https://josephausterweil.github.io/probintro/ja/start/index.htmlようこそ！本書は確率・確率的機械学習・確率的計算を、一つの連続した物語—— 学生たちから毎日二つの弁当を受け取り、それについて問い続ける千葉工大マスコット Chibanyの一年——を通して教えます。 デザイナーや社会科学者を念頭に作られており、数学の予備知識は不要です。 すべてのアイデアは三段階で登場します：まず具体的な場面、次に数学、最後に実行 可能なGenJAXコード。 トラックを選ぶ 本書には二つの読み進め方があります。サイドバーの**🧭 読書トラック**スイッチで 選択してください（選択は記憶されます）。トラック外の章は薄く表示されますが、 いつでも読めます。各章の末尾にはあなたのトラックでの次章が表示されます。 🤖 入門 軽い予備知識から、確率論・確率的機械学習・確率的計算を学びたい方へ。 ニューラルネットワーク、LLM、機械学習の倫理まで。 入門ロードマップ → 入門トラックに設定 🧠 認知科学 ベイズ認知科学のために：心の理論としての確率モデル—— 一般化、記憶、サンプリング仮説、目標推論、心の理論。 認知科学ロードマップ → 認知科学トラックに設定 本書の構成 章はPart（サイドバーの番号）にまとめられています。各PartはChibanyの一年の 一つの弧であり、それぞれ固有の問いを追いかけます。トラックが特に指示しない 限り、Partは順番に読んでください。 本プロジェクトは日本確率計算コンソーシアム協会（JPCCA）の助成を受けています。HugojaThu, 02 Jul 2026 00:00:00 +0000https://josephausterweil.github.io/probintro/ja/start/beginner/index.htmlThu, 02 Jul 2026 00:00:00 +0000https://josephausterweil.github.io/probintro/ja/start/beginner/index.html軽い予備知識から始めて、確率的機械学習——ニューラルネットワーク、LLM、そして デプロイされたモデルの倫理まで——に本当に習熟したい読者のために。 入門トラックに設定 読む順番 Part I — 基礎：全章 Part II — 道具（GenJAX）：全章 Part III — 連続確率とベイズ学習：全章 Part IV — 構造：一般化（最初の2パートで十分。シェパードの法則とNo Free Lunchのパートは認知科学トラックの深掘り）、ベイズネット、条件付き独立、 因果、情報理論、階層ベイズ Part V — 連鎖・ウォーク・サンプリング：マルコフ連鎖、ランダムウォーク、 モンテカルロ、粒子フィルタ、MCMC（記憶検索と「心をサンプリングする」は 認知科学バッジ付きの追加） Part VI — 意思決定とRL：意思決定理論、MDP、Q学習、POMDP、現代のRL （逆強化学習は認知科学バッジ付き） Part VII — モデルの複雑さ：全章——このPartはあなたのためにあります Part VIII — 深層ネットワーク：全章 Part IX — 倫理・公平性・安全性：全章 トラック外の章も禁止ではありません——薄く表示されるだけです。🧠バッジの章が 面白そうなら、読んでください。 本プロジェクトは日本確率計算コンソーシアム協会（JPCCA）の助成を受けています。https://josephausterweil.github.io/probintro/ja/start/cogsci/index.htmlThu, 02 Jul 2026 00:00:00 +0000https://josephausterweil.github.io/probintro/ja/start/cogsci/index.html確率モデルを使って、人間や機械の心の理論を構築し検証したい読者のために。 認知科学トラックに設定 読む順番 Part I — 基礎：全章 Part II — 道具（GenJAX）：全章 Part III — 連続確率とベイズ学習：全章 Part IV — 構造、全章——一般化の章（シェパードの法則とNo Free Lunchを 含む全4パート）はこのトラックの中心です Part V — 連鎖・ウォーク・サンプリング、全章——「ランダムウォークとして の記憶検索」「心をサンプリングする」を含む Part VI — 意思決定とRL、全章——逆強化学習（目標推論と心の理論）、 POMDP、現代のRLフロンティアを含む Part VII — モデルの複雑さ：「離散ベイズノンパラメトリクス」の章 （Andersonのカテゴリ化の合理モデルはここ）；バイアス-バリアンスとガウス 過程は🤖バッジ付きの追加 Part VIII — 深層ネットワーク：「LLMと文脈内学習」（暗黙の階層ベイズ としての文脈内学習）と「世界モデル」 Part IX — 倫理・公平性・安全性：公平性の形式化、データのバイアス、 アラインメント 本プロジェクトは日本確率計算コンソーシアム協会（JPCCA）の助成を受けています。