約 672,958 件
https://w.atwiki.jp/johoselhi/pages/6.html
研究課題設定理由 本校は,工業(マルチメディア・情報電子・情報システム・ロボット工学・自動車工学),商業(情報処理),福祉(医療福祉),普通系(e-プレップ)の8学科を持つ総合高校である。近年,日本企業の海外進出にはめざましいものがあり,それに伴い,専門技術者の海外勤務の機会も多くなっている。国際化が進むにつれて,専門学科教育を推進する専門高校においても,英語能力の向上の必要性が高まってきていることは否めない。IT社会における様々な情報の媒体を担うマルチメディア分野は,技術及びそれにより生み出されるものが世界共通言語のひとつになりつつある英語をベースに置いている。ゆえに,このIT分野における人材育成を考えるとき,英語表現のできる技術をも兼ね備えた人材育成を推進する必要がある。そのため,外国人教師を2名,専任として採用し,英語教育改革をスタートしたところであるが,生徒のやる気,英語力を伸ばしていくには,さらなる改革が必要であるということから,e-プレップ科を新設し,その学科を研究対象としてSELHiに申請をした。本校では,マルチメディア,情報系学科などを持つことから,IT環境の整備に力を入れてきており,平成16年度からスタートする,英語とIT教育を主眼とした「e-プレップ科」においてもITを駆使した英語教育を行う予定である。この学科では英語とIT技術の両方を武器に国際舞台で活躍できる人材の育成を目指している。英語力の育成,異文化理解力を身につけるために,高校1年次末におけるニュージーランドへの留学もe-プレップ科の1つの重要な要素である。本校では,ITを使った英語教育を取り入れ始めたところであり,そのひとつとして希望者がe-learningプログラムを通して,英語の自主学習を行っているが,受講者の英語に対する関心度の向上,積極的な学習態度が見られるようになったなど,早くもその成果が出始めている。今までのマルチメディア科,情報系学科が行ってきた,ITを使った教育の実践をベースに,英語教育にも積極的にIT技術を取り入れ,今まで以上の成果が出せるようなプログラムの開発をしていきたい。IT技術を使った効果的な指導法およびカリキュラム開発に加え,「いつでも,どこからでも」ということも念頭に置き,学習者の動機を高める,自主的学習を支援するプログラムもあわせて研究をしていきたい。上記の取組みを通して,鹿児島県の英語教育の活性化,あわせて高等学校英語教育全体の推進に貢献したい。
https://w.atwiki.jp/kubo-zemi/pages/1228.html
トップページ 新聞論評 新聞論評 2009 新聞論評 20091221 This Page 2009年12月21日 締 切 新聞論評 学籍番号1914083 氏名 須賀亮治 1.新聞情報 見出し COP15、温暖化ガス削減、新目標設定先送りへ、日本「25%」義務負わず。 発行日 2009年12月19日 新聞社 日本経済新聞(朝刊) 面数 1面 2.要約 第15回国連気候変動枠組み条約締約国会議(COP15)は、先進国が2020年までに約束する温暖化ガスの削減目標の設定を見送る見通しとなった。また、日本が掲げる20年に1990年比25%削減する目標は約束として明記されない方向だ。(100文字) 3.論評 17日からコペンハーゲンにおいて第15回国連気候変動枠組み条約締約国会議(COP15)が行われている。今回の最大の焦点である温暖化ガスの排出削減目標では、先進国と新興・途上国の間の対立が激しく、具体的な数値を設定しないもようだ。首脳級会合は世界的な排出削減に取り組む枠組みで、京都議定書について13年以降を第2約束期間として延長することを軸に、同議定書で削減義務を負わない米中などに別の枠組みで参加を求める案を並列して議論した。今回合意に至らなくても、この枠組みを継続して協議するほか、主要国が共通の条件で参加する新たな枠組みづくりも模索する方向となっている。 私は今回の会合で先進国が具体的な排出削減目標を設定しなかったことに怒りを隠せない。本当に環境のことを思っているのならば、削減目標などすぐにでも設定できる。どの国もけん制し合って具体的な削減目標を出さないのだと思うが、環境を守るのに政治的な思惑など必要ない。環境は未来にも続いていくものである。先進国には未来を見据えた政策を考えてほしいものだ。(441文字) 4.コメント 名前 コメント すべてのコメントを見る
