⚠️ このページは機械翻訳されています
この日本語訳は機械翻訳によるもので、誤りや不自然な表現が含まれている場合があります。正確な内容については英語版をご参照ください。
This page was machine-translated and may contain errors. Please refer to the English version for accuracy.
誤りを見つけられた場合は、joseph.austerweil@gmail.com までご連絡いただくか、GitHub リポジトリにプルリクエストをお送りください。
インタラクティブノートブック — 全チュートリアル
インタラクティブ Jupyter ノートブック
このページでは、チュートリアルシリーズ全体で利用可能なすべての Jupyter ノートブックの包括的な概要を提供します。各ノートブックは Google Colab で直接開き、すぐにインタラクティブな探索が可能です。
ノートブックの使い方：
- 📓 「Open in Colab」をクリックしてブラウザでノートブックを起動する
- ✏️ セルを実行し、コードを編集し、パラメータを試す
- 💾 変更を保持するために Google Drive にコピーを保存する
- 📚 詳細な説明は、リンク先のチュートリアル章に戻って確認する
チュートリアル 1：離散確率
最初の GenJAX モデル
ノートブック: 📓 Open in Colab: first_model.ipynb
扱う内容：
- GenJAX による初めての確率的モデル
- Chibany のランチ選択（ハンバーガー vs とんかつ）のシミュレーション
- 離散的な結果に対する基本的な確率計算
- ランダムサンプリングと確率分布の理解
関連チュートリアル章：
トピック：
- 離散確率分布
- ランダムサンプリング
- GenJAX の基礎
- 確率の可視化
条件付けとベイズの定理
ノートブック: 📓 Open in Colab: conditioning.ipynb
扱う内容：
- 実践における条件付き確率
- GenJAX でのベイズの定理の実装
- インタラクティブな例を使ったタクシー問題
- 逐次的な信念更新
関連チュートリアル章：
トピック：
- 条件付き確率
- ベイズの定理
- 事後分布による信念更新
- 事前分布と尤度
ベイズ学習
ノートブック: 📓 Open in Colab: bayesian_learning.ipynb
扱う内容：
- 可視化を用いたタクシー問題の完全な解法
- 複数の観測に基づく逐次ベイズ更新
- 異なるベースレートと精度を探索するインタラクティブスライダー
- 事前信念が事後的な結論に与える影響
関連チュートリアル章：
トピック：
- ベイズ推論
- 逐次更新
- ベースレートの効果
- 事前分布—事後分布の関係
チュートリアル 2：GenJAX プログラミング
初めての GenJAX モデル（チュートリアル 2）
ノートブック: 📓 Open in Colab: 02_first_genjax_model.ipynb
扱う内容：
- GenJAX による生成モデルの構築
- リアルタイムでパラメータを調整するインタラクティブウィジェット
- 確率分布の可視化
- パラメータの変化が結果に与える影響の理解
関連チュートリアル章：
トピック：
- GenJAX の生成関数
- パラメータ探索
- インタラクティブな可視化
- モデルシミュレーション
チュートリアル 3：連続確率とベイズ学習
ガウス分布によるベイズ推論のインタラクティブ探索
ノートブック: 📓 Open in Colab: gaussian_bayesian_interactive_exploration.ipynb
扱う内容：
パート 1：ガウス—ガウスベイズ更新
- 尤度の分散を調整するインタラクティブスライダー
- リアルタイムの事後分布更新による逐次的な観測追加
- 事後分布と予測分布の比較
- 測定ノイズが学習に与える影響
パート 2：ガウス混合によるカテゴリ分類
- 事前分布が決定境界に与える影響
- 分散比がカテゴリ分類に与える影響
- 周辺（混合）分布の可視化
- 双峰分布と単峰分布の理解
関連チュートリアル章：
トピック：
- ガウス分布
- ベイズパラメータ学習
- 共役事前分布
- 事後推論
- 混合モデル
- 決定境界
