soonraah

#include <cmath>

// ----------------------------------------------------------------------------
// Kullback-Leiblier Divergence (KLD-divergence, asymmetric)
// ----------------------------------------------------------------------------
float calcKld(
    const int    nDim,
	const float* mean1,
	const float* var1,
	const float* mean2,

soonraah

#include <cmath>

// クラスタ C1 = C1a∪C1b のとき、クラスタC1とC2の距離をC2とC1a, C1bの距離情報から求めることができる。
// 計算時間はクラスタのメンバ数に依存しない。
// 参考 http://ibisforest.org/index.php?Lance-Williams%20updating%20formula

//! Lance-Williams Updating Formula
/*!
    @param[in] dist_1a2 distance between C1a and C2
    @param[in] dist_1b2 distance between C1b and C2

soonraah

git-svnで頻度は高くないがときどき使うコマンドまとめ

---

SVNリポジトリの変更をGitローカルリポジトリへと反映

git svn rebase だと指定のブランチのみだが、こちらは関連付けたリポジトリ全体の変更を取得する。

$ git svn fetch

soonraah

library(ggplot2)

# CSV 読み込み
color_plot_data <- read.csv("points.csv")

# 座標データとして x, y 列、色データとして r, g, b 列を与えて散布図を描画
ggplot(data=color_plot_data, aes(x=x, y=y, col=rgb(r, g, b))) +
    geom_point() +
    scale_color_identity()
    

soonraah

library(slam)
library(skmeans)

# CSV からデータの読み込み
x <- read.csv("data.csv")

# skmeans で扱えるデータ構造（simple triplet matrix）に変換
s <- as.simple_triplet_matrix(x)

# k-means 実行

soonraah

data {
    int<lower=1> D;     // number of dimensions
    int<lower=1> N;     // number of samples
    int<lower=1> M;     // number of mixture components
    vector[D] X[N];     // data to train
}
parameters {
    simplex[M] weights;         // mixture weights
    vector[D] mu[M];            // means
    cov_matrix[D] sigma[M];     // covariance matrix

soonraah

# -*- coding: utf-8 -*-

from sklearn.datasets import make_classification
import numpy as np
import matplotlib.pyplot as plt
import pystan


NUM_MIXTURE_COMPONENTS = 4
NUM_DIMENSIONS = 2

soonraah

data {
    int<lower=1> D;     // number of dimensions
    int<lower=1> N;     // number of samples
    int<lower=1> M;     // number of mixture components
    vector[D] X[N];     // data to train
}
parameters {
    simplex[M] weights;             // mixture weights
    vector[D] mu[M];                // means
    vector<lower=0.0>[D] sigma[M];  // standard deviation

soonraah

import numpy as np
from sklearn import cross_validation, mixture
import pickle
import os
import pystan
import time
import matplotlib.pyplot as plt


def dump_stan_model(stan_model, compiled_file_name):

soonraah

package mlp.onlineml.classification.binary

import breeze.linalg.{DenseMatrix, DenseVector}

/**
  * A base class of binary linear classification
  *
  * @param w weight vector
  * @param sigma covariance matrix
  */