https://w.atwiki.jp/novpat/pages/34.html
機械学習最尤推定法 ベイズ推定法 MAP推定法(最大事後確率推定法) ノンパラメトリック法 決定理論誤認識率最小化法 期待損失最小化法 棄却オプション 統計学 ベイズ統計学ベイズ推論の概要 ベイズの定理 パターン認識への3つのアプローチ 決定理論 最尤推定法最尤推定法の概要 確率モデル 情報理論情報量 エントロピー カルバックライブラー情報量 機械学習 学習データセットから確率分布を推定することを機械学習という。とくに、単一データからなる学習データセットから確率分布を推定することを教師なし学習といい、二つ(以上)のデータからなる学習データセットから結合分布もしくは条件付き分布を推定することを教師あり学習という。 無作為抽出されたサンプル集団から元の確率分布を推定することになるので、機械学習は推測統計学と関係が深い。実際、機械学習で使う技法の多くは推測統計学のものである。 機械学習には、大きく分けてパラメトリックなアプローチとノンパラメトリックなアプローチとがある。パラメトリックなアプローチでは、確率分布関数を一次独立な関数の線型(非線型)結合によって表現し、そのパラメーターを推定する。一方、ノンパラメトリックなアプローチでは、データ集合から直接に目的の確率を計算する。 最尤推定法 パラメトリックなアプローチにおいて、もっともポピュラーかつ古典的な推定法が最尤推定法である。変数の確率分布が、パラメーターを用いて条件付き確率であらわされるとき、尤度関数を最大化するを推定値とする: 。 実用的には尤度関数を直接最大化するのではなく、対数尤度関数を最大化することが多い。対数をとることで、 となり、解析的な取り扱いが容易となるためだ。とくに、確率分布が指数関数族であらわされる場合は右辺が多項式になるので、解析的にとなるを求めることができる。 ベイズ推定法 パラメトリックなアプローチにおいて、本来、定数であるはずのモデルパラメーターに不確実性があることをみとめ、その不確実性をも評価する推定法がベイズ推定法である。モデルの不確実性は(ベイズ)確率によって定量的に表現する。古典的な確率論の立場では、確率は客観的な頻度としてしか解釈されないので、定数であるモデルパラメーターに確率を定義することはできない。そのため、ベイズ主義者のなかでしか認められていない推定法である。 ベイズ推定法では、まず、データセットから確率分布を求める。次に、これをパラメーターについて周辺化することで、を推定する: 。 ベイズ推定法の利点としては、次のものが挙げられる。 モデルの複雑度が高い場合でも、オーバーフィッティング(モデルパラメーターの過適応)を避けることができる。 逐次的な学習が容易に導入できる。今、モデルパラメーターの確率分布が既知であるとする(事前確率)。ここで、新しい情報が得られたとすると、ベイズの定理より、と更新できる(事後確率)。さらに、新しい情報を得られたとすると、と更新できる。これより、帰納的にが学習できる。 MAP推定法(最大事後確率推定法) 最尤推定法とベイズ推定法の中間に位置する推定法である。ベイズ推定法と同様に、モデルパラメーターに不確実性があることを認めている。 MAP推定法では、ベイズ推定法のようにパラメーターについて周辺化するのではなく、確率分布を最大化するを推定値とする: 。 