アダルトVRで、世界のセックスが変わる!

インプレス
1
Free sample

【アダルトVRフェスタ01】
それは2016年6月12日、秋葉原で突如行列ができ、たちまち中止に追い込まれたイベント。
開催前より注目していたネットメディアは挙って取り上げて、高いPV数を叩き出した!

それを主催していた「日本アダルトVR推進機構」の吉田健人氏による、『アダルトVR』の過去、現在、未来の状況から可能性を語ってもらったのが、この『アダルトVRで、世界のセックスが変わる!』。

ディベロッパー、パブリッシャー、そしてもちろんユーザーが知りたい『VRセックスソフト』の現状もわかる、必読の一冊だ!

第一章 アダルトVRにアキバが燃えた日
第二章 アダルトVRの楽しみ方
第三章 アダルトVRで変わるセックスライフ
Read more
Collapse
3.0
1 total
Loading…

Additional Information

Publisher
インプレス
Read more
Collapse
Published on
Aug 4, 2016
Read more
Collapse
Pages
58
Read more
Collapse
Read more
Collapse
Read more
Collapse
Language
Japanese
Read more
Collapse
Genres
Computers / General
Read more
Collapse
Content protection
This content is DRM protected.
Read more
Collapse
Read aloud
Available on Android devices
Read more
Collapse

Reading information

Smartphones and Tablets

Install the Google Play Books app for Android and iPad/iPhone. It syncs automatically with your account and allows you to read online or offline wherever you are.

Laptops and Computers

You can read books purchased on Google Play using your computer's web browser.

eReaders and other devices

To read on e-ink devices like the Sony eReader or Barnes & Noble Nook, you'll need to download a file and transfer it to your device. Please follow the detailed Help center instructions to transfer the files to supported eReaders.
バイオのデータもPythonで!

生物学に関わる理解・研究では、コンピュータによるデータ処理が欠かせないものとなってきています。生物学の扱う系はもともと非常に複雑で雑音が多く、統計的な解析が広く使われてきましたが、特に最近のDNA/RNA解析ではいわゆる次世代シーケンサ(NGS)が大量のDNA配列データを生み出してそれを整理しなければならないなど、コンピュータによるデータ処理が必須になっています。

本書は、生物学分野において行われる、さまざまなデータ解析処理について、Pythonを用いて行う方法を解説し、理解することを目的としています。従来、簡単な処理はExcelを使ったり、RやSPSSなどの統計処理を主目的とする言語・ソフトウェアパッケージが用いられてきました。そのなかで本書は、比較的新しく、機械学習やデータ分析に優れたプログラミング言語であるPythonを使って、初歩的なデータ処理をどのように行えばよいのかを紹介しています。


はじめに

第1章 バイオデータ処理

1.1 バイオデータ処理の必要性

1.2 コンピュータの利用局面


第2章 プログラムを動作させるための知識

2.1 プログラムの実行環境

2.2 シェルとシェルスクリプト

2.3 データの形式とアクセス方法

2.4 ツールのインストール


第3章 Pythonによるプログラミング

3.1 Pythonの基本的なプログラミング

3.2 ライブラリパッケージ

3.3 データ解析パッケージNumPyとpandas

3.4 Pythonによるネットワークアクセス

3.5 Pythonからのプログラム起動


第4章 Pythonでバイオデータを扱うライブラリ

4.1 Biopythonライブラリパッケージ

4.2 NGS処理に関わるライブラリ

第5章 可視化のためのライブラリ

5.1 汎用の可視化ライブラリmatplotlibの基本的な使い方

5.2 拡張された可視化ライブラリseaborn

5.3 Biopythonでの可視化機能

5.4 igv Jupyter Extension


第6章 分類や次元圧縮を行うscikit-learnパッケージ

6.1 回帰分析

6.2 主成分分析

6.3 階層的クラスタリング

6.4 k-means法による非階層クラスタリング

6.5 k-近傍法による分類学習

6.6 決定木学習による分類学習

6.7 サポートベクターマシン(SVM)による分類学習


第7章 RNA発現解析・DNAリシーケンスでのPythonの利用

7.1 解析の概要

7.2 RNA発現解析の例-データ取得からマッピングまで

7.3 RNA発現解析の例-集計・分析と可視化

7.4 リシーケンスによるDNA変異解析の例-データ取得からマッピングまで

7.5 リシーケンスによるDNA変異解析の例-集計・分析と可視化


索引

定番「わかりやすい パターン認識」の続編!ベイズ統計学の基礎から、最新のノンパラメトリックベイズモデルまでやさしく解説した唯一の書籍!


