目次
１ 統計的潜在意味解析とは（潜在的意味・トピックと潜在的共起性；潜在意味解析の歴史 ほか）
２ Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ（多項分布とＤｉｒｉｃｈｌｅｔ分布；ＬＤＡの生成過程 ほか）
３ 学習アルゴリズム（統計的学習アルゴリズム；サンプリング近似法 ほか）
４ 潜在意味空間における回帰と識別（潜在意味空間における回帰問題；潜在意味空間における分類問題 ほか）
５ 拡張モデル（相関構造のモデリング；系列データのモデリング―統語構造のモデリング ほか）
著者等紹介
奥村学［オクムラマナブ］
１９８４年東京工業大学工学部情報工学科卒業。１９８９年東京工業大学大学院博士課程修了（情報工学専攻）、工学博士。東京工業大学助手。１９９２年北陸先端科学技術大学院大学助教授。２０００年東京工業大学助教授。２００７年東京工業大学准教授。２００９年東京工業大学教授
佐藤一誠［サトウイッセイ］
２０１１年東京大学大学院情報理工学系研究科博士課程修了（数理情報学専攻）、博士（情報理工学）。東京大学情報基盤センター助教。２０１３年科学技術振興機構さきがけ研究員（兼務）（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。
carbon_twelve
2
LDAの論文やらPRMLやらチュートリアルやらを読んでもちんぷんかんぷんだった推論アルゴリズムの導出を非常に丁寧に解説しているので助かった。トピックモデルに限らずグラフィカルモデルの推論を学ぼうと思っている人全般に勧めたい。2016/03/21
Shuhei Iitsuka
1
数式の展開がものすごく丁寧です．トピックモデルに限らず，どのようにベイズ統計が近年の機械学習の学習アルゴリズムに貢献しているのかを理解することができます．2017/03/23
ひかぷら
1
LDAのモデル概要，学習アルゴリズム，拡張モデルについて1冊で学べる優れもの．説明は非常に丁寧だがノーテーションが独特&確率論の知識がないと辛いものがあるので丁寧に読み進めないと死ぬ．2016/12/30
Tsukasa Fukunaga
0
文章とは複数のトピックから出力される単語の混合状態である、とみなすトピックモデルの教科書。基本的な説明から、学習方法(サンプリング、変分ベイズどちらも)、より高度なモデリング(回帰や識別、HMMとの組み合わせなど)について述べられている。高度なモデリング手法についても学習アルゴリズムが丁寧に説明されているのが非常に参考になる。学習アルゴリズムの数学的導出は中々大変だが、PRMLを読んだ人ならそこまで苦なく読めるだろう。バイオインフォにはあまり使われていないモデルだと思うので、どう応用できるか考えたい。2015/04/10
ミスタ！
0
図書館での流し読み。やりたいことや、モデリング自体の意味はわかるけど、やっぱり実際に手を動かさないと実感わかない。あと、ベイズはまじでやんないと、これからの手法についていけないな。2019/03/23
