約 20,826 件
https://w.atwiki.jp/gominkan/pages/245.html
シーズンオフ 週ごとの俸禄4/8~4/14シーズンオフ 4/8~4/14(計7日間) 俸禄受け取り方法の選択(締め切りました)資金で受け取りたい方はこちら(資金=推定作業時間×0.5 四捨五入 2時間あたり1億) 個人口座へマイルで受け取りたい方はこちら(マイル=推定作業時間×2.0 端数四捨五入) 藩国口座へマイルで受け取りたい方はこちら(マイル=推定作業時間×2.0 端数四捨五入) シーズンオフ 週ごとの俸禄4/8~4/14 シーズンオフ 4/8~4/14(計7日間) 国民番号 PC名@藩国名 実作業時間 推定作業時間 俸禄(資金) 俸禄(マイル) 備考 0100026 ノーマ・リー@るしにゃん王国 1 1 - 2 個人口座 0200039 リバーウィンド@akiharu国 7 7 - 14 藩国口座 0600147 霰矢蝶子@レンジャー連邦 8 8 - 16 個人口座 1400288 深夜@後ほねっこ男爵領 3 3 - 6 個人口座 1700332 道化見習い@FVB 2.2 2.2 - 4 個人口座 1800344 星月 典子@詩歌藩国 2.7 2.7 - 5 個人口座 2000381 たまき@愛鳴藩国 9 9 - 18 個人口座 2600510 こんこ@たけきの藩国 9 9 - 18 個人口座 2900550 瑠璃@になし藩国 1.3 1.3 - 3 個人口座 3000572 双海環@芥辺境藩国 5.7 5.7 - 11 個人口座 4100008 ゆうみ@悪童同盟 10.3 10.3 - 21 個人口座 総計 59.2 59.2 - 118 俸禄受け取り方法の選択(締め切りました) ターン9第2週からの俸禄は、資金とマイルのどちらで受け取るかを選ぶことができます。 また、4/28の質疑結果により9/10から資金とマイルの報酬が変更になりました。 (資金:2時間あたり1億、時間×0.5 四捨五入) (マイル:1時間あたり2マイル、時間×2.0 端数四捨五入) 資金で受け取りたい方はこちら(資金=推定作業時間×0.5 四捨五入 2時間あたり1億) 個人口座へマイルで受け取りたい方はこちら(マイル=推定作業時間×2.0 端数四捨五入) 俸禄をマイルで個人口座へ受け取りたい方は、こちらのコメント欄に書き込んでください。 個人マイルでの支払いを希望します。 -- 深夜@後ほねっこ4級 (2008-04-30 22 24 27) ありがとうございます。個人マイルでいただきます。 -- ゆうみ@悪童同盟 (2008-05-01 11 43 04) ありがとうございます。個人マイルでいただきたいと思います。 -- こんこ@たけきの藩国 (2008-05-01 22 20 45) ありがとうございます。個人マイルでお願いいたします。 -- たまき@愛鳴藩国 (2008-05-01 22 22 04) ありがとうございます。個人マイルで受領します。 -- 双海環@芥辺境藩国 (2008-05-01 23 40 41) 藩国口座へマイルで受け取りたい方はこちら(マイル=推定作業時間×2.0 端数四捨五入) 俸禄をマイルで藩国口座へ受け取りたい方は、こちらのコメント欄に書き込んでください。 藩国マイルでの受け取りをさせていただきます。よろしくお願い申し上げます。 -- リバーウィンド@官長 (2008-05-01 07 35 56)
https://w.atwiki.jp/chibifantasy2/pages/197.html
アイテム名 装備レベル レベル 攻 防 魔 魅 運 早 火 水 風 土 入手 備考 満腹兎 170 0推定値 - 21.25 - 1.50 1.50 - - - - - キャッシュ 2008 9月 30 - 85.00 - 6.00 6.00 - - - - - でかてる君 200 0推定値 - 25.00 - 2.00 5.00 - - 4.50 - - キャッシュ 2008 5~6月 30 - 100.00 - 8.00 20.00 - - 18.00 - - ガンマンの相棒 200 0推定値 - 30.83 - 6.67 - - - - - - 福袋重 2009お正月 2 - 37 - 8 - - - - - -
https://w.atwiki.jp/kazugoto/pages/36.html
