Deploy to GitHub Pages

japan-medical-ai · Dec 6, 2019 · 08c8fe2 · 08c8fe2
1 parent 468b675
commit 08c8fe2
Show file tree

Hide file tree

Showing 4 changed files with 2 additions and 2 deletions.
diff --git a/docs/.doctrees/environment.pickle b/docs/.doctrees/environment.pickle
diff --git a/docs/.doctrees/notebooks/01_Basic_Math_for_ML.doctree b/docs/.doctrees/notebooks/01_Basic_Math_for_ML.doctree
diff --git a/docs/_sources/notebooks/01_Basic_Math_for_ML.ipynb.txt b/docs/_sources/notebooks/01_Basic_Math_for_ML.ipynb.txt
@@ -786,7 +786,7 @@
     "\n",
     "が得られます．これを**ベイズの定理**とよびます．重要な定理なので，ぜひ覚えておきましょう．\n",
     "\n",
-    "例えば，ベイズの定理の応用事例として，スパム（迷惑）メールフィルターがあります．メールに単語$i$が含むか否かを表す確率変数を$x_{i}$，メールがスパムであるか否かを表す確率変数を$y$とおくと，$p(x_{i}=1)$は「メールが単語$i$を含む確率」，$p(y=1)$は「メールがスパムである確率」，$p(x_{i}=1|y=1)$は「メールがスパムであった場合に，その中に単語$i$が含まれる確率」となります．受信済みの大量のメールからそれぞれの割合を集計して求め，ベイズの定理を適用することで，$p(y=1|x_{i}=1)$として，「メールに単語$i$が出現した場合に，そのメールがスパムである確率」を求めることができます．\n",
+    "例えば，ベイズの定理の応用事例として，スパム（迷惑）メールフィルターがあります．メールに単語$i$が含まれるか否かを表す確率変数を$x_{i}$，メールがスパムであるか否かを表す確率変数を$y$とおくと，$p(x_{i}=1)$は「メールが単語$i$を含む確率」，$p(y=1)$は「メールがスパムである確率」，$p(x_{i}=1|y=1)$は「メールがスパムであった場合に，その中に単語$i$が含まれる確率」となります．受信済みの大量のメールからそれぞれの割合を集計して求め，ベイズの定理を適用することで，$p(y=1|x_{i}=1)$として，「メールに単語$i$が出現した場合に，そのメールがスパムである確率」を求めることができます．\n",
     "\n",
     "### 尤度と最尤推定\n",
     "\n",

diff --git a/docs/notebooks/01_Basic_Math_for_ML.html b/docs/notebooks/01_Basic_Math_for_ML.html
@@ -820,7 +820,7 @@ <h3>1.4.2. 確率<a class="headerlink" href="#確率" title="Permalink to this h
 <div class="math">
 \[p(x|y) = \frac{p(x, y)}{p(y)} = \frac{p(y | x)p(x)}{p(y)}\]</div>
 <p>が得られます．これを<strong>ベイズの定理</strong>とよびます．重要な定理なので，ぜひ覚えておきましょう．</p>
-<p>例えば，ベイズの定理の応用事例として，スパム（迷惑）メールフィルターがあります．メールに単語<span class="math">\(i\)</span>が含むか否かを表す確率変数を<span class="math">\(x_{i}\)</span>，メールがスパムであるか否かを表す確率変数を<span class="math">\(y\)</span>とおくと，<span class="math">\(p(x_{i}=1)\)</span>は「メールが単語<span class="math">\(i\)</span>を含む確率」，<span class="math">\(p(y=1)\)</span>は「メールがスパムである確率」，<span class="math">\(p(x_{i}=1|y=1)\)</span>は「メールがスパムであった場合に，その中に単語<span class="math">\(i\)</span>が含まれる確率」となります．受信済みの大量のメールからそれぞれの割合を集計して求め，ベイズの定理を適用することで，<span class="math">\(p(y=1|x_{i}=1)\)</span>として，「メールに単語<span class="math">\(i\)</span>が出現した場合に，そのメールがスパムである確率」を求めることができます．</p>
+<p>例えば，ベイズの定理の応用事例として，スパム（迷惑）メールフィルターがあります．メールに単語<span class="math">\(i\)</span>が含まれるか否かを表す確率変数を<span class="math">\(x_{i}\)</span>，メールがスパムであるか否かを表す確率変数を<span class="math">\(y\)</span>とおくと，<span class="math">\(p(x_{i}=1)\)</span>は「メールが単語<span class="math">\(i\)</span>を含む確率」，<span class="math">\(p(y=1)\)</span>は「メールがスパムである確率」，<span class="math">\(p(x_{i}=1|y=1)\)</span>は「メールがスパムであった場合に，その中に単語<span class="math">\(i\)</span>が含まれる確率」となります．受信済みの大量のメールからそれぞれの割合を集計して求め，ベイズの定理を適用することで，<span class="math">\(p(y=1|x_{i}=1)\)</span>として，「メールに単語<span class="math">\(i\)</span>が出現した場合に，そのメールがスパムである確率」を求めることができます．</p>
 </div>
 <div class="section" id="尤度と最尤推定">
 <h3>1.4.3. 尤度と最尤推定<a class="headerlink" href="#尤度と最尤推定" title="Permalink to this headline">¶</a></h3>