は、に関する情報が得られる前からわかっている確率分布だから、事前確率分布とよぶ。一方、は、に関する情報が得られた後の確率分布だから、事後確率分布と呼ぶ。事前確率を事後確率に変換するために必要なは尤度関数である。 ノンパラメトリック法 決定理論 誤認識率最小化法 期待損失最小化法 棄却オプション 統計学 無作為抽出されたサンプル集団から母集団の確率分布を推定する方法論が統計学である。 確率分布の推定方法には、大きく分けてパラメトリックモデルとノンパラメトリックモデルがある。パラメトリックモデルは、確率分布を関数の線型(非線型)結合によって表現し、そのパラメーターを推定することで、確率分布の推定をおこなう。一方、ノンパラメトリックモデルは、今現在得られているデータ集合から目的の確率分布を計算する。 パターン認識や回帰分析は、目的変数と従属変数の結合分布もしくは条件付き分布を推定することと言い換えることもできる。 ベイズ統計学 ベイズ推論の概要 ベイズ推論とは、確率の加法定理や乗法定理を過不足なく用いて(未知)変数の確率分布を推論することである。従来の方式(未知変数の不確実性を無視し一つの推定値を求めていた)とは異なり、すべての可能性を保持・評価するため、 ベイズの定理を用いることで、逐次的な学習(確率分布の更新)が自然に導入できる。今、目的変数の確率分布が既知であるとする(事前確率)。ここで、新しい情報が得られたとすると、ベイズの定理より、と更新できる(事後確率)。さらに、新しい情報を得られたとすると、と更新できる。ただし、逐次的に得られる情報が独立であると仮定できる場合は(ほとんどの例でできる)、である。これをナイーブベイズ識別器という。最尤推定法でも、Robbins-Monroアルゴリズムを用いれば、逐次的な学習は可能であるが、収束スケジュールの調整など技巧的なテクニックを必要とする。 期待値を推定値とすることで、学習時に含まれる誤差(外れ値)の影響を少なくできる。 決定理論と組み合わせることで、最適な意志決定(事後確率の最大化 or 期待損失の最小化)ができる。 棄却オプションを利用できる。 確率モデル(独立に学習した結果)の結合が容易である。 というメリットがある。 ベイズ推論をおこなおうとすると、客観確率(頻度としての確率)に加えて主観確率(不確実性の尺度としての確率)をも確率として認める必要がでてくる。というのも、ベイズ推論にしたがえば、頻度の定義できない変数にも確率分布が定義できてしまうためである。たとえば、正規分布にしたがって生成された乱数列から元の正規分布の平均を推定することを考える。このとき、は間違いなく定数であり確率(頻度)を伴う変数ではない。しかし、ベイズ推論にしたがうと、の確率分布を求める(考える)ことになる。確率を不確実性の尺度として理解することで、この矛盾が解消できるのである。 ベイズの定理 ベイズ推論では、未知変数の確率分布を求めようとする。そのため、確率分布の更新を可能とするベイズの定理: は大きな意味をもつ。は確率変数である。確率分布を事前確率, を事後確率とよぶ。は、という情報を得る前にわかっている確率分布だから事前確率であり、はという情報を得た後にわかる確率分布だから事後確率である。ベイズの定理によれば、事後確率は、事前確率に尤度関数を掛けることで得ることができる。 パターン認識への3つのアプローチ 生成モデル |を入力変数、を目的変数とする。結合分布をモデル化し、決定理論を用いることでの最適値を決定する。このモデルの最大の特徴は、サンプリング法によって人工の入力列を生成できる点にある。これによって学習データの不足領域が明らかになる。入力変数の確率分布までも求めなければならないため、3つのアプローチのなかで最も手間がかかる。特に入出力空間が大きい場合は、パラメトリック学習を用いないと安定した識別器を得ることは難しい。 識別モデル |事後確率を直接モデル化する。推論と意思決定だけが問題である場合、識別モデルで十分である。 