目次
ベイズ統計学
事前確率と事後確率
ベイズ決定則
パラメータ推定
教師付き学習と教師なし学習
ＥＭアルゴリズム
マルコフモデル
隠れマルコフモデル
混合分布のパラメータ推定
クラスタリング
ノンパラメトリックベイズモデル
ディリクレ過程混合モデルによるクラスタリング
共クラスタリング
著者等紹介
石井健一郎［イシイケンイチロウ］
１９７２年、東京大学工学部計数工学科卒業。１９７４年、同大学院修士課程修了。同年、日本電信電話公社（現ＮＴＴ）に入社。１９７９年より１年間、米国Ｐｕｒｄｕｅ大学客員研究員。文字認識、画像処理の研究・実用化に従事。ＮＴＴコミュニケーション科学基礎研究所を経て、２００３年４月、名古屋大学大学院情報科学研究科教授、２０１２年４月、名古屋大学名誉教授。工学博士
上田修功［ウエダナオノリ］
１９８２年、大阪大学工学部通信工学科卒業。１９８４年、同大学院修士課程修了。同年、日本電信電話公社（現ＮＴＴ）に入社。１９９３年より１年間、米国Ｐｕｒｄｕｅ大学客員研究員。パターン認識・学習、ニューラルネットワーク、統計的機械学習、データマイニングの研究に従事。現在、ＮＴＴコミュニケーション科学基礎研究所に勤務。博士（工学）（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）
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。
感想・レビュー
※以下の感想・レビューは、株式会社ブックウォーカーの提供する「読書メーター」によるものです。
オザマチ
10
ニューラルネットワークだけでなく、こういったアプローチも積極的に学んでいきたい。2022/05/03
shin_ash
5
関係データ学習に紹介されていた流れで手に取った。無限関係モデル(IRM)がお目当だったが、教師なし学習を俯瞰して統一的に捉え直すよい機会になった。ラベルが欠測した学習データとの解釈は目から鱗であった。教師なし学習は使いこなしが難しいが、それは前提が実務に合っていないからで、そこを埋める部分が無限次元でのモデリングでノンパラベイズと呼ばれる領域になる。本書はギブスサンプリングの定式化を行なっているが、多分MCMCなら解けるハズで、確率モデルの部分をトレースできればギブスサンプラーでなくても解ける気がする。2019/08/11
Tsukasa Fukunaga
3
教師なし学習入門という事で、クラスタリングやEM、HMMなどについて掲載されている。基本的な数式の変形など略さず(時にくどいと思うくらい)しっかり載せてくれているため、数式をしっかり学びたい初学者には中々良いのではないかと思った。これらについて既知の人でも、EMの解釈については勉強になる所があると思う。が、それはさておきこの教科書の最大の見どころは、やはり最後の｢ノンパラメトリックベイズ｣である。ノンパラベイズについて初めて書かれた日本語の教科書であり、兼ねてから勉強したいと思っていたので凄い助かった。2014/11/16
センケイ (線形)
2
ベタかもだが非常に有意義だ。別々の所で知ったもの同士の関係（例えばk-meanとEM）が分かる珠玉の入門書。また中華料理店過程などはなかなか日本語でまとまっているものが見当たらないため、それを学び直すためだけでも買う意味があるだろう。また、詳細は割愛しつつも、数学的に厳密にはこうだという議論を脚注やコーヒーブレイクに記載しているさまもまさに欲しかったのはこれだった。2019/03/30
yyhhyy
2
教師なし学習について、一通り学習してから再読するときっと頭の整理なるのだろうと思う。2016/04/03