初学者にはとっつきにくいパターン認識の基本を丁寧な図解と数式展開で解説して好評を得てきた、1998年発行「わかりやすい パターン認識」の続編です。前作で取り上げることのできなかった教師なし学習を主に取り上げてわかりやすくまとめました。教師なし学習を理解することで、より広い対象の音声・画像処理技術、ビッグデータなどを扱うことができるようになります。また、ノンパラメトリックベイズモデルについてわかりやすく解説した日本語の書籍は本書のみで、機械学習やパターン認識をこれから志す研究者、学生の方にもおすすめです。


第1章 ベイズ統計学
 1・1 試行と事象
 1・2 ベイズの定理
 1・3 頻度から確信度ヘ
 1・4 逆確率 -結果から原因を-
 1・5 三つの扉問題
 〔1〕 扉Aが当たりの場合
 〔2〕 扉Bが当たりの場合
 〔3〕 扉Cが当たりの場合

第2章 事前確率と事後確率
  2・ 1 事後確率の計算
〔1〕 コインを1度だけ投げる場合
  〔2〕 コインをn回投げる場合
  2・2 ベイズ更新
  2・3 ベイズ更新の実験

第3章 ベイズ決定則
  3・1 パターン認識
  3・2 事後確率最大化
  3・3 事前確率の効果
  3・4 ベイズ誤り確率

第4章 パラメータ推定
  4・1 学習とパラメータ推定
  4・2 最尤推定
  4・3 ベイズ推定
  4・4 ベータ分布
  4・5 共役事前分布
  4・6 ベイズ推定における推定値の特定
  4・7 ベイズ推定の実験
  〔1〕 観測回数の効果
  〔2〕 事前分布の効果
  4・8 最尤推定とベイズ推定との比較
  4・9 ディリクレ分布
 
第5章 教師付き学習と教師なし学習
  5・1 学習のための二つの観測方法
  5・2 最尤推定に必要な数学
  5・3 教師付き学習
  〔1〕 パラメータπiの推定
  〔2〕 パラメータθikの推定
  5・4 教師なし学習
  〔1〕 パラメータπiの推定
  〔2〕 パラメータθikの推定
  〔3〕 推定結果の妥当性
  〔4〕 教師付き学習との関係
  〔5〕 教師なし学習アルゴリズムの演算
  5・5 教師なし学習の実験

第6章 EMアルゴリズム
  6・1 教師なし学習に伴う問題
  6・2 log-sumからsum-logヘ
  6・3 Q関数の特性
  6・4 Q関数の最大化
  〔1〕 R1の最大化
  〔2〕 R2の最大化
  6・5 EMアルゴリズムと補助関数法
〔1〕 非負値行列因子分解とEMアルゴリズム
  〔2〕 補助関数法

第7章 マルコフモデル
  7・1 マルコフ性とマルコフモデル
  7・2 マルコフモデルのパラメータ推定
  〔1〕 Laの最大化
  〔2〕 Lbの最大化
  〔3〕 Lρの最大化

第8章 隠れマルコフモデル
  8・1 隠れマルコフモデルとは
  8・2 前向き・後向きアルゴリズム
  8・3 ビタービアルゴリズム
  8・4 バウム・ウェルチアルゴリズム
  〔1〕 Q(θ゜,A)の最大化
  〔2〕 Q(θ゜,B)の最大化
  〔3〕 Q(θ゜,ρ)の最大化
  8・5 隠れマルコフモデルによる識別系
  8・6 隠れマルコフモデルの実験
  〔1〕 前向きアルゴリズムの実験
  〔2〕 ビタービアルゴリズムの実験
  〔3〕 バウム・ウェルチアルゴリズムの実験
  〔4〕 識別実験

第9章 混合分布のパラメータ推定
  9・1 混合分布に対するパラメトリックな学習
  9・2 教師付き学習によるパラメータ推定
  9・3 教師なし学習によるパラメータ推定
  〔1〕 最適なパラメータ
  〔2〕 教師付きの場合との対比
  〔3〕 EMアルゴリズムとの関係
  9・4 混合正規分布のパラメータ推定
  9・5 混合正規分布のパラメータ推定実験
  〔1〕 一次元正規分布
  〔2〕 多次元正規分布
  〔3〕 クラスタリングについて

