2006年出版以来,amazon.comの人工知能部門で世界的トップセラーとなり,たちまち4刷となった英語版原著Pattern Recognition and Machine Learning,待望の日本語版.5名の監訳者のもと,選りすぐられた日本人研究者達14名によって丁寧に訳出されている.ベイズ理論に基づいた統一的な視点から,機械学習とパターン認識の様々な理論や手法を解説。■□■ 本書の特長 ■□■ ★ ベイズ理論に基づく統一された説明:ベイズ理論に基づく統計的予測技術は,計算アルゴリズムの開発と計算機の性能向上によって,急速に進展しました.本書は,このベイズ理論の観点で統一的に整理された視点で,各種の機械学習・パターン認識の理論や手法を解説しています. ★ 基本から発展までバランスとれた構成:本書は,確率入門・決定理論・回帰問題・識別問題のような基本的で平易な話題から始まっています.これらの基本をふまえた上で,90年代に登場したサポートベクトルマシンやブースティングといった手法,機械学習アルゴリズムの適用範囲を広げたカーネルトリックやグラフィカルモデル,およびベイズ理論の実用化にあたって不可欠だったMCMCや変分ベイズといった高度な話題までを学ぶことができます. ★ カラーの図による直観的な説明:機械学習・パターン認識の本は数式による説明だけになりがちです.本書はこうした形式的な説明に加えて,図を用いた直観的な説明も加えていま
す.イメージを伴った理解は,機械学習手法を応用問題に適用するときや,新たなアイデアを創出するときに役立つことでしょう.さらに,多くの図がカラーで収録されている,日本の情報科学分野の本では希少な本です. ★ 豊富な演習問題:本書は演習問題も豊富で,400問以上収録されています.これらの問題は自身の理解度を確認するのに役立つでしょう. ■□■ 各章の内容 ■□■ ★ 第1章:
序論:機械学習の大きな枠組みと,確率と情報理論の基本について学びます. まず,パターン認識・機械学習の基本的な枠組みである教師あり学習や教師なし学習などを紹介します. ベイズの定理,
期待値,分散などの確率の基礎を学んだあと,最尤推定などの基本的な推定手法に加えて,交差確認法や次元の呪いといった重要な注意事項について述べます. 損失関数を最小にするという決定理論に
続き,エントロピーやカルバック-ライブラーダイバージェンスなどの情報理論の基礎について述べます. ★ 第2章:確率分布:二項分布やガウス分布などの各種の確率分布について学びます. これらの分布について,ベイズ推定をしたときの事前分布や事後分布の具体的な形を導きます.また,逐次推定,指数型分布族,共役事前分布,無情報事前分布などの確率分布に関する事項も合わせて述べます.最後に,カーネル密度推定や最近傍法などのノンパラメトリック手法を紹介します. ★ 第3章:線形回帰モデル:教師あり学習の双璧の一つ回帰問題について学びます. 基本的な線形回帰から始め,その逐次推定や,正則化を導入したリッジ回帰,バイアス-バリアンスなどの発展的な内容を取り上げます.さらに,こうした最尤推定による方法に加えて,ベイズ推定による方法に移り,ベイズの観点からのモデル選択と,これらを行うためのエビデンス近似を述べます. ★ 第4章:線形識別モデル:もう一つの重要な教師あり学習である識別問題について学びます. 基本である線形の識別手
法であるフィッシャーの判別分析やパーセプトロンをまず述べます.その後,生成モデルや識別モデルの考えと,具体的な手法を紹介します.この識別問題の場合でも,ベイズ推定の場合を紹介します.
★ 第5章:ニューラルネットワーク:代表的な機械学習の手法であるニューラルネットについて学びます. ニューラルネット自体の紹介に続いて,誤差逆伝播法による学習について述べます. 勾配降下法による最適化と,そのために必要なヘッセ行列の近似を紹介します.このニューラルネットについても,正則化やベイズ推定の拡張をします. ★ 付録:データ集合,確率分布の一覧,行列の性質,変分法,ラグランジュ乗数ーこのテキストは、絶版本またはこのタイトルには設定されていない版型に関連付けられています。

【データ分析の必読10冊+差をつける10冊＋100冊超】データサイエンス、データ分析、機械学習関連の本

ディープラーニングに入門するためのリソース集と学習法（2018年版）

機械学習/ディープラーニング初心者が2018年にやったこと、読んだ論文

機械学習エンジニアに爆速でなるための教材集

【Webエンジニアど素人】が【3〜4年生】くらいになったら読むといい本を目的別にまとめた

機械学習や統計に関する情報収集

機械学習・Computer Scienceを勉強する。 リソース一覧

機械学習について一回挫折してしまったエンジニアが何とかお仕事で機械学習を使えるようになるまで

データサイエンス、データ分析、機械学習に必要な数学

文系エンジニアが0からベイズ統計モデリングを学習するときに読むべき資料まとめ

Azure Machine Learningをわかった気になるために細かいことは気にせずに機械学習のことをまとめてみる - ディープラーニングの手前まで

【随時更新】マシンラーニングエンジニアが機械学習、統計学のおすすめ本を紹介する

PRMLの機械学習アルゴリズムを実装して理解する

Amazonで一年間に使った金額と、注文履歴のTSVを出力するブックマークレット【2015年版】

初心者から data scientist・AI engineer になるための勉強法&おすすめサイト・本を一つの記事にまとめたかった

Go で機械学習(の手習い)

【書籍まとめ】データサイエンス初心者が1年間で読んだ本

RVM(Relevance Vector Machine)を使って、プロ野球で打率は得点に影響していないことを示す

統計学の代表的な手法を実践する (2) 〜 ロジスティック回帰

PRML　演習問題　解答集　まとめ

ベイズ推定を用いた回帰

β分布

深層学習小史～著名論文で綴る4年+24年～

最尤推定を用いた回帰

MAP推定を用いた回帰

EMアルゴリズムについて勉強したのでまとめてみた（来週実装します）

データサイエンス関連の本を紹介する。

統計初心者が１年で統計検定１級に合格した話

受託分析会社に中途入社してから約1年半の雑多な記録

コロナ社「統計的パターン認識と判別分析」本のレビュー

ディリクレ分布 Dirichlet distribution

機械学習独習ロードマップ（自分用）

PRMLに数学で一歩踏み込む -平面の方程式から識別関数の理解-

(機械学習)ベイズ線形回帰について実装を交えて丁寧に理解しようとした

PRML　演習問題　解答集　第2章

PRML　演習問題　解答集　第1章

PRML　演習問題　解答集　第4章

PRML　演習問題　解答集　第3章

bioinformatics関連書籍についての書評

高校数学ではじめる機械学習

PRML　演習問題　解答集　第5章

PRML　演習問題　解答集　第6章

PRML　演習問題　解答集　第7章

PRML　演習問題　解答集　第8章

PRML　演習問題　解答集　第13章

混合ガウス分布でEMアルゴリズム実装【C++】

「パターン認識と機械学習の学習」2.3 多変量ガウス分布

ロジスティック回帰に対するloglossを偏微分して機械学習の学習フェーズの流れを学ぶ

パターン認識と機械学習 上