目次
１ パターン認識とは
２ 線形識別モデルと学習
３ 誤差評価に基づく学習
４ 事後確率最大化（ＭＡＰ）基準による識別
５ パラメトリックな学習
６ ベイズ推定
７ クラス依存確率密度を正規分布でモデル化したＭＡＰ推定
８ ニューラルネットワーク（ｆｅｅｄ ｆｏｒｗａｒｄ型）
９ サポートベクトルマシン
１０ 期待損失最小化（リスク最小化）識別
著者等紹介
荒井秀一［アライシュウイチ］
１９８４年３月慶應義塾大学工学部電気工学科卒業。１９８６年３月慶應義塾大学大学院工学研究科電気工学専攻修士課程修了。１９８９年３月慶應義塾大学大学院理工学研究科電気工学専攻博士課程修了（工学博士）。１９８９年４月千葉工業大学工学部情報工学科助手。１９９１年４月千葉工業大学工学部情報工学科専任講師。１９９５年４月千葉工業大学工学部情報工学科助教授。１９９７年４月武蔵工業大学工学部電子情報工学科助教授。２００３年４月武蔵工業大学工学部コンピュータ・メディア工学科助教授。２００７年４月武蔵工業大学知識工学部情報科学科准教授。２００８年４月武蔵工業大学知識工学部情報科学科教授。２００９年４月東京都市大学知識工学部情報科学科教授。２０２０年４月東京都市大学情報工学部情報科学科教授（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。
跼
1
非常に分かりやすい好著。10章あり、大学の1単位と同等の労力で読むことになる。例題や図、まとめ、具体的な例などが盛り込まれているため、トップダウンではない仕方でパターン認識を勉強できる。最尤推定と事後確率最大化推定、ベイズ推定など。ソフトマックス関数が条件付き確率から導けることは興味深かった。線形分離不可能な点群を次元数を上げることによって線形分離可能とするSVM（カーネルトリック）、過度な最適化を抑えるスラック変数（ソフトマージン）、多クラスSVMの計算量の大きさは、なにか認識論的な含意がありそうだ。2024/05/14
