サポートベクターマシン入門

個数:

サポートベクターマシン入門

  • ウェブストアに1冊在庫がございます。(2020年09月25日 13時05分現在)
    通常、ご注文翌日~3日後に出荷されます。
  • 出荷予定日とご注意事項
    ※上記を必ずご確認ください

    【ご注意事項】 ※必ずお読みください
    ◆在庫数は刻々と変動しており、ご注文手続き中に減ることもございます。
    ◆在庫数以上の数量をご注文の場合には、超過した分はお取り寄せとなり日数がかかります。入手できないこともございます。
    ◆事情により出荷が遅れる場合がございます。
    ◆お届け日のご指定は承っておりません。
    ◆「帯」はお付けできない場合がございます。
    ◆特に表記のない限り特典はありません。
  • ●店舗受取サービス(送料無料)をご利用いただけます。
    【カートに入れる】を選択後に全国店舗の中からお受け取り店をご指定下さい。尚、受取店舗限定の特典はお付けできません。詳細はこちら
  • サイズ A5判/ページ数 252p/高さ 23cm
  • 商品コード 9784320121348
  • NDC分類 007.6
  • Cコード C3041

目次

第1章 学習法
第2章 線形学習マシン
第3章 カーネル誘導特徴空間
第4章 汎化理論
第5章 最適化の理論
第6章 サポートベクターマシン
第7章 インプリメンテーション技術
第8章 サポートベクターマシンの応用事例
付録

著者等紹介

クリスティアニーニ,ネロ[クリスティアニーニ,ネロ][Cristianini,Nello]
イタリアのゴリジアで生まれた。イタリアのトリエステ大学、ロンドン大学ロイヤルハロウェイ校、ブリストル大学、カリフォルニア大学サンタクルーズ校で研究活動をしてきた。サポートベクターマシンの理論応用や他の学習システムに関する活発な若手研究者である。これらの分野において、多くの主要な国際会議や雑誌に研究を発表している

ショー‐テイラー,ジョン[ショーテイラー,ジョン][Shawe‐Taylor,John]
イギリスのチェルテンハムで生まれた。ケンブリッジ大学、スロベニアのリュブリャナ大学、カナダのサイモンフレーザー大学、インペリアル大学、ロンドン大学ロイヤルハロウェイ校で研究活動をしてきた。ロンドン大学ロイヤルハロウェイ校の計算機科学科の教授である。現在、ヨーロッパ基金によるニューラル・計算論的学習に関する16大学協同研究のコーディネーターをしている

大北剛[オオキタツヨシ]
1991年、東京大学の理学部情報科学科で学士を得た後、1999年までソニーで並行オブジェクト指向OSや放送局用カメラの設計開発をする。1998年に、ソニーブリュッセルへ赴任する。2001年と2002年に、ブリュッセル自由大学で計算機科学とヨーロッパ統合政治経済の修士を取得する。2005年に同大学で人工知能の博士を取得予定している。一方、2003年より、ベルギーでソフトウェアコンサルタントとして独立する
※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。

出版社内容情報

●内容
 サポートベクターマシン(SVM)とは,統計学習理論に基づく学習システムで,現在の技術水準としての性能を発揮しながら,テキスト分類,手書き文字認識,画像分類,タンパク質配列分析などの現実的な問題へ適用できる。また,現在発展を続けるカーネル法や他の統計学習などの共通のルーツとしての重要性ももつ。これらの意味で,この手法の詳細を理解することは非常に意義深い。本書は,数学的厳密に,最小限の枚数で学べる非常に効果的な書物である。英書のオリジナルは,各方面で絶賛されているもので,日本語版が待ち望まれていた。

●詳細目次
第1章 学習法
1.1 教師あり学習
1.2 学習と汎化
1.3 汎化能力の向上
1.4 学習の長所短所
1.5 サポートベクターマシンでの学習
1.6 練習
1.7 さらなる文献と話題
第2章 線形学習マシン
2.1 線形クラス分類
 2.1.1 ローゼンブラットのパーセプトロン
 2.1.2 その他の線形クラス分類器
 2.1.3 多クラスのクラス分類器
2.2 線形回帰
 2.2.1 最小2乗法
 2.2.2 リッジ回帰
2.3 線形マシンの双対表現
2.4 練習
2.5 さらなる文献と話題
第3章 カーネル誘導特徴空間
3.1 特徴空間の学習
3.2 特徴空間への陰写像
3.3 カーネル作成
 3.3.1 カーネルの特徴
 3.3.2 カーネルからのカーネル構築
 3.3.3 特徴からのカーネル構築
3.4 特徴空間での作業
3.5 カーネルとガウス過程
3.6 練習
3.7 さらなる文献と話題
第4章 汎化理論
4.1 PAC学習
4.2 VC理論
4.3 マージンに基づく限界による汎化
 4.3.1 最大マージン限界
 4.3.2 マージンパーセント点限界
 4.3.3 ソフトマージン限界
4.4 その他の汎化限界「幸運さ限界」
4.5 回帰での汎化
4.6 学習のベイズ分析
4.7 練習
4.8 さらなる文献と話題
第5章 最適化の理論
5.1 問題定式化
5.2 ラグランジュ理論
5.3 双対性
5.4 練習
5.5 さらなる文献と話題
第6章 サポートベクターマシン
6.1 サポートベクトルによるクラス分類
 6.1.1 最大マージンクラス分類器
 6.1.2 ソフトマージン最適化
 6.1.3 線形計画法サポートベクターマシン
6.2 サポートベクターマシンによる回帰
 6.2.1 ε-インセンシティブな損失回帰
 6.2.2 カーネルリッジ回帰
 6.2.3 ガウス過程
6.3 議論
6.4 練習
6.5 さらなる文献と話題
第7章 インプリメンテーション技術
7.1 一般事項
7.2 素朴な解決:勾配登り
7.3 一般的技術とソフトウェア
7.4 チャンク化と行列分解
7.5 SMO法
 7.5.1 2点の解析的な解
 7.5.2 ヒューリスティックな選択
7.6 ガウス過程の方法
7.7 練習
7.8 さらなる文献と話題
第8章 サポートベクターマシンの応用事例
8.1 テキストのカテゴリ化
 8.1.1 情報検索でのカーネルを使った情報フィルタ
8.2 画像認識
 8.2.1 物体の向きに独立なパターン分類
 8.2.2 色を基準とするクラス分類
8.3 手書き文字認識
8.4 バイオインフォマティックス
 8.4.1 タンパク質相同性検知
 8.4.2 遺伝子の表現
8.5 さらなる文献と話題
付録A SMOアルゴリズムのコード
付録B 背景となる数学
B.1 ベクトル空間
B.2 内積空間
B.3 ヒルベルト空間
B.4 作用素・固有値・固有ベクトル
文献
索引