概要 ここでは、当サークルの「市民のための統計学」シリーズの同人誌を紹介していきます。 現在頒布中の同人誌 市民のための〈基礎から学ぶ〉統計学 内容 度数分布・平均・相関関係から分散分析、そして社会調査法や一部の疫学まで、社会科学に必要な統計学を解説した本です。これまでに刊行した「市民のための統計学」シリーズの総集編となります。 発行日 2010(平成22)年10月24日(サンシャインクリエイション49) 価格 即売会 700円 書店委託 800円(税抜き) サンプル・訂正情報 準備中 委託取扱書店 COMIC ZIN:http //shop.comiczin.jp/products/detail.php?product_id=6839 電子書籍 準備中 国立国会図書館書誌情報 http //iss.ndl.go.jp/books/R100000002-I000011206100-00 目次 0.1 まえがき 1 第1章 平均と分散 1.1 はじめに 1.2 平均 1.3 分散 1.3.1 歪度と尖度 1.3.2 標準化と偏差値 1.4 知っておくと便利な定理 1.5 度数分布表 1.5.1 度数分布表の基礎 1.5.2 度数分布表による平均・分散の求め方 1.5.3 度数分布表から平均・分散を求める 1.5.4 最頻値、中央値 第2章 相関関係 2.1 はじめに 2.2 相関係数とは? 2.3 相関係数の求め方 2.3.1 共分散 2.3.2 相関係数 2.3.3 証明:yi = axi なら本当に相関係数は1(または−1)か? 2.4 時系列解析 第3章 回帰分析 3.1 はじめに 3.2 線形回帰分析の目的とは? 3.2.1 実務における回帰分析 3.3 線形回帰モデルの当てはまりの良さを見る 3.4 回帰分析を用いた研究を読む 3.5 実際に回帰直線を求めてみる 3.6 回帰係数はどのように決められるのか? 3.7 偏相関係数 3.8 重相関係数 3.9 発展:最小二乗法をもう少し別の角度で考えてみる 3.10 発展:ロジスティック回帰分析 第4章 確率論の基礎と確率分布 4.1 確率変数 4.2 確率密度関数・確率分布関数 4.2.1 平均と分散 4.2.2 発展:積率母関数 4.3 正規分布 4.3.1 中心極限定理 4.4 [[その他]]代表的な確率分布 4.4.1 離散的な確率変数に対する確率分布 二項分布 ポアソン分布 幾何分布、ファーストサクセス分布 超幾何分布 4.4.2 連続的な確率変数に対する確率分布 t分布 χ2分布(カイ二乗分布) F分布 指数分布 一様分布 第5章 区間推定 5.1 区間推定とは? 5.2 平均値の区間推定 5.2.1 母分散が既知の場合 5.2.2 母分散が未知の場合 発展:最尤推定法 5.3 母分散の区間推定 5.4 一問一答形式の質問に対する区間推定 5.5 二つの母集団の統計量の関係に関する区間推定 5.5.1 平均値の差の区間推定 5.5.2 相関係数の区間推定 5.6 対応がある場合の区間推定 第6章 検定 6.1 検定の基礎知識 6.2 正規母集団の平均値の検定 6.2.1 母分散が既知の場合 6.2.2 母分散が未知の場合 6.2.3 一問一答形式の設問に対する検定 6.3 正規母集団の平均値の差の検定 6.3.1 両方の母分散が既知で、かつ等しい場合 6.3.2 両方の母分散が未知の場合 母分散が等しいかどうかの検定 母分散が等しいと見なせる場合 母分散が等しいと見なせない場合:ウェルチの検定 6.4 対応がある場合の検定 第7章 効果量と検定力分析の基礎 7.1 はじめに 7.2 効果量 7.3 検定力とは 7.4 サンプル数の検討としての検定力分析 7.5 統計的検定に対する検査としての検定力分析 7.6 対応がある場合の効果量 第8章 適合度の検定/独立性の検定 8.1 はじめに 8.2 2×2 のクロス集計表に対する検定(独立性の検定) 8.3 質的な統計量に対するカイ二乗検定(適合度の検定) 8.4 2 つの母集団への適用(独立性の検定) 8.5 3 つ以上の母集団への適用(独立性の検定) 8.6 確率密度関数への当てはめ 第9章分散分析 9.1 はじめに 9.2 完全無作為1 要因デザイン 9.3 完全無作為2 要因デザイン 第10章 社会調査法の基礎 10.1 はじめに 10.2 社会調査の意義とは 10.2.1 統計学とは統計を疑うことと見つけたり 10.2.2 統計を疑え(1) サンプリング編 10.2.3 統計を疑え(2) 質問紙編 10.3 社会調査のデザイン 10.3.1 はじめに 10.3.2 母集団と標本 10.3.3 サンプリング 10.3.4 おわりに 第11章 医療と疫学の統計学の基礎 11.1 はじめに 11.2 コーホート研究の基礎 11.2.1 はじめに 11.2.2 特定の環境への曝露と疾病の発生 第12章 付録
https://w.atwiki.jp/aspirin-marcov/pages/61.html
確率モデルを使用する意味 個体、集団、種の遺伝的属性(個体のジェノタイプ、集団の遺伝子頻度、DNA配列多型)は確率的に遺伝することにより生じるものだから、これらは確率モデルなしで研究することはできない。 たとえば遺伝子発現のパスウェイの研究などでは、現状では確率的解析は必要がない場合もある。しかしであっても他の観察的科学の領域と同様、確率的解析が必要となってきている。 ちょっとベイズの勉強・・・byベイズ統計学入門 統計学の分類 データ解析 記述統計学(ゴールトン、ピアソン) テューキーの探索的データ解析 推測統計学 区間推定 ベイズ推測 統計的決定理論 フィッシャーの最尤法 ネイマン・ピアソンの統計的仮説検定 サベジによるベイズ的意思決定理論 ベイズ推測の原理 観察データとモデルのパラメータがともに確率変数である 自分的解釈:確率変数とは、「さいころの目」。