出版社内容情報
『パターン認識と機械学習』(Pattern Recognition and Machine Learningl; PRML)のBishopによる深層学習の専門書．前作と同様に明解な書きぶりで深層学習の根幹となる数理を解説．
【目次】
1章 深層学習革命
1.1 深層学習の衝撃
1.1.1 医療診断
1.1.2 タンパク質の構造
1.1.3 画像生成
1.1.4 大規模言語モデル
1.2 機械学習入門
1.2.1 人工データ
1.2.2 線形モデル
1.2.3 誤差関数
1.2.4 モデル複雑度
1.2.5 正則化
1.2.6 モデル選択
1.3 機械学習史略
1.3.1 単層ニューラルネット
1.3.2 誤差逆伝播法
1.3.3 深層ニューラルネット
2章 確率論
2.1 確率の演算則
2.1.1 医療検診の例
2.1.2 和の法則と積の法則
2.1.3 ベイズの定理
2.1.4 医療検診の例：続き
2.1.5 事前確率と事後確率
2.1.6 独立変数
2.2 確率密度
2.2.1 分布の例
2.2.2 期待値と共分散
2.3 ガウス分布
2.3.1 平均と分散
2.3.2 尤度関数
2.3.3 最尤推定のバイアス
2.3.4 線形回帰
2.4 確率密度の変換
2.4.1 多変量の確率分布
2.5 情報理論
2.5.1 エントロピー
2.5.2 物理学的視点からの解釈
2.5.3 微分エントロピー
2.5.4 微分エントロピーの最大化
2.5.5 カルバック?ライブラーダイバージェンス
2.5.6 条件付きエントロピー
2.5.7 相互情報量
2.6 ベイズ主義的確率
2.6.1 モデルのパラメータ
2.6.2 正則化
2.6.3 ベイズ主義的機械学習
演習問題
3章 代表的な確率分布
3.1 離散変数の分布
3.1.1 ベルヌーイ分布
3.1.2 二項分布
3.1.3 多項分布
3.2 多変量ガウス分布
3.2.1 幾何学的特性
3.2.2 モーメント
3.2.3 パラメータ数と分布形状の制限
3.2.4 条件付き分布
3.2.5 周辺分布
3.2.6 ベイズの定理
3.2.7 最尤推定
3.2.8 逐次学習
3.2.9 ガウス分布の混合分布
3.3 周期変数
3.3.1 フォン・ミーゼス分布
3.4 指数型分布族
3.4.1 十分統計量
3.5 ノンパラメトリック推定法
3.5.1 ヒストグラム密度推定
3.5.2 カーネル密度推定法
3.5.3 最近隣法
演習問題
4章 単層ニューラルネット
目次
第１章 深層学習革命
第２章 確率論
第３章 代表的な確率分布
第４章 単層ニューラルネット：回帰問題
第５章 単層ニューラルネット：分類問題
第６章 深層ニューラルネット
第７章 勾配降下法
第８章 誤差逆伝播法
第９章 正則化
付録Ａ 線形代数
付録Ｂ 変分法
付録Ｃ ラグランジュ乗数法
著者等紹介
神嶌敏弘［カミシマトシヒロ］
２０２４年まで国立研究開発法人産業技術総合研究所に勤務。専門分野はデータマイニング、機械学習、特にＡＩ倫理や推薦システム。代表的な受賞歴に、２０１９年人工知能学会ＡＩ ＥＬＳＩ賞、２０２２年ＥＣＭＬＰＫＤＤ Ｔｅｓｔ ｏｆ Ｔｉｍｅ Ａｗａｒｄなど（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。