第10章 クラスタリング
  10・1 クラスタリングとは
  10・2 K-means法
  〔1〕 δkに関する最小化
  〔2〕 Piに関する最小化
  10・3 K-means法の実験
  〔1〕 使用データおよびベイズ識別関数による決定境界
  〔2〕 K-means法による決定境界
  10・4 K-means 法とEMアルゴリズム
  10・5 凸クラスタリング法
  10・6 凸クラスタリング法の実験
  10・7 クラスタ数の推定

第11章 ノンパラメトリックベイズモデル
  11・1 分割の確率モデル
  11・2 ホップの壺モデル
  11・3 中華料理店過程
  11・4 事前確率のための確率モデル
  11・5 ディリクレ分布から分割ルールヘ
  11・6 ディリクレ過程の数学
  〔1〕 ディリクレ過程の定義
  〔2〕 確率分布G(θ)の形状
  〔3〕 棒折り過程

第12章 ディリクレ過程混合モデルによるクラスタリング
  12・1 ディリクレ過程混合モデルとその学習法
  〔1〕 クラスタリング法1:所属クラスタとそのパラメータの決定
  〔2〕 クラスタリング法2:所属クラスタのみ決定
  12・2 ノンパラメトリックベイズモデルの実験
  〔1〕 基底分布の設定
  〔2〕 クラスタリング法1の実験
  〔3〕 クラスタリング法2の実験

第13章 共クラスタリング
  13・1 関係データに対する共クラスタリング
  13・2 無限関係モデル(IRM)
  13・3 IRMの学習

付録A 補足事項
  A・1 凸計画問題と最適化
  〔1〕 凸集合と凸関数
  〔2〕 正定値および半正定値
  〔3〕 へッセ行列
  〔4〕 最適化問題
  A・2 イェンゼンの不等式
  A・3 ベクトルと行列に関する基本公式
  A・4 KLダイバージェンス
  A・5 ギブスサンプリング
  A・6 ウィシャート分布と逆ウィシャート分布
  〔1〕 ウィシャート分布
  〔2〕 逆ウィシャート分布
  A・7 ベータ・ベルヌーイ過程


政治現象をRで統計分析する!!