つまり、いかさまができないさいころでは、さいころをふるまではさいころの目がどうなるかわからない。これまでの統計理論では、母集団のパラメータとは真実の値があるものだが有限のデータからはわからないとしていた。ベイズでは、母集団のパラメータは、観察データをみるまではわからない。観察データを見てみると、このあたりだろうとなり、さらなる観察データが出るといやこのあたり、と修正できる。最初の観察データを見る前には、事前確率を主観的に与えることができる。 「データ」は観察できる確率変数、「パラメータ」は観察できない確率変数 結合確率分布とは、尤度とpriorの積 priorは、データを得る前に手にしている情報を元にした確率分布 尤度は、パラメータがある特定の値をとったときに観察データが得られる条件付き確率 ベイズ推定の主な目的はパラメータの事後分布を計算すること:それはデータが与えられたときのパラメータの条件付分布 点推定は、事後分布のmodeやmeanから得られる。 区間推定は値のcredible(信用?)setを得ればよい(真のパラメータを1-αの確率で含むセットまたは区間) 未知の集団からの個人を、遺伝子型にしたがって出生集団にアサインする方法- Box1 非ベイズ的アプローチでは、frequentistの方法であるモーメントを用いた方法がある。 最尤法は尤度関数による推定法で、事前情報を考慮しない。古くからあるベイジアンへの批判は、priorの選択が客観的ではないというものである。 しかし原理的には、これは最尤法における尤度関数の選択と違いはない。 ベイズ推定を行う現実的な理由はたくさんある 確率モデルにたくさんの相互依存的な変数が含まれていて、それらが特定の範囲の値しか取れないならば(遺伝学においてよく見られるように)、最尤法においては尤度関数を最大化するパラメータのセットを探し出すため多次元の最大化を行う必要がある。 さらに、最尤法においては、信頼区間や統計学的検定においては巨大なサンプルサイズにおいて正確となるような近似が行われている・・・たとえば最尤推定量の確率分布は正規分布に従う、というように。 ベイズ推定においては、最大化ではなく積分を行ってパラメータを求めるが、その際さらなる近似は必要ない。 1950年代にマルコフ連鎖モンテカルロ法を用いて開発された数値計算法と、新しい強力なコンピューターによりベイズ事後確率の評価は非常に容易になり、最尤法などの古典的方法が適用しにくい複雑な遺伝的モデルにおいても計算がやりやすくなっている。 →これが近年科学のほとんどの分野でベイズ推定の人気が極端に上昇した最も重要なファクターである。 集団遺伝学 集団遺伝学は、フィッシャー、ホールデン、ライトにより構築された。 初期の統計学的方法においては、method of momentsの方法を用いて遺伝的モデルのパラメータの関数として多様な推定量の期待値を計算していた。 尤度によるアプローチは後年まで用いられなかった。 Coalescent theoryは集団遺伝学に強い影響を与えた。 初期の方法と同様に期待値を与えるが、パラメトリックブートストラッピングが可能となり、frequentistの伝統にのっとりより洗練された信頼区間と仮説検定を行うことができた。 coalescent theoryは系統樹モデルの尤度計算を提供するので、ベイズアプローチによる地政学的歴史の推定も可能である。 また、個体の起源となる集団にアサインし、遺伝子の選択を検出することもできる。 demographic modelsのパラメータの推定 集団遺伝学的推測の特徴は、尤度関数のパラメータ、たとえば突然変異率μや有効集団サイズNeは積としてのみ得られる、つまりnon-identifiableであるということ。 中略 ゲノミクス 配列解析 系統進化的でない側面での配列解析では、豊富で多様なモデルベースの方法の歴史があり、早い段階でMCMCの応用もされていた。 マルコフ連鎖または隠れマルコフモデル(HMM)は配列解析のほとんどの最尤法の心臓部にあたる。いくつかの尤度ベースの解析ではベイジアンな計算をしている。たとえばGeneMarkソフトウェアは原核生物のゲノムのアノテーションに用いられるが、さまざまな異なったシチュエーション(コーディングであるか、ノンコーディングであるか・・・など)での尤度を計算し経験的ベイズ計算をする。 ベイズ解析では、あるnucleotide positionの塩基やアミノ酸残基が、確率分布からランダムにサンプリングされたものだと仮定する。 用途 model protein alignment local alignment identify transcription-factor binding sites 最尤法によるアプローチだとパラメータ数を多くは取れず、有意検定ではhigh-dimensional optimizationsが必要となってしまうのに対してベイズであればより多くのパラメータを考慮でき(本質的には、最尤法では可能なパラメータ数が固定されるが、ベイズでは可変である)、検定は有意検定よりも厳格である。 