課題 1：ガウスベイズ更新
ノートブック: 📓 Open in Colab: solution_1_gaussian_bayesian_update.ipynb
扱う内容：
- パート (a)：事前分布の可視化
- パート (b)：尤度の分散の影響（σ²_x = 0.25 vs. 4）
- パート (c)：観測数の影響（N=1 vs. N=5）
- パート (d)：精度加重平均の実践
- パート (e)：事後分布 vs. 予測分布
- パート (f)：解析的な公式の GenJAX による検証
関連チュートリアル章：
トピック：
- ガウス共役事前分布
- 尤度分散の効果
- 事後分布の集中
- 予測分布
- 精度による重み付け
課題 2：ガウスクラスター
ノートブック: 📓 Open in Colab: solution_2_gaussian_clusters.ipynb
扱う内容：
- パート (a)：ベイズの定理を用いた P(カテゴリ|観測) の導出
- パート (b)：事前分布が決定境界に与える影響
- パート (c)：分散比がカテゴリ分類に与える影響
- パート (d)：周辺分布の計算
- パート (e)：双峰混合 vs. 単峰混合の理解
- パート (f)：混合モデルの GenJAX シミュレーション
関連チュートリアル章：
トピック：
- 混合モデルによるカテゴリ分類
- 連続分布でのベイズの定理
- 決定境界
- 周辺確率
- 混合分布
ディリクレ過程混合モデル（DPMM）
ノートブック: 📓 Open in Colab: dpmm_interactive.ipynb
扱う内容：
- DPMM のインタラクティブな探索
- 自動クラスター発見
- 中華料理店過程の可視化
- 無限混合モデル
- ベイズノンパラメトリクス
関連チュートリアル章：
トピック：
- ディリクレ過程
- 無限混合モデル
- 中華料理店過程
- ベイズノンパラメトリクス
- 自動モデル選択
ベイズ汎化
ノートブック: 📓 Open in Colab: 07_generalization.ipynb
扱う内容：
- シールウォームアップ：仮説の集合としての概念
- 7 つの候補ルールを用いた 1〜30 の数当てゲーム
- 弱サンプリング vs. 強サンプリングにおけるサイズ原理
- 汎化勾配 — どの新しい数が当てはまるかの予測
関連チュートリアル章：
トピック：
- 集合としての仮説
- サイズ原理
- 弱サンプリング vs. 強サンプリング
- 汎化勾配
ベイズネットワーク
ノートブック: 📓 Open in Colab: 08_bayes_nets.ipynb
扱う内容：
- 第 5 章の混合モデルをベイズネットとして明示的に再構築
- 階層バージョン（混合重みの事前分布を上位に追加）
- 条件付き確率表を用いた Chibany の複数親を持つ弁当ネットワーク
- 観測された重みから隠れクラスターへの推論
関連チュートリアル章：
トピック：
- 有向非巡回グラフ（DAG）
- マルコフ因数分解
- 条件付き確率表
- 祖先サンプリングと推論
条件付き独立性と d 分離
ノートブック: 📓 Open in Colab: 09_conditional_independence.ipynb
扱う内容：
- 実行可能なモデルとしての雨 / スプリンクラー / 濡れた床のコライダー
- 証拠への条件付けと重要度サンプリングによる事後分布の復元
- 説明消去が数値的に起こる様子の観察（0.30 → 0.59 → 0.30）
関連チュートリアル章：
トピック：
- チェーン、フォーク、コライダーパターン
- d 分離
- マルコフブランケット
- 説明消去
因果ベイズネットと do 演算子
ノートブック: 📓 Open in Colab: 10_causal_bayes_nets.ipynb
扱う内容：
- 観測モデルと介入モデルとしての喫煙 / 歯 / がんネットワーク
- モンテカルロによる P(がん | 歯) vs. P(がん | do(歯)) の計算
- グラフ手術から生じる「見る/する」ギャップ（≈0.098 vs. 0.052）の観察
関連チュートリアル章：
トピック：
- do 演算子とグラフ手術
- 交絡因子
- 観測分布 vs. 介入分布
- パールの因果推論の梯子
情報理論
ノートブック: 📓 Open in Colab: 11_information_theory.ipynb