 本書はR を使った計量政治学の入門書です。計量政治学とは政治現象の数量データ分析を行うことで、例えば選挙における投票率を調べ、政治的要因によって予算がどれだけ歪曲されたかを推定するなど、政治における仮説を統計学的に検証することです。
  主な特徴は、①各章ごとに練習問題を設けているので、基本的に読者が独学独習できるように設計されている、②計量政治学に関する論文を仕上げるのに必要な内容を15 回の授業で網羅しているので、計量政治学を授業やゼミで教えたいと考えている教員にとっても使いやすいよう工夫している、などです。
  はじめに
本書の構成
本書で利用するデータセットについて
謝 辞
第Ⅰ部 リサーチデザイン
第1 章 計量政治学とは
1.1 政治を計量する?
1.2 数理政治学と計量政治学
第2章 研究テーマの選び方
2.1 リサーチクエスチョンの種類
2.1.1 実証的問題
2.1.2 規範的問題
2.1.3 分析的問題
2.2 「よい研究テーマ」の見つけ方
2.2.1 「よい研究テーマ」の基準
2.2.2 規範的問題から実証的問題への変換方法
2.2.3 パズルを探す
2.2.4 研究論文の構成
まとめ
練習問題
第3章 理論と仮説
3.1 「よい理論」とは?
3.1.1 リサーチデザインのプロセス
3.1.2 因果法則の三つの条件
3.1.3 理論とは
3.1.4 「よい理論」の条件
3.1.5 政治学における理論の実例
3.2 仮説と仮説検証
3.2.1 仮説とは
3.2.2 作業仮説と作業化
3.2.3 分析単位の選択
3.2.4 コントロール変数
3.2.5 変数の測定(measurement)の問題
3.2.6 生態学的誤謬
まとめ
練習問題
第Ⅱ部 Rを使った計量分析の方法
第4章 Rの使い方
4.1 RとRStudio
4.2 Rの基本操作
4.3 パッケージ
4.4 RStudioの使い方
4.4.1 プロジェクト機能の利用
4.4.2 Rスクリプトの書き方
4.4.3 RとRStudioの終了
まとめ
練習問題
第5章 Rによるデータ操作
5.1 データセットの読み込み
5.1.1 CSV形式データの読み込み
5.1.2 Excel形式データの読み込み
5.1.3 Stata形式データの読み込み
5.1.4 R形式データの読み込み
5.2 読み込んだデータの確認
5.3 データの整形
5.3.1 データ操作の基礎
5.3.2 パイプ演算子
5.3.3 横長データと縦長データ
5.3.4 データの結合
5.4 データの保存
まとめ
練習問題.
第6章 記述統計とデータの可視化・視覚化
6.1 変数の種類と記述統計
6.1.1 カテゴリ変数と量的変数
6.1.2 基本的な統計量の確認
6.1.3 カテゴリ変数の内容確認
6.1.4 二つのカテゴリ変数の関係を確かめる
6.1.5 カテゴリ別に量的変数の値を調べる
6.2 変数の可視化・視覚化
6.2.1 ggplot( )の基本的な使い方と変数の特徴把握
6.2.2 図の保存
まとめ
練習問題
第7章 統計的推定
7.1 母集団と標本
7.2 標本分布
7.3 母平均の推定と信頼区間
7.3.1 母平均の信頼区間
7.3.2 信頼区間の解釈
7.3.3 Rで信頼区間を求める
まとめ
練習問題
第8章 統計的仮説検定
8.1 統計的仮説検定の基礎
8.1.1 仮説の設定――帰無仮説と対立仮説
8.1.2 有意水準の設定
8.1.3 検定統計量の計算
8.1.4 棄却域の設定
8.1.5 検定統計量と棄却域の比較
8.1.6 検定の結論の提示
8.2 統計的仮説検定の諸問題
8.2.1 仮説検定における2 種類の「誤り」と検出力
8.2.2 片側検定か両側検定か
8.2.3 統計的に有意な結論は学術的に有意か
まとめ
練習問題
第9章 変数間の関連性
9.1 カテゴリ変数間の関連
9.1.1 クロス集計表
9.1.2 カイ2乗検定
9.1.3 Rによるカイ2乗検定
9.2 量的変数間の関連
9.2.1 相関関係の種類・散布図・相関係数
9.2.2 相関係数を使った統計的仮説検定
9.2.3 相関関係と因果関係
まとめ
練習問題
第10章 回帰分析の基礎
10.1 線形回帰―散布図への直線の当てはめ
10.2 最小二乗法
10.3 単回帰と重回帰
10.3.1 衆院選データを使った重回帰
10.3.2 単回帰と重回帰の違い
10.4 決定係数
まとめ
練習問題
第11章 回帰分析による統計的推定
11.1 単回帰による統計的推定
11.1.1 単回帰モデル
11.1.2 信頼区間と仮説検定
11.2 重回帰分析による統計的推定
11.2.1 重回帰モデル
11.2.2 信頼区間と仮説検定
まとめ
練習問題
第12章 回帰分析の前提と妥当性の診断
12.1 回帰分析の前提
12.1.1 回帰モデルの妥当性
12.1.2 加法性と線形性
12.1.3 誤差の独立性
12.1.4 誤差の分散均一
12.1.5 誤差の正規性
12.2 Rによる回帰診断
12.2.1 残差プロットによる診断
12.2.2 正規QQプロットによる診断
まとめ
練習問題
第13章 回帰分析の応用
13.1 ダミー変数の利用
13.1.1 ダミー変数
13.1.2 ダミー変数を使った回帰分析
13.2 変数変換
13.2.1 線形変換
13.2.2 中心化
まとめ
練習問題
第14章 交差項の使い方
14.1 交差項で何がわかるのか
14.2 交差項を入れた回帰分析の注意点
14.3 衆議院選挙結果を事例とした交差項の分析
14.3.1 データの読み込み
14.3.2 記述統計と散布図の表示
14.3.3 交差項を使った重回帰分析
まとめ
練習問題
第15章 ロジスティック回帰分析
15.1 ロジスティック関数
15.2 ロジスティック回帰分析の手順
15.2.1 帰無仮説と対立仮説を設定する
15.2.2 説明変数と応答変数の散布図を描く
15.2.3 ロジスティック回帰式を推定する
15.2.4 ロジスティック回帰モデルの評価
15.2.5 回帰係数の有意性検定
15.2.6 推定結果の意味を解釈する
15.3 衆議院選挙データの分析
まとめ
練習問題
参考文献
索 引

 