HMMモデルをMCMCフレームワークにいれたやり方が、今後は最尤法ベースよりも普及するだろう。 SNPの認識 通常SNPは、少数の集団を強力にシークエンスすることで見つける。→ジェノタイピングエラーなどによる偽陽性が多くなる。 PolyBayesというソフトウェアが広く使われている。 SNP発見における二つの問題:(1) 相同なシークエンスが存在すること (2) シークエンスエラーがありうること。 (1)に対して:サンプルシークエンスとリファレンスシークエンスとのミスマッチの数を数える。事前情報は相同配列同士のペアワイズの配列の違いで、どれくらいのミスマッチを得るかを二つの仮説について計算し、相同な領域からのミスマッチであるかどうかの事後確率を得る。 (2)に対して:二つの仮説、「観察されたvariantは単なるエラーである」と「観察されたvariantは真のpolymorphismである」を比較する。Indelは無視。 ベイズ的ハプロタイプ推定 EMアルゴリズムよりもコンピュータへの負荷が少なく正確な推定を返す。 観察データGから、集団ハプロタイプ頻度Fと/または個人ディプロタイプHを推定する。 事前分布が問題・・・ Niuらは任意の分布を用いた Stephensらはcoalescent modelを使用した。 最近の研究では、推定されたハプロタイプ頻度を、個人のハプロタイプがはっきりしないことの説明抜きで直接ケースコントロール研究に用いている。 遺伝子の発現と調節レベルの推定 DNA-RNAハイブリダイゼーション技術をもとにした遺伝子発現レベルの測定法においては統計学的問題が発生する。ベイジアンたちもこの問題に興味を持っている。 問題点は次の二つ どちらの遺伝子が、treatmentに影響されたのか 発現パターンをもっともうまく特徴付けるモデルはなにか? 再現実験におけるモデル多様性の情報を最大化する 同じ遺伝子で繰り返すことはできず、別の遺伝子の情報を用いることになる 階層化ベイズモデルで可能である 偽陽性、儀陰性を最小化する sequential p-value methodにて行う fully Bayesian methodを使用することもできる→affected genesを柔軟な方法で取り出すことができる マイクロアレイ→古典的にはノンパラメトリックな序列化またはクラスタリングを行う ベイジアンモデリングを適用すると、古典的方法では困難である検定や、特定のグルーピングの信用区間を得られる。 人類遺伝学 関連マッピング 関連解析→検出力は高いが偽陽性が多い。偽陽性のひとつの理由:集団の構造化 疾患の突然変異も、特定のマーカーアレルも、特定の集団において偶然の理由(遺伝的浮動や環境要因)で増減することがあり、それらは関連しているように見える 1990年代に、その問題の解決のためTDTなどのFBATが導入された。FBATでは、患者に伝達されなかったアレルをコントロールとし、伝達されたアレルをケースとする。 欠点1 連鎖なしまたは関連なしの複合帰無仮説を検定する。しかし知りたいのはどっちであるのかだ。 欠点2 過去の連鎖解析や関連解析の情報を活かせない。 ベイジアンFBATが開発されている。組換え割合などのモデルパラメータに対し柔軟な事前確率密度を適用し、ベイズ因子を用いる。 集団の構造化を補正するもうひとつの方法は、連鎖していない遺伝的マーカー(genomic controls)を利用することである。二つの欠点がある これらは疾患感受性アレルのマッピングをするために特異的に開発されたものではない genomic ancestriesやadmixture proportionsの統計的な不確実性を充分説明していない これらに対応するため、ベイジアンな取り組みが行われている 疾患感受性遺伝子のファインマッピング 1980年代に、最初のゲノムワイドマーカーであるRFLPが開発された。→disease geneが特定の染色体領域にあることを明らかにし、ポジショナルクローニングの成功率を高めた。 連鎖解析により明らかになる候補領域はたいてい1Mb以上であり、1980年代の技術ではシークエンスは不可能だった。 そこで、候補領域内の遺伝子多型マーカーをタイピングすることになった。この方法で、疾患染色体の共有する ancestral haplotypesをさがす。 基本的なアイデアはこうである。disease mutationが特定の染色体上の特定のハプロタイプ上に現れると、ancestral recombinationにより、disease-mutation locationから遠いところからハプロタイプのdecayがおきてゆく。このようなやり方はLD mappingとも呼ばれる。 初期の方法では、single-linked genetic marker間のペアワイズ解析を行うだけだった。基本的には、非組換えハプロタイプの予想割合を解き、それからポワソン分布を仮定するようになった。さらに、coalescent theoryにもとづくパラメトリックモデルを用いて、disease-mutation positionを最尤推定するものもある。 