本の紹介 : パターン認識

平井有三「はじめてのパターン認識」 (2012)

1. はじめに
2. 識別規則と学習法の概要
3. ベイズの識別規則
4. 確率モデルと識別関数
5. k最近傍法 (kNN法)
6. 線形識別関数
7. パーセプトロン型学習規則
8. サポートベクトルマシン
9. 部分空間法
10. クラスタリング
11. 識別器の組み合わせによる性能強化
A. ベクトルと行列による微分

石井健一郎・前田英作・上田修功・村瀬洋 「わかりやすいパターン認識」 (1998)

1. パターン認識とは
2. 学習と識別関数
3. 誤差評価に基づく学習
4. 識別部の設計
5. 特徴の評価とベイズ誤り確率
6. 特徴空間の変換
7. 部分空間法
8. 学習アルゴリズムの一般化
9. 学習アルゴリズムとベイズ決定則

石井健一郎・上田修功 「続・わかりやすいパターン認識 - 教師なし学習入門」 (2014)

1. ベイズ統計学
2. 事前確率と事後確率
3. ベイズ決定則
4. パラメータ推定
5. 教師付き学習と教師なし学習
6. EMアルゴリズム
7. マルコフモデル
8. 隠れマルコフモデル
9. 混合分布のパラメータ推定
10. クラスタリング
11. ノンパラメトリックベイズモデル
12. ディリクレ過程混合モデルによるクラスタリング
13. 共クラスタリング

金森敬文・竹之内高志・村田昇 「パターン認識 (Rで学ぶデータサイエンス 5)」 (2009)

1. 判別能力の評価
2. k-平均法
3. 階層的クラスタリング
4. 混合正規分布モデル
5. 判別分析
6. ロジスティック回帰
7. 密度推定
8. k-近傍法
9. 学習ベクトル量子化
10. 決定木
11. サポートベクターマシン
12. 正則化とパス追跡アルゴリズム
13. ミニマックス確率マシン
14. 集団学習
15. 2値判別から多値判別へ

Bishop, Pattern Recognition and Machine Learning (2006)

1. Introduction
2. Probability Distributions
3. Linear Models for Regression
4. Linear Models for Classification
5. Neural Networks
6. Kernel Methods
7. Sparse Kernel Machines
8. Graphical Models
9. Mixture Models and EM
10. Approximate Inference
11. Sampling Methods
12. Continuous Latent Variables
13. Sequential Data
14. Combining Models

Bishop 「パターン認識と機械学習 上」 (2012) 「パターン認識と機械学習 下」 (2012)

The Elements of Statistical Learning, 2nd (2008) （ 本のページ ）
「統計的学習の基礎―データマイニング・推論・予測―」 (2014)

1. Introduction
2. Overview of Supervised Learning
3. Linear Methods of Regression
4. Linear Methods for Classification
5. Basis Expansion and Regularization
6. Kernel Smoothing Methods
7. Model Assessment and Selection
8. Model Inference and Averaging
9. Additive Models, Trees, and Related Methods
10. Boosting and Additive Trees
11. Neural Networks
12. Support Vector Machines and Flexible Discriminants
13. Prototype Methods and Nearest-Neighbors
14. Unsupervised Learning
15. Random Forests
16. Ensemble Learning
17. Undirected Graphical Models
18. High-Dimensional Problems : p>>N

Murphy, Machine Learning: A Probabilistic Perspective (2012)

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

ホーム