第１章 はじめに第２章 確率と確率過程第３章 パラメトリックモデリングにおける学習第４章 平均二乗誤差線形推定第５章 オンライン学習第６章 最小二乗族第７章 分類：古典的手法のまとめ第８章 パラメーター学習：凸解析によるアプローチ第９章 スパース性を意識した学習：概念と理論の基礎第１０章 スパース性を意識した学習：アルゴリズムとアプリケーション第１１章 再生核ヒルベルト空間における学習第１２章 ベイズ学習：推論とＥＭアルゴリズム第１３章 ベイズ学習：近似推論とノンパラメトリックモデル第１４章 モンテカルロ法第１５章 確率的グラフィカルモデル：第１部第１６章 確率的グラフィカルモデル：第２部第１７章 粒子フィルター第１８章 ニューラルネットワークと深層学習第１９章 次元削減機械学習とはデータから学習して予測を行うことである。統計的学習、統計的信号処理、パターン認識、適応信号処理、画像処理と画像解析、システム同定と制御、データマイニングと情報検索、コンピュータービジョン、計算理論的学習などのさまざまな分野において研究・開発が行われており、現在でもその進歩はとどまるところを知らない。本書は、機械学習に関して、基本的な内容から最新の話題までを解説する書籍である。まず、確率と統計の入門事項を解説する。次に、パラメーター推定、平均二乗誤差の線形推定、確率的勾配降下法、最小二乗法、ベイズ分類などといった、どちらかといえば古典的な手法を解説する。その後で、凸解析によるアプローチ、スパースモデリング、再生核ヒルベルト空間上での学習、ベイズ学習、モンテカルロ法、確率的グラフィカルモデル、粒子フィルター、ニューラルネットワーク、深層学習、次元削減などといった、より高度な内容を解説していく。なお、特
Honya Club.com