しかしmultiple linked markersやgenetic heterogeneity(multiple disease allelesなど)があることから、最尤推定を行うことが難しくなってきた。 MCMCを用いたベイズ的な方法はこの方法のalternativeである。 unknown genealogy (coalescent tree)やancestral haplotypes that underlie a sample of seiase chromosomes、そしてage of disease mutationsなどのnuisance parametersを積分できる。 また、multilocus haplotypesやgenotypesを直接使用し、またその他の追加情報をpriorとして組み込むこともできる。 RannalaとReeveはNCBIのヒトゲノム配列とHGMDをpriorとして利用した。 また、ベイジアンな方法だと、ハプロタイプではなく観察ジェノタイプデータを直接利用し、MCMC法でハプロタイプを組み立てることができる。allelic heterogeneityはさらにshattered coalescent methodsでモデル化できる。
https://w.atwiki.jp/kanonno/pages/299.html
[部分編集] 戻る 「お宝いただくわよ!」 年齢:18歳 性別:女性 身長:157cm 体重:46kg 声優:今井 由香 称号:レンズハンター 『テイルズ オブ デスティニー』のヒロイン。 遺跡発掘を生業としているトレジャー・ハンター。 スタンたちと共に別のギルドに所属していたが、アドリビトムに移籍してきた。 お金にがめつく、いつも儲け話を探している。 水のソーディアン、アトワイトのマスター。ハンターというより、盗賊のビショップ Dキャラの中では唯一□+→がパッシングスルーになっている。 TOキャラの中で唯一の短剣装備可能。 特技・晶術(rk) Lv 名称 TP 属性 倍率(ヒット数) タイプ 備考 初期 サーチガルド 8 - 50(50×1) 特技 獲得ガルドはスズメの涙 初期 ファーストエイド 5 無 - 治癒術 味方のHPを25%回復推定詠唱時間:110F(約1.83秒) 初期 アイスニードル 7 水 270(90×3) 初級術 氷の針を三発飛ばして攻撃推定詠唱時間:110F(約1.83秒) 初期 スナイプエア 8 - 180(80→100) 特技 ジャンプ斬り上げ→突き落とし 初期 ローバーアイテム 15 - 275(275×1) 特技 盗賊と比べると攻撃判定が低い位置に発生するので、小さい敵からアイテムを盗むときに便利。 11 アイシクル 7 水 290(140→150) 中級術 地面に小さな氷を発生させて攻撃推定詠唱時間:110F(約1.83秒) 13 ブリザード 15 水 575(115×5) 上級術 直線状に吹雪を起こして攻撃推定詠唱時間:220F(約3.67秒) 15 ヒール 13 無 - 治癒術 味方一人のHPを50%回復推定詠唱時間:220F(約3.67秒) 18 シャープネス 13 無 - 補助術 味方単体の物理攻撃力を上げる推定詠唱時間:160F(約2.67秒) 21 アイストーネード 15 水 630(105×6) 中級術 氷塊混じりの竜巻を起こして攻撃推定詠唱時間:220F(約3.67秒) 24 スナイプロア 13 - 250(110→140) 奥義 ダッシュ突きから撥ね上げて斬る 26 リカバー 21 無 - 治癒術 味方一人の状態異常を回復推定詠唱時間:110F(約1.83秒) 29 レイズデッド 28 無 - 治癒術 味方一人の戦闘不能を回復回復量は最大値の30%推定詠唱時間:160F(約2.67秒) 34 スラッシュレイン 15 水 280(70×4) 秘技 空中から水の斬撃を放つ 41 キュア 21 無 - 治癒術 味方一人のHPを75%回復推定詠唱時間:220F(約3.67秒) 45 ライフディスチャージ 1 水 5000(5000×1) 秘奥義術系 味方全員HP全回復+状態異常を解除リメDと違い、戦闘不能は回復しない 49 タイダルウェイブ 29 水 1320(110×12) 上級術 広範囲に津波を起こして攻撃推定詠唱時間:440F(約7.33秒) 51 ブラッディローズ 21 - 440(30×11→110) 奥義 高速の斬撃が血のような薔薇を描く乱舞剣技敵が浮かないとジャンプ突きの時点で終了。当てづらい。 55 サーペントエッジ 15 水 360(60×6) 秘技 遠距離から絡む連撃後、近距離に引き寄せる秘技 前作から削除された術技一覧 アシッドレイン、サイレンス、ディスペル、アイスウォール、エスケープ・エア、ナース メイルストローム、ディープミスト、バリアー、リザレクション 通常攻撃(rk) コマンド 名称 備考 N(←→) 突き 出が遅めでリーチも微妙 N(←→)⇒N(←→) 切り払い 範囲は広めで真横にも当たる ↓ 下突き 出が遅めでリーチも微妙 ↓⇒↓ 下切り払い 範囲は広め ↑ 切り上げ 軽く回りながらジャンプしつつ切り上げる。 