは、ニューラルネットワークなどのさらに複雑なモデルの構造の理解や学習の理論的な背景の理解に繋がっていくため、非常に重要だと考えています。