扱う内容：
- モンテカルロによるエントロピーと相互情報量の推定
- 無から相互情報量を生み出すコライダー
- I(雨; お茶) = 0 が I(雨; お茶 | 看板) ≈ 0.46 ビットに跳ね上がる — ビット単位での説明消去
関連チュートリアル章：
トピック：
- 情報量とエントロピー
- 相互情報量
- 情報量単位での独立性
- ビット単位のコライダー
マルコフ連鎖
ノートブック: 📓 Open in Colab: 13_markov_chains.ipynb
扱う内容：
- 遷移行列としての Chibany の弁当チェーン；そこからの系列サンプリング
- 任意の初期状態から 70/30 定常分布へ収束するべき乗法
- 固有値 1 の固有ベクトルとしての定常分布
- 3 状態の計算例
関連チュートリアル章：
トピック：
- マルコフ性と遷移行列
- 定常分布とべき乗法
- エルゴード性
- GenJAX による系列サンプリングと
jax.lax.scan
ネットワーク上のランダムウォーク
ノートブック: 📓 Open in Colab: 14_random_walks_networks.ipynb
扱う内容：
- 隣接行列として表した Chibany の動物ネットワークを行正規化して遷移行列に変換
- ランダムウォークの定常分布：π ∝ 次数（橋の Cat が勝つ）
- シミュレーションによる訪問頻度の確認と次数則との一致
- 小さな有向ウェブ上での ε テレポートを用いた手製 PageRank
関連チュートリアル章：
トピック：
- グラフ、隣接行列、次数
- ノード上のマルコフ連鎖としてのランダムウォーク
- π ∝ 次数とその破綻条件（有向グラフ）
- PageRank
記憶探索
ノートブック: 📓 Open in Colab: 15_memory_search.ipynb
扱う内容：
- 小さな意味ネットワーク上のセンサード付きランダムウォーク
- センサリング関数（各動物を初回訪問時に報告）とアイテム間反応時間
- スイッチルールなしで現れる位置 1 が最も遅い「スイッチコスト」シグネチャ
- 流暢性リストからブロック構造を復元するシミュレーションベース（ABC）スケッチ
関連チュートリアル章：
トピック：
- 意味的流暢性とクラスタリング/スイッチング
- センサリング；初回到達時間；IRT
- 1 つの過程からヒトの最適採餌曲線を復元する
- ウォークの逆算（U-INVITE、SNAFU）とシミュレーションベース推論
モンテカルロ
ノートブック: 📓 Open in Colab: 16_monte_carlo.ipynb
扱う内容：
- モンテカルロ推定量：サイコロの目を平均して 3.5 を求める、ダーツ投げで π を推定する
- 棄却サンプリングと指示関数；重み $w = p/q$ を用いた重要度サンプリング
- 自己正規化重要度サンプリング（非正規化事後分布）と有効サンプルサイズ
model.importanceを用いた GenJAX 重要度サンプリング
関連チュートリアル章：
トピック：
- サンプリングによる期待値と確率の推定；$1/\sqrt{n}$ レート
- 棄却サンプリング、逆 CDF 法、重要度サンプリング
- 提案分布の品質診断としての有効サンプルサイズ
粒子フィルタ
ノートブック: 📓 Open in Colab: 17_particle_filtering.ipynb
扱う内容：
- ノイズの多いセンサーのピングから廊下を進む Chibany の追跡
- 粒子フィルタのループ — 重み付け、リサンプリング、伝播 — と各ステップの役割
- 重みの縮退とリサンプリングが解決策である理由（それなしでの ESS の崩壊）
- 伝播ステップとしての GenJAX 運動モデル
関連チュートリアル章：
トピック：
- 状態空間モデル；逐次重要度サンプリング
- 重み付け → リサンプリング → 伝播；縮退
- ヒト推論の過程モデルとしての粒子フィルタ
マルコフ連鎖モンテカルロ
ノートブック: 📓 Open in Colab: 18_markov_chain_monte_carlo.ipynb
扱う内容：
- 双峰ターゲット分布上のメトロポリス—ヘイスティングス；正規化定数がキャンセルされる理由
- 相関した 2 次元ガウス分布上のギブスサンプリング（常に受理）
