Enviar pesquisa
Carregar
Rのオブジェクト
•
9 gostaram
•
8,137 visualizações
Itoshi Nikaido
Seguir
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 18
Baixar agora
Baixar para ler offline
Recomendados
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
Takanori Ogata
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
Rcppのすすめ
Rcppのすすめ
Masaki Tsuda
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
階層的クラスタリング入門の入門
階層的クラスタリング入門の入門
Mas Kot
MCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナー
Takashi Yamane
距離とクラスタリング
距離とクラスタリング
大貴 末廣
Recomendados
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
Takanori Ogata
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
Rcppのすすめ
Rcppのすすめ
Masaki Tsuda
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
階層的クラスタリング入門の入門
階層的クラスタリング入門の入門
Mas Kot
MCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナー
Takashi Yamane
距離とクラスタリング
距離とクラスタリング
大貴 末廣
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
[DL輪読会]Conditional Neural Processes
[DL輪読会]Conditional Neural Processes
Deep Learning JP
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
Hirotaka Hachiya
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
Okamoto Laboratory, The University of Electro-Communications
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
主成分分析(Pca)
主成分分析(Pca)
Shushi Namba
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
Yohei Sato
研究室内PRML勉強会 8章1節
研究室内PRML勉強会 8章1節
Koji Matsuda
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
ConvNetの歴史とResNet亜種、ベストプラクティス
ConvNetの歴史とResNet亜種、ベストプラクティス
Yusuke Uchida
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
Rの基礎(データ型とデータ構造)
Rの基礎(データ型とデータ構造)
jundoll
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
wada, kazumi
Mais conteúdo relacionado
Mais procurados
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
hagino 3000
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
[DL輪読会]Conditional Neural Processes
[DL輪読会]Conditional Neural Processes
Deep Learning JP
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
Hirotaka Hachiya
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
Okamoto Laboratory, The University of Electro-Communications
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
主成分分析(Pca)
主成分分析(Pca)
Shushi Namba
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
Yohei Sato
研究室内PRML勉強会 8章1節
研究室内PRML勉強会 8章1節
Koji Matsuda
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
ConvNetの歴史とResNet亜種、ベストプラクティス
ConvNetの歴史とResNet亜種、ベストプラクティス
Yusuke Uchida
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
Mais procurados
(20)
異常検知と変化検知 9章 部分空間法による変化点検知
異常検知と変化検知 9章 部分空間法による変化点検知
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
PRML第6章「カーネル法」
PRML第6章「カーネル法」
[DL輪読会]Conditional Neural Processes
[DL輪読会]Conditional Neural Processes
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
幾何を使った統計のはなし
幾何を使った統計のはなし
グラフィカルモデル入門
グラフィカルモデル入門
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
2 3.GLMの基礎
2 3.GLMの基礎
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
主成分分析(Pca)
主成分分析(Pca)
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
研究室内PRML勉強会 8章1節
研究室内PRML勉強会 8章1節
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
ConvNetの歴史とResNet亜種、ベストプラクティス
ConvNetの歴史とResNet亜種、ベストプラクティス
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
質的変数の相関・因子分析
質的変数の相関・因子分析
Semelhante a Rのオブジェクト
Rの基礎(データ型とデータ構造)
Rの基礎(データ型とデータ構造)
jundoll
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
wada, kazumi
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
Haruka Ozaki
Thinking in Cats
Thinking in Cats
Eugene Yokota
初心者講習会資料(Osaka.R#5)
初心者講習会資料(Osaka.R#5)
Masahiro Hayashi
ae-11. 実データの分析,意味の抽出,外れ値の判断
ae-11. 実データの分析,意味の抽出,外れ値の判断
kunihikokaneko1
Android DEX Format & DIFF (第4回マルウェア解析勉強会)
Android DEX Format & DIFF (第4回マルウェア解析勉強会)
雅太 西田
RのffでGLMしてみたけど...
RのffでGLMしてみたけど...
