2014年3月23日日曜日

はじめてのパターン認識を読了しました

はじめてのパターン認識

俗に言うはじパタである。
ついに読み終わったはじパタ。
PRMLに行く前の準備運動になればと思ったが、タイトルとは裏腹になかなかハードコアな内容だった。
機械学習については、色々な言語のパッケージの紹介だったり、コードが載ってたりするのが多いが、本書は理論や数式、証明などがふんだんに掲載されている。
Rの実行結果がおなぐさみ程度で出てきているが、コードはないし、データセットもなかったりなので、写経して学びたいという方にはあまり向かないかもしれない。

まあ、個人的にはこれでようやくPRMLないし、他の機械学習本に立ち向かえると思うと良かったと思う。
1人で読んでいると挫折しそうだが、みんなで読むと新たな発見もあり、オススメな形式である。
ところどころに誤植っぽいのもあるが、実力をつけたい方にはオススメ。初学者は厳しいと思うが、チャレンジする価値はあると思う。

■目次
第1章 はじめに
1.1 パターン認識とは
1.2 特徴の型
1.3 特徴ベクトル空間と次元の呪い
第2章 識別規則と学習法の概要
2.1 識別規則と学習法の分類
2.2 汎化能力
第3章 ベイズの識別規則
3.1 ベイズの識別規則
3.2 受信者動作特性曲線
第4章 確率モデルと識別関数
4.1 観測データの線形変換
4.2 確率モデル
4.3 確率モデルパラメータの最尤推定
第5章 k最近傍法(kNN法)
5.1 最近傍法とボロノイ境界
5.2 kNN法
5.3 kNN法とベイズ誤り率
5.4 kNN法の計算量とその低減法
第6章 線形識別関数
6.1 線形識別関数の定義
6.2 最小2乗誤差基準によるパラメータの推定
6.3 線形判別分析
6.4 ロジスティック回帰
第7章 パーセプトロン型学習規則
7.1 パーセプトロン
7.2 誤差逆伝搬法
7.3 誤差逆伝搬法の学習特性
第8章 サポートベクトルマシン
8.1 サポートベクトルマシンの導出
8.2 線形分離可能でない場合への拡張
8.3 非線形特徴写像
8.4 ν-サポートベクトルマシン
8.5 1クラスサポートベクトルマシン
第9章 部分空間法
9.1 部分空間
9.2 主成分分析
9.3 特異値分解
9.4 部分空間法
9.5 カーネル主成分分析
9.6 カーネル部分空間法
第10章 クラスタリング
10.1 類似度と非類似度
10.2 非階層型クラスタリング(K-平均法)
10.3 階層型クラスタリング(融合法)
10.4 確率モデルによるクラスタリング
第11章 識別器の組み合わせによる性能強化
11.1 ノーフリーランチ定理
11.2 決定木
11.3 バギング
11.4 アダブースト
11.5 ランダムフォレスト

僕が輪読会で発表したスライド。




0 件のコメント:

ページビューの合計