- 混合、バーンイン、多峰分布の罠（2 つの初期値からの閉じ込められたチェーン）
assessスコアリングプリミティブを用いた GenJAX での MH ステップの組み立て
関連チュートリアル章：
トピック：
- ターゲットを命中するチェーンの設計；詳細釣り合い条件
- メトロポリス—ヘイスティングスとギブスサンプリング
- バーンイン、混合、多峰ターゲット
心のサンプリング
ノートブック: 📓 Open in Colab: 19_sampling_the_mind.ipynb
扱う内容：
- MCMC with People：メトロポリス受理ステップとしての人の選択
- 階層ベータ—二項分布（弁当店）のハイブリッド ギブス—メトロポリスサンプラー
- ベータ—二項周辺分布（θ を積分消去）と平均/集中度の再パラメータ化
- 未見の新しいユニットに対する予測分布の読み取り
関連チュートリアル章：
トピック：
- MCMC with People；選択から事前分布を復元する
- 階層モデル上のハイブリッド ギブス + メトロポリス
- ベータ—二項共役性と積分消去サンプラー
推奨学習パス
パス 1：完全な初心者向け
first_model.ipynb- GenJAX の基礎はここから始めるconditioning.ipynb- 条件付き確率を学ぶbayesian_learning.ipynb- ベイズ更新をマスターする02_first_genjax_model.ipynb- 最初の完全なモデルを構築するgaussian_bayesian_interactive_exploration.ipynb- 連続確率を探索するsolution_1_gaussian_bayesian_update.ipynb- ガウス推論を練習するsolution_2_gaussian_clusters.ipynb- 混合モデルを学ぶdpmm_interactive.ipynb- 発展：無限混合
パス 2：ベイズ学習に焦点を当てる
bayesian_learning.ipynb- 離散ベイズの定理gaussian_bayesian_interactive_exploration.ipynb- 連続ベイズ推論solution_1_gaussian_bayesian_update.ipynb- ガウス共役事前分布solution_2_gaussian_clusters.ipynb- 混合モデル推論dpmm_interactive.ipynb- ベイズノンパラメトリクス
パス 3：クイックインタラクティブツアー
02_first_genjax_model.ipynb- インタラクティブなパラメータ探索gaussian_bayesian_interactive_exploration.ipynb- スライダー付きベイズ学習dpmm_interactive.ipynb- 自動クラスタリング
パス 4：グラフィカルモデルと因果推論
08_bayes_nets.ipynb- グラフとしてモデルを描く09_conditional_independence.ipynb- d 分離と説明消去10_causal_bayes_nets.ipynb- 見ることと行うこと（do 演算子）11_information_theory.ipynb- ビット単位で依存性を測定する
パス 5：マルコフ連鎖、ネットワーク、記憶
13_markov_chains.ipynb- 遷移行列と定常分布14_random_walks_networks.ipynb- グラフ上のランダムウォーク、π ∝ 次数、PageRank15_memory_search.ipynb- 意味ネットワーク上のセンサード付きランダムウォークとしての想起
パス 6：サンプリングとモンテカルロ
16_monte_carlo.ipynb- サンプリングによる推定；重要度サンプリングと有効サンプルサイズ17_particle_filtering.ipynb- ストリーミング推論；重み付け → リサンプリング → 伝播18_markov_chain_monte_carlo.ipynb- ターゲットを命中するチェーンの設計；メトロポリス—ヘイスティングスとギブス19_sampling_the_mind.ipynb- MCMC with People と階層ベータ—二項分布のサンプラー
ノートブックの使い方のヒント
はじめに：
- 「Open in Colab」をクリックして任意のノートブックを起動する