Kazuya Wada
Rの初歩: 1. 基本概念
Rの初歩: 1. 基本概念
Teiko Suzuki
Intoroduction of Pandas with Python
Intoroduction of Pandas with Python
Atsushi Hayakawa
Yamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッション
考司 小杉
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
Tomonobu_Hirano
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
yushin_hirano
Scalaプログラミング・マニアックス
Scalaプログラミング・マニアックス
Tomoharu ASAMI
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
n-yuki
Pythonによる機械学習
Pythonによる機械学習
Kimikazu Kato
すごいHaskell読書会 第7章 (前編)
すごいHaskell読書会 第7章 (前編)
Suguru Hamazaki
Clojure programming-chapter-2
Clojure programming-chapter-2
Masao Kato
【LiT Leaders】Android0309
【LiT Leaders】Android0309
Ryo Yamamoto
形式手法とalloyの紹介
形式手法とalloyの紹介
Daisuke Tanaka
Semelhante a Rのオブジェクト
(20)
Rの基礎(データ型とデータ構造)
Rの基礎(データ型とデータ構造)
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
Thinking in Cats
Thinking in Cats
初心者講習会資料(Osaka.R#5)
初心者講習会資料(Osaka.R#5)
ae-11. 実データの分析,意味の抽出,外れ値の判断
ae-11. 実データの分析,意味の抽出,外れ値の判断
Android DEX Format & DIFF (第4回マルウェア解析勉強会)
Android DEX Format & DIFF (第4回マルウェア解析勉強会)
RのffでGLMしてみたけど...
RのffでGLMしてみたけど...
Rの初歩: 1. 基本概念
Rの初歩: 1. 基本概念
Intoroduction of Pandas with Python
Intoroduction of Pandas with Python
Yamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッション
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
Scalaプログラミング・マニアックス
Scalaプログラミング・マニアックス
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
Pythonによる機械学習
Pythonによる機械学習
すごいHaskell読書会 第7章 (前編)
すごいHaskell読書会 第7章 (前編)
Clojure programming-chapter-2
Clojure programming-chapter-2
【LiT Leaders】Android0309
【LiT Leaders】Android0309
形式手法とalloyの紹介
形式手法とalloyの紹介
Mais de Itoshi Nikaido
第1回HPC OPS研究会 Opening Remarks
第1回HPC OPS研究会 Opening Remarks
Itoshi Nikaido
BioDevOpsによる再現性のあるバイオインフォマティクス環境の構築
BioDevOpsによる再現性のあるバイオインフォマティクス環境の構築
Itoshi Nikaido
Reading circle of Epigenome Roadmap: Roadmap Epigenomics Consortium et. al. I...
Reading circle of Epigenome Roadmap: Roadmap Epigenomics Consortium et. al. I...
Itoshi Nikaido
Bioinformatics Analysis Environment for Your Laboratory Use
Bioinformatics Analysis Environment for Your Laboratory Use
Itoshi Nikaido
DevOpsとcloudで達成する再現性のあるDNAシーケンス解析とスーパーコンピューティング
DevOpsとcloudで達成する再現性のあるDNAシーケンス解析とスーパーコンピューティング
Itoshi Nikaido
0.1 pg の mRNA をシーケンスする高精度なRNA-Seq法: Quartz-Seq
0.1 pg の mRNA をシーケンスする高精度なRNA-Seq法: Quartz-Seq
Itoshi Nikaido
Rの環境とスコープ
Rの環境とスコープ
Itoshi Nikaido
ENCODE勉強会
ENCODE勉強会
Itoshi Nikaido
いつも側にいるコラボレータ Google+を使った共同研究の進め方
いつも側にいるコラボレータ Google+を使った共同研究の進め方
Itoshi Nikaido
Mais de Itoshi Nikaido
(9)
第1回HPC OPS研究会 Opening Remarks
第1回HPC OPS研究会 Opening Remarks
BioDevOpsによる再現性のあるバイオインフォマティクス環境の構築
BioDevOpsによる再現性のあるバイオインフォマティクス環境の構築
Reading circle of Epigenome Roadmap: Roadmap Epigenomics Consortium et. al. I...
Reading circle of Epigenome Roadmap: Roadmap Epigenomics Consortium et. al. I...
Bioinformatics Analysis Environment for Your Laboratory Use
Bioinformatics Analysis Environment for Your Laboratory Use
DevOpsとcloudで達成する再現性のあるDNAシーケンス解析とスーパーコンピューティング
DevOpsとcloudで達成する再現性のあるDNAシーケンス解析とスーパーコンピューティング
0.1 pg の mRNA をシーケンスする高精度なRNA-Seq法: Quartz-Seq
0.1 pg の mRNA をシーケンスする高精度なRNA-Seq法: Quartz-Seq
Rの環境とスコープ
Rの環境とスコープ
ENCODE勉強会
ENCODE勉強会
いつも側にいるコラボレータ Google+を使った共同研究の進め方
いつも側にいるコラボレータ Google+を使った共同研究の進め方
Rのオブジェクト
1.
Rのオブジェクト Itoshi NIKAIDO <dritoshi@gmail.com>
1
2.
Rはすべてがオブジェクト vector, matrix, 関数... ひとつのクラスに属する
2
3.
そもそもオブジェクトとは 変数やシンボルを介してメモリのデータへアクセスしたい 言語から直接メモリにアクセスするといろいろと面倒 特別なデータ構造を決めておきオブジェクトとして定義しておく そのオブジェクトにシンボルや変数を介してアクセスすれば楽
3
4.