JN(↓) ジャンプ突き 如何せんリーチが短い 浮かし効果あり お勧め通常攻撃:N(←→)⇒N(←→) 突き⇒切り払い。この後突きを出さずに止めたほうが無難。 立ち回り(rk) 前衛も攻撃術も回復も出来る万能キャラ。 攻撃術は高範囲・高威力を誇るタイダルウェイブを覚えるが、回復術のために、TPは使いすぎないようにしよう。 全体を完全に回復してくれる秘奥義が便利で、タイダルウェイブでOVL値もためやすい 前作と比べ良特技が大幅削除され、使い勝手が落ちた無詠唱・無難な威力を誇ったアイスウォール 全体回復技(ナースやリザレクション) ステータス補助系術(アシッドレイン,バリアーなど)が削除されたのは痛い。 幸いシャープネスは習得するので、火力不足の味方を助けることは可能 とは言っても、武器の短剣はアイテム獲得率・レア獲得率を上げやすく、回復もこなせ、主な攻撃も術なので武器も気にしなくても言いという、アイテム集めの時にはぜひ入れておきたいキャラ。 スナイプエアや短剣に付きやすいOVL上昇、攻撃力の低さが気にならない毒付加など、雑魚相手には前衛としても使用可能。 お勧めコンボ(rk) 上通常攻撃⇒空中通常攻撃⇒n~ 浮く敵専用の永久。 通常攻撃x2[3]⇒ブラッディローズ 通常攻撃で敵を仰け反らせ、すかさずブラッディローズ。 スナイプエア⇒サーベントエッジ⇒ブラッディローズ 多段ヒットを稼げるコンボ。最後に相手を突き飛ばすので、間合いも取れる。 スラッシュレイン⇒スナイプロア 敵の集団に遠距離からスラッシュレインを打ち込んだ後、掠めるようにスナイプロアを決める。 成長率(rk) Lv HP TP 物攻 物防 術攻 術防 敏捷 10 386 179 35 37 112 105 261 45 1424 278 79 74 220 222 306 50 1572 288 86 79 235 239 312 60 1868 309 98 90 266 272 325 100 3054 382 149 132 389 406 377 150 4536 466 213 184 542 574 441 250 7500 625 340 290 850 910 570 戦闘台詞(rk) 戦闘開始 「お宝いただくわよ!」 被ダメージ 「うっ!」「いったっ!!」 戦闘不能 「嘘…私が…っ」 アイテム使用 「それっ」 OVL 「本気にさせたわね!」 秘奥義 「全てを癒す導きを示さん・・・ライフディスチャージ!!」 戦闘勝利(楽勝) 「お宝抱えて出直してらっしゃい!」「よーし!バッチリ!」 戦闘勝利(普通) 「やったわね!」「オッケー!」 戦闘勝利(辛勝) 「まったく、割に合わないわね」「随分高くついたわね…」 敵対時戦闘開始 「楽しませて頂戴!」
https://w.atwiki.jp/schoollive/pages/17.html
データ 推定身長 164.5cm 推定年齢 20代後半
https://w.atwiki.jp/piggyboo/pages/51.html
収穫と種蒔きとちょこ掘りと。 ヴァナでは農業を営んでいるにざかなです。 本日は収穫と種蒔きの日。 肥料(クリ)を与える際に、間違って氷クリを投与している鉢が40個くらいあり、びっくりするほどギサールです。 収穫して種を蒔き、上がり(収入)を送金する作業をぼへーっとやってました。正直苦痛。 その後、にた君がノーグに蝉を取りに行くといい、りべさんにテレポヨトをしてもらうと言っていたので、便乗してヨアトルにいってきますた。 ちょこ掘り目的。 マクロ組んでくぇっくぇっやるんだが、なかなか掘りあてない。 たまにカザムパインとか木霊の根とか骨くずとか骨くずとか骨くずとかがでる。 あまりに退屈すぎて泣けるが、まだまだギサールは残っているので引き続きちょこ掘りをせねばなーと思いつつ就寝の構え。 Lv52で見るけもりんサポートジョブ考察その2 けもりんもLv52となり、ライトスタッフ(HQアポロスタッフ)が解禁となっている。 通称光杖と呼ばれるモノだが、あやつる成功率が各段にUPするらしく、けもりんならもっとけ!と言われるモノ。 だが、しかしである。 にざかなさんの心のサポートジョブは踊り子。 武器の持ち替えによるTPロストはサポ殺しとなってしまうのであった。 白上げろよ…と隣から言われそうであるがそこは意地になる。 Wikiには獣/踊は丁度以下乱獲で真価を発揮するとか何とかわかってるわいそんなこと!ってなことが書いてあって、しょんもり。 ではどうするか。 考え中…です…… コメントつけてみました。うん。それだけ。 -- 本人 (2009-09-08 12 31 30) コメント欄がついてるー!!!一行でコメントか・・ -- 臼らニタ (2009-09-08 18 02 35) おもしろそうなので自分も・・・■ ついにナイトのレベル上げに自我が目覚めた 22 users(推定) ■ 現代ナイトのレベル上げの最前線 4 users(推定) ■ 時計仕掛けのナイトのレベル上げ 76 users(推定) ■ ナイトのレベル上げを学ぶ上での基礎知識 121 users(推定) ■ ナイトのレベル上げに全俺が泣いた 223 users(推定) 最後のは、まさに今の心境w -- りべ (2009-09-09 19 46 28) お名前 一行でコメントを・・・