- セルを順番に実行する（Shift+Enter）
- パラメータ値を変えて実験する
インタラクティブウィジェット：
- 多くのノートブックにはスライダーとコントロールが含まれている
- パラメータを調整してリアルタイムで結果の更新を確認する
- エッジケースを理解するために極端な値を試す
作業の保存：
- ファイル → ドライブにコピーを保存（Google Drive に保存される）
- 実験やメモが保存される
- 編集したノートブックを他の人と共有できる
トラブルシューティング：
- コードが実行されない場合は、ランタイム → ランタイムを再起動 を試す
- セルを上から下へ順番に実行していることを確認する
- 必要なパッケージがすべてインストールされていることを確認する（Colab では通常自動）
全ノートブック一覧
| ノートブック | チュートリアル | トピック | 難易度 |
|---|---|---|---|
first_model.ipynb | チュートリアル 1 | 離散確率、基礎 | ⭐ 初心者 |
conditioning.ipynb | チュートリアル 1 | 条件付き確率 | ⭐ 初心者 |
bayesian_learning.ipynb | チュートリアル 1 & 2 | ベイズ推論 | ⭐⭐ 中級 |
02_first_genjax_model.ipynb | チュートリアル 2 | GenJAX プログラミング | ⭐⭐ 中級 |
gaussian_bayesian_interactive_exploration.ipynb | チュートリアル 3 | 連続ベイズ、混合 | ⭐⭐⭐ 上級 |
solution_1_gaussian_bayesian_update.ipynb | チュートリアル 3 | ガウス推論 | ⭐⭐⭐ 上級 |
solution_2_gaussian_clusters.ipynb | チュートリアル 3 | 混合モデル | ⭐⭐⭐ 上級 |
dpmm_interactive.ipynb | チュートリアル 3 | ベイズノンパラメトリクス | ⭐⭐⭐⭐ エキスパート |
07_generalization.ipynb | チュートリアル 3 | 概念学習、サイズ原理 | ⭐⭐⭐ 上級 |
08_bayes_nets.ipynb | チュートリアル 3 | ベイズネットワーク、DAG | ⭐⭐⭐ 上級 |
09_conditional_independence.ipynb | チュートリアル 3 | d 分離、説明消去 | ⭐⭐⭐ 上級 |
10_causal_bayes_nets.ipynb | チュートリアル 3 | 因果推論、do 演算子 | ⭐⭐⭐ 上級 |
11_information_theory.ipynb | チュートリアル 3 | エントロピー、相互情報量 | ⭐⭐⭐ 上級 |
13_markov_chains.ipynb | チュートリアル 3 | マルコフ連鎖、定常分布 | ⭐⭐⭐ 上級 |
14_random_walks_networks.ipynb | チュートリアル 3 | ランダムウォーク、PageRank、π ∝ 次数 | ⭐⭐⭐ 上級 |
15_memory_search.ipynb | チュートリアル 3 | センサード付きウォーク、記憶流暢性 | ⭐⭐⭐ 上級 |
16_monte_carlo.ipynb | チュートリアル 3 | モンテカルロ、重要度サンプリング、ESS | ⭐⭐⭐ 上級 |
17_particle_filtering.ipynb | チュートリアル 3 | 粒子フィルタ、逐次推論 | ⭐⭐⭐ 上級 |
18_markov_chain_monte_carlo.ipynb | チュートリアル 3 | メトロポリス—ヘイスティングス、ギブス、混合 | ⭐⭐⭐ 上級 |
19_sampling_the_mind.ipynb | チュートリアル 3 | MCMC with People、Kemp 階層サンプラー | ⭐⭐⭐⭐ エキスパート |
ヘルプが必要ですか？ メインチュートリアルページに戻るか、用語の定義については用語集を参照してください。
ノートブックを楽しんでいますか？ このチュートリアルシリーズは[日本確率計算コンソーシアム協会（JPCCA）](https://jpcca.org/)の支援を受けて提供されています。