識別関数モデル |識別関数の関数形を直接モデル化する。このとき、学習の対象は関数のパラメーターとなる。このアプローチは、他の2つの方法と異なり、入力変数や出力変数の確率分布を考慮しない。そのため、ベイズ推論をおこなうメリットのうち、2.〜5.は使えない。しかし、一度学習さえ完了すれば、意思決定は高速にできるので、音声認識などの実時間処理をしたいシステムに向いている。誤差逆伝搬法やSVMは、ノンパラメトリックな識別関数の学習法の一種である。 決定理論 ベイズ推論によって得られた確率分布から最適な意思決定(行動決定)するための方法論が決定理論である。入力ベクトルをとすると、入力空間のすべてに最適なクラスを割り当てることが目標となる。以後の説明では、結合確率は既知とする。クラスの決定領域(クラスに割り当てられたの集合)はで表す。 ベイズ決定則(事後確率最大化法) |事後確率は、という乗法が与えられたとき、クラスがとなる確率を表しているが、クラスがで正しい確率と読み替えることもできる。このように読み替えると、決定領域が正しい識別結果を返却する確率はによって表すことができる。この確率を最大化するように決定領域を設定したい。その方法は、上式より明らかに、事後確率を最大にするクラスへ分類することだ。 期待損失最小化 |入力にクラスを割り当てたときの期待損失(損失の期待値)を考える。損失はと思っていたものが 期待値 |目的変数が実数ならば・・・ 棄却オプション | 最尤推定法 最尤推定法の概要 ベイズ推論とは異なり、頻度主義にもとづく推定法である。 確率モデル 情報理論 情報量 エントロピー 期待できる情報量。驚きの期待値。分布の一様性を定量的に表したもの。 カルバックライブラー情報量
https://w.atwiki.jp/opfan/pages/1873.html
下級時空属性魔法。 任意の場所や物に目印となる魔力を設置しておく。 どこにいても座標がわかるので、設置しておくと道に迷って帰れなくという事を防げる。 関連 空間魔法 アポーテーション テレポーテーション 破封術式 転送官(ワープナー) 目次に戻る
https://w.atwiki.jp/yocs/pages/13.html
目標とは「折紙で何がしたいか」 例えば… ある対象を折りたい 馬。夏の思い出 ある技法を使いたい インサイドアウト・コンプレックス ある構造を使いたい 蛇腹・角度系 目標は普通一つの創作に対して幾つか並立する。 立てていけない目標はない。目標の立て方が創作者の個性の一つになる。 ただし、同時に達成するには相性の悪い目標が存在する。 それを知っておくことは必要。 折れなかった人向け 何をしたらいいか分からない人向け。 目標の立て方がまずいせいで、とん挫することもある。その場合の対処法を事例で紹介する。 とりあえず目標設定の仕方を教える。 目標設定シートのgoogleシートのリンク張る 題材を決める 特定の基本形で縛る
https://w.atwiki.jp/etrobocon_pattern/pages/26.html
状況 大きな目標を決めたあと。 問題 大きな目標は決まったとしても、日々のスケジューリングが決まるわけではなく、 結局大きな目標の設定に対するアプローチの仕方が不明確になる。 フォース 大きな目標が決まっている チームのメンバーが集まれる 解決策 大きな目標を達成するための、日々の目標を明確に決めることが重要である。 特に大きな目標を決めた後、毎月の目標→日々の目標のように詳細化できるマイルストーンを組むことが重要となる。 特に目標を達成するための手段を明確にしないと、ただ目標を立てるだけになってしまう。 事例 日々の目標設定に対して、予想以上の負担や時間を要する課題が出現する。 そのため、一日の目標を達成したとしても、余裕があれば次の目標に対してアプローチを仕掛けていくことが必要となった。
https://w.atwiki.jp/etrobocon_pattern/pages/24.html