https://w.atwiki.jp/todo314/pages/244.html
Stability of Influence Maximization Xinran He, David Kempe KDD 2014 動機付け 影響最大化の高速手法と確率推定の手法は沢山研究されている でも,ノイズは無視できない! もし,推定確率でのσと真の確率でのσの差がでかかったら, 推定σで影響最大化しても意味が無い 確率を摂動しても安定かを判定する問題を定式化しよう Influence Difference Maximization p_uv 推定した確率 I_uv = [l_uv, r_uv] 摂動する範囲 $$ \max_S \max_{p \in P} | \sigma_p(S) - \sigma_{p }(S) | $$ 摂動させた中で一番ズレが大きいところを見つける でも,p ≧ p ならσ_p(S)≧σ_p (S)なので,↑みたいにするのではなくて,端点だけ考えればOK $$ max. \delta_{p, p }(S) $$ $$ s.t. |S|=k $$ $$ \delta_{p, p }(S) = \sigma_{p}(S) - \sigma_{p }(S) $$ 結果等 安定性の評価 「δは非負,劣モジュラ,だけど単調ではない」 θ 推定したパラメータ θ 真のパラメータ θ+ σが最大となるパラメータ θ- σが最小となるパラメータ これだけと,δで評価したずれから,σ (A)とσ (A )の不等式を導出できる Aはσを1-1/e最大化した頂点集合,A は真の最適解 非単調劣モジュラ関数最大化 Random Greedy ゲインの大きいk頂点をとってきて,そこからランダムに一つ追加 Continuous Double Greedy 謎 ↑2つの内結果の良かったものをとってくれば0.356近似 だけど,Random Greedyでも1/e近似くらいになる 時間計算量がO(knmR)なので,CELF導入 実験 グラフは小さい,しょうがない 10%のずれならなんとかなるけれど,20%を超えるとやばいことになる まとめ 問題への落とし方がちゃんとしているなあと思った 安定性の評価まで出るのがよさげ これ高速化するだけじゃ駄目だなあ… KDD 影響最大化 情報拡散 2014-08-19 19 14 54 (Tue)
https://w.atwiki.jp/kyoyuhakoniwa/pages/55.html
ST ステルスミサイルの略称。攻撃されたログは出るが、どの島が実行したかは表示されないミサイル。 難民が発生せず一発50億円と値段が高い。経験値が入る、着弾誤差が2ヘックスなどの点は通常ミサイルと同じ。 用途としては無差別テロ、ターン杯獲得妨害、勝てない島への嫌がらせなどに使われる。 ログに表示されなくとも様々な情報から発射元が特定される場合もあるため注意が必要である。 発射方法はまずST単独で使用した場合、資金繰りしただけに見せかける事ができるが、 いわゆる放置とは違って「島名がグレーで表示され後ろに()がつく」が発生しない。 それをそのターン誰かに確認されてしまったら、資金繰りでは無いことがすぐにバレてしまうため一般的にダメな方法とされる。 リスクは高いが、更新を確認されにくいタイミングで使用しログ捜査のかく乱に利用できるかもしれない。 基本としては「地ならし+ST」になる。地ならしはターンを消費せずログには「整地」と表示されるため、 整地しただけに見せかける事ができる。STが発射されたターン時に整地をした全ての島の中にまぎれこむ訳だ。 あまり連続して撃つとログ監視の目が強化され、整地した容疑者の中から消去法ですぐに特定されてしまうため、 最低でも10ターンほど間隔を空けて撃つのが望ましい。 発射数も多すぎると、それだけ一度に発射できる上位の島である事が疑われ、推定資金も大きく変動してしまう。 継続して活動するには、あせらず何事もほどほどにしよう。 特定されないためには、自島の推定資金の変動に細心の注意を払わなければならない。 監視によって推定資金とログを数ターンに渡って比較されてしまえば、ほぼ正確な資金値が外部にも分かってしまう。 「整地」だけしか、していないはずなのに推定資金が不自然な変動してしまってはアウトだ。 そこで資金変動をごまかすテクニックが重要となる。値段の違うコマンドなのにログが同じになるのは、 資金繰りとST、整地と地ならし以外にも、植林とミサイル基地、ハリボテと防衛施設などがあり、 これらをSTの前後に複数混ぜて資金変動をコントロールする事により、監視下でも善良な島を装うことが可能になる。 ほかにも伐採量、貯蓄上限超過資金、島名変更費、極秘通信費などが、外部からは分かりにくく資金に影響をあたえる。 これだけやっても、ひとりでSTを撃ち続けると 整地した島の中から容疑がどんどん絞られてゆくことに変わりはない。 そこで複数犯である。単独犯と思わせてSTが飛んでいる最中にまったく別のコマンドをする事で容疑者から外れるのだ。 具体的な方法としては便乗と同盟がある。 便乗は、すでに活動している他のST使用者に合わせ、同じような発射数、同じような島、同じような時間帯にまぎれて撃ち込む。 同盟は、密かに協力して交互にアリバイを偽装し、資金変動を指摘されても極秘通信費に使ったなどと口裏を合わせる。 3人、4人と仲間が多ければ多いほどより発覚しにくくなる。うまく仲間を集めよう。 ※推定資金は0~499億円は「推定500億円未満」、500~1499億円は「推定1000億円」などと表記されます。 ミサイル PPミサイル 陸地破壊弾 極秘 箱庭用語一覧 名前 コメント
