1318 件ヒット (0.022秒)：
1）社会現象をどのようにして数理モデルとして表現するのか，そしてデータを使ってそのモデルのフィットをどのように確認するのかを学ぶ．
2）統計モデルを利用するうえで必要な確率論の基礎を学ぶ．あわせて経験科学的に興味深い問題を構成する力の基礎を涵養する．
1. To learn the method that explain an interesting social phenomenon with mathematical models and statistical analysis
2. To learn how to formalize an interesting social phenomenon through this course. To train the ability that specifies the problem from good samples.
1）社会現象をどのようにして数理モデルとして表現するのか，そしてデータを使ってそのモデルのフィットをどのように確認するのかを学ぶ．
2）統計モデルを利用するうえで必要な確率論の基礎を学ぶ．あわせて経験科学的に興味深い問題を構成する力の基礎を涵養する．
1. To learn the method that explain an interesting social phenomenon with mathematical models and statistical analysis
2. To learn how to formalize an interesting social phenomenon through this course. To train the ability that specifies the problem from good samples.
（数理）モデルは人や社会のふるまいや傾向を理解するのに大いに役立つ．本授業では以下のモデルを通して，社会科学におけるモデルを理解する．
1) 確率と効用
2) 合理的選択理論
3) 行動の伝播
4) 社会的ネットワーク
Models give us insight about behaviors and tendencies of humanity and society.
In this course, students learn the models in social science below:
1) Probability and Utility
2) Rational Choice
3) Influence of Behavior
4) Social Network
当該年度のGoogle Classroomのクラスコードは情報科学研究科Webpage
https://www.is.tohoku.ac.jp/jp/forstudents/syllabus.html
にて確認すること．
制御・信号処理等の工学の諸分野あるいは情報科学の応用を意識しつつ，確率論・統計学および確率過程を基礎とする確率的情報処理の十分な理解を与える．特にベイズ統計にもとづく予測・推論のモデル化，情報統計力学の導入によるアルゴリズム化について画像処理，パターン認識，確率推論などを例として講義する．
また，確率的情報処理によるデータに内在するゆらぎの取り扱いにも触れ，さらに量子確率場をもちいた情報処理，複雑ネットワーク科学の最近の展開についても概説する．
本講義はGoogle ClassroomからのGoogle Meetsからのリアルタイムオンライン授業として行う．
受講希望者はGoogle Classroomのクラスコードを情報科学研究科Webpage
https://www.is.tohoku.ac.jp/jp/forstudents/syllabus.html
にて各自事前に確認すること。
Google Classroomのクラスコードは工学研究科Webページ
https://www.eng.tohoku.ac.jp/edu/syllabus-g.html
（大学院シラバス・時間割・履修登録）にて確認すること。
制御・信号処理等の工学の諸分野あるいは情報科学の応用を意識しつつ，確率論・統計学および確率過程を基礎とする確率的情報処理の十分な理解を与える．特にベイズ統計にもとづく予測・推論のモデル化，情報統計力学の導入によるアルゴリズム化について画像処理，パターン認識，確率推論などを例として講義する．
また，確率的情報処理によるデータに内在するゆらぎの取り扱いにも触れ，さらに量子確率場をもちいた情報処理，複雑ネットワーク科学の最近の展開についても概説する．
本講義は google classroom 上のGoogle Meets によるオンライン授業として行う．
本講義のクラスコードは工学研究科Webページ https://www.eng.tohoku.ac.jp/edu/syllabus-g.html の中の【Google Classroomコード一覧】で「機械・知能系」を選択した上で各自確認した上で受講すること．
The class code for Google Classroom can be found on the Web site of the School of Engineering:
https://www.eng.tohoku.ac.jp/english/academics/master.html (under "Timetable & Course Description")
Applications to many fields in engineering like control, signal processing etc. and in information sciences are in mind through the lecture course for the basic knowledge of statistical machine learning theory as well as stochastic processes. Brief introduction will be given to methods for applications like statistical estimation etc., and to the relationship with statistical-mechanical informatics. We first lecture probability and statistics and their fundamental properties and explain the basic frameworks of Bayesian estimation and maximum likelihood estimation. Particularly, we show EM algorithm as one of familiar computational schemes to realize the maximum likelihood estimation. As one of linear statistical models, we introduce Gaussian graphical model and show the explicit procedure for Bayesian estimation and EM algorithm from observed data. We show some useful probabilistic models which are applicable to probabilistic information processing in the stand point of Bayesian estimation. We mention that some of these models can be regarded as physical models in statistical mechanics. Fundamental structure of belief propagation methods are reviewed as powerful key algorithms to compute some important statistical quantities, for example, averages, variances and covariances. Particularly, we clarify the relationship between belief propagations and some approximate methods in statistical mechanics. As ones of application to probabilistic information processing based on Bayesian estimation and maximum likelihood estimations, we show probabilistic image processing and probabilistic reasoning. Moreover, we review also quantum-mechanical extensions of probabilistic information processing.
The lectures of the present class is provided as online from Google Meets in the google classroom of the present class.
The Google class code of Google Classroom for this year of the present lecture is available at "Mechanical and Aerospace Engineering" in "Timetable & Course Description" of the following website
https://www.eng.tohoku.ac.jp/english/academics/master.html
Students should confirm the Goole class code by temselves before taking the present class.
合理的選択理論の代表的な文献を講読し、その基本的な考え方の理解を身につける。また、代表的なモデルの応用について検討する。
This course deals with major readings on the rational choice theory. Students are expected to learn the basic thoughts on the theory and practice on the application of typical models.
Google Classroomのクラスコードは工学研究科Webページ
https://www.eng.tohoku.ac.jp/edu/syllabus-g.html
（大学院シラバス・時間割・履修登録）にて確認すること。
不確実性を有するデータから有効に情報を抽出し問題解決に役立てる統計的モデリングは，自然科学，社会科学の様々な分野で広く用いられる。
本講義では，現象の統計的モデリングの基礎理論から始めて，近年の複雑多様な構造を有するデータから効率的に情報を抽出するための柔軟なモデルの設定法, モデルのパラメータの推定法, そして最適なモデルの選択法に着目する。
なお，学部初年級の確率統計の知識を前提とする。
Google Classroom code: pjmzeuj
The class code for Google Classroom can be found on the Web site of the School of Engineering:
https://www.eng.tohoku.ac.jp/english/academics/master.html (under "Timetable & Course Description")
Statistical modeling is widely used in various fields of natural and social sciences to extract information from data and to solve problems. In this lectures, we will start from the basic theory underlying statistical modeling of phenomena , and then focuses on (1) how to set up flexible models, (2)how to estimate parameters of models, and (3) how to select optimal models in order to efficiently extract information from recent data with complex and diverse structures.
Background knowledge on elementary probability and statistics are required.