機械学習〈1〉入門的基礎/パラメトリックモデル [単行本]

機械学習〈1〉入門的基礎/パラメトリックモデル [単行本] の 商品概要

• 目次

  【第I部　入門的基礎】
  
  第1章　機械学習入門
  1.1　はじめに
  1.2　データをもとにした予測モデル
  1.3　不確実性への対応：確率の導入
  1.4　パラメータの推定
  1.5　損失と誤差関数
  1.6　決定理論
  1.7　評価指標
  演習問題
  
  【第II部　パラメトリックモデル】
  
  第2章　確率密度関数の推定：パラメトリック
  2.1　はじめに
  2.2　最尤推定による密度推定
  2.3　ベイズ推定による密度推定
  演習問題
  
  第3章　線形回帰
  3.1　はじめに
  3.2　単純線形回帰の拡張
  3.3　最尤推定によるモデルパラメータの推定
  3.4　ベイズ統計による線形回帰
  3.5　ベイズモデル比較
  3.6　エビデンス近似
  演習問題
  
  第4章　一般化線形モデルによる分類
  4.1　はじめに：分類問題
  4.2　特徴空間
  4.3　一般化線形モデル
  4.4　識別関数による2クラス分類
  4.5　確率的識別モデルによる2クラス分類
  4.6　確率的生成モデルによる2クラス分類
  4.7　確率的識別モデルによる多クラス分類
  4.8　確率的生成モデルによる多クラス分類
  演習問題
  
  第5章　ニューラルネットワーク：非線形パラメトリックモデル
  5.1　はじめに
  5.2　3層パーセプトロン：ニューラルネットワークの基礎
  5.3　たたみこみニューラルネットワーク
  5.4　学習の促進
  演習問題
  
  第II部の付録
  A　ガンマ関数
  B　行列，アドバンスト要点

• 出版社からのコメント

  古典機械学習ともよぶべき事柄に的を絞り，その考え方を詳解する。１分冊目では機械学習の入門的基礎とパラメトリックモデルを解説。

• 内容紹介

  本書は、古典機械学習ともよぶべき題材に的を絞り、考え方をできるだけ詳細に記述した教科書である。読者の便宜を考慮し、500頁にも及ぶ1冊を分冊化させ、1巻目では「入門的基礎／パラメトリックモデル」、2巻目では「ノンパラメトリックモデル／潜在モデル」、3巻目では「数学事項：機械学習のいしずえ／演習問題解答例」を掲載している。
  
  本書では、機械学習全体の網羅や、深層学習を中心に据えた説明は意図していない。大量のデータが存在する対象、あるいはその近傍の対象に対しては、深層学習はきわめて高性能を発揮する。しかし、少数のデータしか得ることができない対象も多く、本書で紹介する古典的な機械学習の手法は、今後も随所で活躍するであろう。とりわけ、ベイズ的な考え方は、予測の損失最小を保証するという意味で重要である。多くの大学理工系の学部で、初年次あるいは2年次に学ぶ多変数の微積分や、固有値問題の基本をふくむ線形代数、それと確率と統計の基本事項は既知としているが、確率と統計や、対称行列に関する固有値問題などの数学的事項の要点は、第Ⅴ部（第3巻）としてまとめた。
  
  本書は多くの優れた書籍を参照して書かれ、とりわけ、C. M. ビショップ（著），『パターン認識と機械学習』の影響は随所にみられる。数学的記法も同書に準拠した。また、構成は、K. P. Murphy, “Probabilistic Machine Learning: An Introduction”の影響をうけている。Murphyの本では深層学習を1つの部としているが、本書では深層学習の部はもうけず、ニューラルネットワークの基礎的事項をパラメトリックモデルの部（第1巻）へ、また、深層生成モデル（の1つであるVAE）を潜在モデルの部（第2巻）へおいた。ベイズ推論の重要性に鑑み、潜在モデルを第Ⅳ部としたことは本書の特徴の1つである。
  
  各章には演習問題、巻末には解答例と丁寧な解説を掲載（解答例は第3巻に収録）。

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  岡留 剛(オカドメ タケシ)
  １９８８年東京大学大学院理学系研究科情報科学専攻博士後期課程修了。現在、関西学院大学工学部教授（人工知能研究センター長）、博士（理学）。専門は情報科学

機械学習〈1〉入門的基礎/パラメトリックモデル [単行本] の商品スペック