https://w.atwiki.jp/nopu/pages/19.html
黄色い本について 各章の基本的な流れ 問題定式化→最小二乗法(頻度主義)→オンライン→ベイズジアン 表記 確率密度関数 注 多変数分布関数というのは,要するに同時分布(結合分布)を表しているに他ならない!!! 従って,特に各成分が独立なとき次が成り立つ。 密度関数の変数変換 多変数で本当に成り立つかどうかは疑問? 周辺分布 同時分布のどれかの変数を潰して得られる分布 以下の例では,「yを周辺化した分布」と呼ばれる。 基本法則 和の法則;分布の周辺化という操作によって得られる関数は再び分布である。 積の法則:同時分布と条件付き確率の関係 ベイズの定理:積の法則の系。条件付き確率をひっくり返す方法。 期待値 一変数: 多変数: 条件付き期待値: 注 条件yを固定してから積分するので,結局得られるものはyの関数である。 分散 ベイズ推定 ←パラメータΘを推定したい。未知入力xに対する予測yがほしいのではない。 0. パラメータθで支配される確率モデルを考える。 例えば,正規分布とか。ニューラル回帰とか。 与えられたデータは、このモデルに対応する密度関数に従って出現する。 ←観測値xの分布 データからモデルを選ぶ操作とは,パラメータを選ぶ操作にほかならない。 1. データが観測される。各データは独立として、パラメータの尤もらしさが評価できる。 尤度関数: 2. パラメータ自体が適当な分布をもつと仮定する。←パラメタΘの分布。ここからがベイジアン。尤度最大化に持ち込むのが最尤推定。 事前確率: 3. データが観測されると,パラメータの分布が変化する。 事後確率: 4. 事後分布は、平均操作をとるのに使う。ここで事後分布最大化に持ち込むのはMAP推定。 事前分布と事後分布が同じ表式になるような事前分布を共役事前分布という。 共役事前分布は観測値の分布によって決まり、 特に指数分布族に対しては必ず共役事前分布が存在する。 注. 同時分布との違い 同時分布は,を固定しない表現なので, に関する確率もかかっている。 フィッシャー情報量 対数尤度関数のθによる導関数をスコアという。 l(θ)の導関数の外積の期待値を,フィッシャー情報行列という。 ←ヘッセ行列ではないことに注意!ただし,スコアの期待値が0であることから,確かこれはヘッセ行列の期待値と一致するはず??? データ集合Dが得られたときに,適当な事前分布から事後分布を計算する方法 1. 事前知識と称して,パラメータの事前分布 p(θ)を作る。 2. 適当な理屈を付けて,尤度関数p(D|θ)を構成する。 3. ベイズの定理によって事後分布を得る。 MAP推定:最大事後確率推定 事前分布とか尤度関数を最初から決めるのは難しいので,ハイパーパラメータを導入して分布族•関数族を考え, 事後が最大になるようにハイパーパラメータを決定するという方法。 クラス判別 入力ベクトル x に対するクラスCkを決定する話。 つまり各クラスCkに対して事後分布p(Ck|x)を作る問題。 生成モデル p(Ck) と p(x|Ck) を作って,ベイズの公式からp(Ck|x)を作る方法 識別モデル p(Ck|x) を直接作る方法 識別関数 p(Ck|x) を作って(推論段階),確率が最も大きいkをとる(決定段階)というステップではなく, 直接 x をクラスラベル k に写像する関数 f(x) を構成する方法。 ロジスティックシグモイドとハイパボリックタンジェントの関係 レジュメとか PRML62.tex メモ 最尤推定の一般的な問題:過学習…パラメータ数に対してデータ数が極端に少ないときに起こる問題。 →ベイジアンなら大丈夫(有効パラメータ)。 ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● 指数分布族が単峰性を持つというよりは, 平均がそもそも確率密度関数p(x)から実数Rへの写像だから というのが原因ではないだろうか。 ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● データ集合Dから元の分布のパラメータθを推定したい →尤度関数p(D|θ)をθの関数L(θ)とみなし,最大化するのが普通。 ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● 曲線フィッティング 訓練データ(D,t)から,新たな点xに対するtを予測することが目標。 1.5.5 期待損失 教師信号t