Rオブジェクトにはデータ型がある integer, double, logical,
complex, character, raw 4
5.
あれ? numeric は? Rオブジェクトにはデータ型以外の概念がある
→ mode 5
6.
mode Sはデータ型を mode と呼んでいたらしい Sとの互換のため。mode
がある type mode logical logical integer numeric double numeric complex complex character character ユーザが意識する のはここ 6
7.
storage mode メモリ上ではどのようなデータ型で保存しているのか? メモリ上では numeric
を区別しなければならない type mode storage mode logical logical logical integer numeric integer double numeric double complex complex complex character character character ほかの言語から データにアクセ スする場合はス トレージモード typeof() mode() storage.mode() が重要になる 7
8.
オブジェクトは属性を持つ 成分の名前、次元、所属するクラス、時系列属性
8
9.
オブジェクトは属性を持つ 成分の名前、次元、所属するクラス、時系列属性など names()
dim() class() tsp() dimnames() オブジェクトの構造: str() オブジェクトの属性: attributes() 9
10.
オブジェクトはデータ構造を表現する オブジェクトをひとまとまりにして、まとめて操作したい vector, matrix, list,
data.frame... 10
11.
Rで基本となる4つのデータ構造 次元数と異なるタイプを混ぜられるかで分類できる
vector list 3 2 4 1 ... 3 A 4 G ... 1D c(3,2,4,1) list(3,”A”,4,”G”) matrix data frame 3 2 4 1 ... 3 A 4 C ... 2D 2 0 5 3 2 T 5 G 1 1 7 3 1 G 7 C ... ... matrix( data.frame( c(3,2,1,2,0,1,4,5,7,1,3,3), first = c(3,2,1), nrow = 3 first.base = c("A", "T", "G"), ) second = c(4,5,7), second.base = c("C", "G", "C") ) same types differential types 11
12.
統計言語らしいデータ構造 factor カテゴリカル変数を表現するためのデータ構造 男女、年代、クラス分けなどカテゴリを扱いたい この水準に文字列の名前を使いたい 水準を数値で表現してしまうと、誤って数値計算してしまう恐れがある 特別な水準を表現するデータ構造として factor
が用意されている 12
13.
factorの構造 factor class
であり、labels 属性を持つオブジェクト R> sex <- factor(c("female", "male", "female", "female")) R> sex [1] female male female female Levels: female male ## level 数 R> nlevels(sex) [1] 2 R> is(sex) [1] "factor" "integer" "oldClass" "numeric" "vector" R> class(sex) [1] "factor" R> str(sex) Factor w/ 2 levels "female","male": 1 2 1 1 内部的にはラベルが整数に割り当てられている 13
14.
factorが苦手? いつのまにか factor になる。factor
のなにが嬉しいか > R は character を factor へ強制変換したがる - データフレームに変換したとき data.frame(stringsAsFactors = default.stringsAsFactors) - テキストファイルからデータを入力したとき read.table(stringsAsFactors = TRUE) > Factor に慣れたほうが嬉しいことがたくさんある 関数やモデル式が factor をカテゴリカル変数として認識して よい具合に処理してくれる 14
15.
自分でオブジェクトを定義したい オブジェクト指向プログラミング R のオブジェクト指向は歴史的経緯で3種類もある... これから覚えるならR5だけ覚えればよい (すごく私見) -
S3: オブジェクトの属性にクラス名を入れただけ + 総称関数。 ゆるふわ。 - S4:クラスやメソッドを厳密に定義できるようになった! でも値渡し... 黒歴史なので、Bioconductor のパッケージ作らない人は 忘れてよい (また私見) - R5: いわゆる普通のオブジェクト指向 (R2.12以降) オブジェクトを参照渡しできる! オブジェクト作成後に変更できる = mutable なオブジェクト 普通のオブジェクト指向ができる! (関数言語っぽさがなくなる) 15
16.
加筆予定 説明していないこと いろいろなオブジェクト - 言語オブジェクト: 文字列から式を作る、あるいはその逆 -
予約オブジェクト: lazy evaluation を実現する - 表現式オブジェクト: 文の集まり。文はシンボルの集まり 16
17.
まとめ Rのオブジェクトとはなにか? Rはすべてがオブジェクト - オブジェクトの型 -
データ型、mode, storage.mode - オブジェクトのデータ構造 - オブジェクト指向プログラミング 17
18.
参考資料 論文、オンラインドキュメント、書籍 •
The R Language Definition • Rプログラミングマニュアル • Rの基礎とプログラミング技法 • R言語逆引きハンドブック 18
Baixar agora