機械学習

概要

MLaPPは，PRMLと同様に機会学習の網羅本として知られていますが，ベイズ的アプローチではなく，Probabilistic approachという中立的な立場から頻度主義的立場も考慮し機械学習の諸概念が解説されています．さらに全28章の中でPRMLの発展的内容にも触れています．応用として分子生物学，言語処理，コンピュータビジョン，ロボティクスなどの問題も登場します．

目的

• 機械学習全般の知識を身につける．

Chapter 1:Introduction
Chapter 2:Probability
Chapter 3:Generative models for discrete data
Chapter 4:Gaussian models
Chapter 5:Bayesian statistics
Chapter 6:Frequentist statistics
Chapter 7:Linear regression
Chapter 8:Logistic regression
Chapter 9:Generalized linear models and the exponential family
Chapter 10:Directed graphical models (Bayes nets)
Chapter 11:Mixture models and the EM algorithm
Chapter 12:Latent linear models
Chapter 13:Sparse linear models
Chapter 14:Kernels
Chapter 15:Gaussian processes
Chapter 16:Adaptive basis function models
Chapter 17:Markov and hidden Markov models
Chapter 18:State space models
Chapter 19:Undirected graphical models (Markov random fields)
Chapter 20:Exact inference for graphical models
Chapter 21:Variational inference
Chapter 22:More variational inference
Chapter 23:Monte Carlo inference
Chapter 24:Markov chain Monte Carlo (MCMC) inference
Chapter 25:Clustering
Chapter 26:Graphical model structure learning
Chapter 27:Latent variable models for discrete data
Chapter 28:Deep learning

実施期間・日時

場所: オンライン (Zoom)
日時: 2020年2月 - 7月, 毎週日曜日16時 - 18時

参考資料

[1] K. P. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.