Pythonを使って制御工学を行うための入門書
本書は、Pythonを使って制御工学を行うための入門書です。
機械学習やデータマイニングで多用され、さらにその枠を越えて主流のプログラミング言語となりつつあるPythonを制御系設計に導入したい人向けに、Pythonプログラムを実行しながら「使ってみる,やってみる」を通して、制御工学を体感することができる書籍です。
現場でよく使われている伝達関数モデルを対象とした古典制御、および、状態空間モデルを対象とした現代制御やロバスト制御の基礎について、Pythonのサンプルコードを多数掲載しています。
さらに、はじめて制御工学を学ぶ人や一度挫折して学び直したいと思っている人にも読みやすいよう、図やイラストを多用しています。
これから制御工学に携わる方々にとって必読の書です。


第1章 制御とは
 1.1 身のまわりの制御
 1.2 フィードバック制御
 1.3 制御工学の役割
 1.4 本書の概要
第2章 Pythonの基礎
 2.1 Python環境の構築
 2.2 Jupyter Notebookの使い方
 2.3 Pythonの基礎
  2.3.1 データと型
  2.3.2 フロー制御
  2.3.3 関数定義
  2.3.4 クロージャ,ラムダ式,ジェネレータ,リスト内包表記
  2.3.5 モジュール
 2.4 本書で用いるモジュール
  2.4.1 Numpy
  2.4.2 Matplotlib
  2.4.3 Scipy
  2.4.4 Sympy
  2.4.5 Python Control Systems Library (Python-Control)
第3章 制御のためのモデル
 3.1 動的システムの表現
  3.1.1 台車のモデル
  3.1.2 垂直駆動アームのモデル
  3.1.3 RCL回路のモデル
  3.1.4 増幅回路のモデル
  3.1.5 制御工学で用いるモデル表現
 3.2 伝達関数モデル
  3.2.1 台車とアームの伝達関数モデル
  3.2.2 RCL回路と増幅回路の伝達関数モデル
  3.2.3 Python でのモデルの記述
 3.3 状態空間モデル
  3.3.1 台車とアームの状態空間モデル
  3.3.2 RCL回路と増幅回路の状態空間モデル
  3.3.3 Python でのモデルの記述
 3.4 ブロック線図
  3.4.1 直列結合
  3.4.2 並列結合
  3.4.3 フィードバック結合
第4章 制御対象の振る舞い
 4.1 時間応答
  4.1.1 1次遅れ系
  4.1.2 2次遅れ系
 4.2 状態空間モデルの時間応答
 4.3 安定性
  4.3.1 入出力安定性
  4.3.2 漸近安定性
 4.4 極と振る舞いの関係
 4.5 周波数応答
  4.5.1 1次遅れ系
  4.5.2 2次遅れ系
第5章 閉ループ系に注目した制御系設計
 5.1 閉ループ系の設計仕様
  5.1.1 安定性
  5.1.2 時間応答特性
  5.1.3 周波数応答特性
  5.1.4 閉ループ系の設計仕様
 5.2 PID制御
  5.2.1 P制御の性能解析
  5.2.2 PD制御
  5.2.3 PID制御
  5.3 2自由度制御
 5.4 限界感度法によるゲインチューニング
 5.5 モデルマッチング法によるゲインチューニング
 5.6 状態フィードバック制御
  5.6.1 極配置法
  5.6.2 最適レギュレータ
第6章 開ループ系に注目した制御系設計
 6.1 開ループ系の設計仕様
  6.1.1 安定性
  6.1.2 速応性と減衰性
  6.1.3 定常偏差
  6.1.4 開ループ系の設計仕様
 6.2 PID制御
  6.2.1 P制御
  6.2.2 PI制御
  6.2.3 PID制御
 6.3 位相進み遅れ補償
  6.3.1 位相遅れ補償
  6.3.2 位相進み補償
  6.3.3 垂直駆動アームの制御系設計
第7章 アドバンストな制御系設計
 7.1 オブザーバを用いた出力フィードバック制御
 7.2 ロバスト制御
 7.3 ディジタル実装
  7.3.1 0次ホールドによる離散化
  7.3.2 双一次変換による離散化
付録 数学の補足
 A.1 複素数
 A.2 ラプラス変換
 A.3 行列の固有値と固有ベクトル
参考文献
索引

©2020 GoogleSite Terms of ServicePrivacyDevelopersArtistsAbout Google|Location: United StatesLanguage: English (United States)
By purchasing this item, you are transacting with Google Payments and agreeing to the Google Payments Terms of Service and Privacy Notice.