状況 チームの目標が明確に定まっていないとき。 問題 チームとしての目標が決まらないと、チームのモチベーションや会議の内容も薄くなってしまう。 フォース メンバー全員が集まれる 個人個人の目標が決まっている 解決策 目標は順位だけでなく、具体的な内容を決めておく。 モデルと競技の2つの部門あるので、達成すべき内容をそれぞれ決める。 例えば、モデル部門は「審査基準を満たす」競技部門は「すべての難所を攻略する」などといった内容である。 また、あくまで目標は現実的な目標にすべきである。 事例 明確な目標を設定したため、モチベーションの維持だけでなく日々の目標も明確になったので、マイルストーンの設定も容易となった。 しかし、自分のチームの目標設定より他チームが予想をはるかに上回るスコアを出していたので、目標は無難な設定にすると痛い目に遭う可能性がある。
https://w.atwiki.jp/daicom/pages/31.html
ウェブサイトの目標 POINTs 定性目標と定量目標を適切に設定できる 定性としてとらえた場合のユーザビリティの理解 ビジネス的に有効な来訪ユーザーの把握 項目 ウェブサイトの目標設定 目標の種類 定性目標としてのウェブユーザビリティ 定性目標としてのウェブアクセシビリティ 定量目標のウェブサイトへの具体的な応用例
https://w.atwiki.jp/1510/pages/182.html
#blognavi 二郎太討伐一分切るぞ! カテゴリ [独り言] - trackback- 2006年03月01日 11 00 00 名前 コメント #blognavi
https://w.atwiki.jp/gear-tako/pages/14.html
こちらは某掲示板にて掲載した 触手錬金術エロダイススレの過去ログまとめとなります ファイル形式はmhtファイルでzipファイルに固めている状態のリンクとなります zipファイルは任意の解凍ソフトで解凍をおねがいします mhtファイル閲覧の際にはそれ用のビューアーをインストールして閲覧頂くようお願いします 〇プレラー「」ィの竿役工房 【pre_log_001】 錬成竿役:竿役2192号・ターゲット:立花 響 フェーズ:選定・改造・目標設定 ログファイル 【pre_log_002】 錬成竿役:竿役2192号・ターゲット:立花 響 フェーズ:実戦・評価 ログファイル 【pre_log_003】 錬成竿役:-・ターゲット:- フェーズ:選定・改造・目標設定 要素:地上最強の生物・洗脳・返り討ち ログファイル 【pre_log_004】 錬成竿役:竿役4986号・ターゲット:立花 響 フェーズ:選定・改造・目標設定 要素:ニンジャ・フタナリAV俳優・機械強姦魔 ログファイル 【pre_log_005】 錬成竿役:竿役4986号・ターゲット:立花 響 フェーズ:実戦・評価 要素:ハイグレ・ニンジャ ログファイル 【pre_log_006】 錬成竿役:竿役9158号・ターゲット:マリア・カデンツァヴナ・イヴ フェーズ:選定・改造・目標設定・実戦・評価 要素:サラリーマン・路地裏・力技 ログファイル 【pre_log_007】 錬成竿役:-・ターゲット:- フェーズ:選定・改造・目標設定 要素:対魔忍・オートマータ・オーク ログファイル 【pre_log_008】 錬成竿役:竿役6360号・ターゲット:マリア フェーズ:選定・改造・目標設定・実戦・評価 要素:洗脳・平行世界・触手 ログファイル 【pre_log_009】 錬成竿役:竿役6894号・ターゲット:翼 フェーズ:選定・改造・目標設定・実戦 要素:対魔忍・ふたなり・魔王 ログファイル 【pre_log_010】 錬成竿役:竿役6024号・ターゲット:調ちゃん フェーズ:選定・改造・目標設定・実戦 要素:オーク・ふたなり・エルフナイン ログファイル 【pre_log_011】 