潜在交絡変数がウジャウジャしている、製造データの因果推論の救世主になりそうな技術。 実用上難しいのは、「潜在交絡変数が離散値化」できると仮定することかな。潜在交絡変数が特定できていない段階でこれは難しい。 https://t.co/WWTyjauwNt #因果推論 #lingam

RT @nagano_1123: 因果推論についての総復習のような論文。 https://t.co/KaoZqL8e2B

膨大なプロセスパラメータから最適な条件範囲を算出するのは機械学習の得意分野 エキスパートのカン・コツを標準化できる可能性がある。実際に条件を変えられるか、否かは、別問題だけど。プロセスウィンドウが狭過ぎて、工程能力が確保できないなど、ハードルはありそう。 https://t.co/zyuuU3YriW https://t.co/bLiGGmngsZ

RT @RFIR0706: @industrial_ds 品質工学の田口玄一博士(1924-2012)がマハラノビス博士に師事されたというくらいの時代感です。その後、田口博士が考案したのが有名なMT(マハラノビス・タグチ)法 https://t.co/bCFGqISDfy ht…

@Ichiziku_blog そうですね。 lingamと違い、確率分布の制約を設けずに使える点が実データを解析する際に有益そうです

✅化学プラントの運転条件最適化 近年の燃料価格の暴騰により、これまでタブー視していた運転条件が低コスト運転になる可能性が出てきた。 各燃料・薬品の単価次第で運転条件を変える仕組みをつくらないとな。 昔から知識としては知っていたけど実践がなかなか難しいな。。 https://t.co/rijoR23ROk

ベイジアンネットワークにおける因果発見 https://t.co/qQBNLHrt9M オススメ頂いた記事！良さそうなので今度の土日にでも赤入れしながら読む！

LiNGAMにベイズ的なアプローチを掛け合わせた因果構造の推定手法に関するサーベイ。因果推論関連のタスクはLiNGAMに限らず未観測の交絡変数がネックとなりがちですが、うまく事前分布とパラメータを設定できれば未観測要因が存在しても正しく因果構造を推定できるっぽい。 https://t.co/blT2qRzBzQ

#統計 https://t.co/DlxdGaHCNj 改訂増補版：統計検定を理解せずに使っている人のためにII 池田 郁男 化学と生物57 巻 (2019) 9 号 これは3年前なのですが、いつものよく見る誤解がもろに説明されています。 現代でもこういうので統計学入門の勉強をしてしまう人達がいるわけです。非常に残念。続く https://t.co/gFEmREcHqQ https://t.co/rzIljQfnfz

因果推論についての総復習のような論文。 https://t.co/KaoZqL8e2B

@industrial_ds 品質工学の田口玄一博士(1924-2012)がマハラノビス博士に師事されたというくらいの時代感です。その後、田口博士が考案したのが有名なMT(マハラノビス・タグチ)法 https://t.co/bCFGqISDfy https://t.co/4eXPEbxJk3

科研費 学術変革領域研究(A) 「学習物理学」の創成 − 機械学習と物理学の融合新領域による基礎物理学の変革 https://t.co/mpsb51KOOO が採択されました。私を領域代表として、2022-2026年度、機械学習と物理学を融合する新領域が発足します。 公募研究など、多くの研究者の参加を心から歓迎します。 https://t.co/ZIwPIL34xS

異常検出において、「教師あり」vs「教師なし」で「教師なし」が勝った一例。 https://t.co/tFsw7ssmQh コンクリートの打音スペクトル（スペクトログラムではない）で異常個所を見つける研究。「教師あり」が80％強の精度、「教師なし」（オートエンコーダ）は100％の精度に。