錬成竿役:竿役9844号・ターゲット:調ちゃん フェーズ:選定・改造・目標設定・実戦 要素:オーク・おしおき・機械 ログファイル 【pre_log_012】 錬成竿役:-・ターゲット:- フェーズ:選定・改造・目標設定・実戦 要素:JIJIORI・ごく普通なサラリーマン…単身赴任のね・触手の錬金術師 ログファイル 【pre_log_013】 錬成竿役:4438号・ターゲット:3色団子 フェーズ:選定・改造・目標設定・実戦・評価 要素:触手・4P・時間停止 ログファイル 【pre_log_014】 錬成竿役:1473号・ターゲット:風鳴翼 フェーズ:選定・改造・目標設定・実戦 要素:マジカル★チンポ・ヒロピン・オーク ログファイル 【pre_log_015】 錬成竿役:6755号・ターゲット:風鳴翼 フェーズ:選定・改造・目標設定・実戦 要素:宇宙から来た機械のAV俳優・イカデビル・グリーザ ログファイル 【pre_log_016】 錬成竿役:竿役7802号・ターゲット:立花 響 フェーズ:選定・改造・目標設定・実戦 要素:月読 調似の海底から来たふたなりの装者・異界から来た人間のキャプテン・海底から来た触手の怪獣 ログファイル 【pre_log_017】 錬成竿役:-・ターゲット:- フェーズ:選定・改造・目標設定・実戦 要素:ごく普通な…オークのAV俳優・ごく普通な…オークの犯罪者・宇宙から来た触手のキャプテン・宇宙から来た人間のAV俳優・ごく普通な…スタンド使いの犯罪者・FISから来た人間のサラリーマン ログファイル 【pre_log_018】 錬成竿役:竿役6132号・ターゲット:風鳴 翼 フェーズ:選定・改造・目標設定・実戦・評価 要素:異界から来たインキュバスのAV男優・異界から来た人間のAV俳優 ログファイル 【pre_log_018】 錬成竿役:竿役6132号・ターゲット:風鳴 翼 フェーズ:選定・改造・目標設定・実戦・評価 要素:異界から来たインキュバスのAV男優・異界から来た人間のAV俳優 ログファイル 【pre_log_019】 錬成竿役:-・ターゲット:- フェーズ:選定・改造・目標設定・実戦 要素:異界から来たふたなりOL・対魔忍世界からやって来た対魔忍アサギ・宇宙から来た狩猟民族の犯罪者・宇宙から来た触手の人工キャプテン ログファイル 【pre_log_020】 錬成竿役:竿役7728号・ターゲット:暁 切歌 フェーズ:選定・改造・目標設定・実戦 要素:ごく普通な…人間の錬金術師・海底から来た機械の錬金術師・異界から来た仮面ライダー迅 ログファイル 【pre_log_021】 錬成竿役:竿役7728号・ターゲット:暁 切歌 フェーズ:選定・改造・目標設定・実戦・評価 要素:異界から来た仮面ライダー迅 ログファイル 【pre_log_022】 錬成竿役:竿役6451号・ターゲット:マリア・カデンツァヴナ・イヴ フェーズ:選定・改造・目標設定・実戦・評価 要素:ごく普通な…人間のAV俳優・海底から来た人間の人工生命体 ログファイル 【pre_log_023】 錬成竿役:竿役7941号(旦那様)・ターゲット:プレラー「」ィ フェーズ:選定・改造・目標設定・実戦・評価 要素:ごく普通な…人間の人工生命体・イチャイチャ・ドスケベウェディング ログファイル 【pre_log_024】 錬成竿役:-・ターゲット:- フェーズ:選定・改造・目標設定・実戦 要素:ごく普通な…ドスケベノイズのニンジャ!・海底から来たオーク(イルカ)の錬金術師 ログファイル 【pre_log_025】 錬成竿役:竿役7853号・ターゲット:風鳴 翼 フェーズ:選定・改造・目標設定・実戦 要素:宇宙から来たメカプレラー「」ィ・地底から来た触手の人工生命体・異界から来た人間の翼さんガチ勢 ログファイル 【pre_log_026】 錬成竿役:竿役7853号・ターゲット:風鳴 翼 フェーズ:選定・改造・目標設定・実戦・評価 要素:異界から来た人間の翼さんガチ勢 ログファイル