機械学習プロフェッショナルシリーズ ベイズ深層学習

著者名：須山敦志【著】

講談社（2019/10発売）

• ISBN：9784065168707

内容説明

「読んでいて本当に心地がいい」と大好評の前著『ベイズ推論による機械学習入門』からの第２弾！　｢深層学習とベイズ統計の融合｣がすべて詰まった ｢欲張り｣本！　基礎からはじめ、深層生成モデルやガウス過程とのつながりまでをていねいに解説した。本邦初の成書！本書のサポートページ：https://github.com/sammy-suyama/BayesianDeepLearningBook　　【主な内容】第1章　はじめに　1.1　ベイズ統計とニューラルネットワークの変遷　1.2　ベイズ深層学習／第2章　ニューラルネットワークの基礎　2.1　線形回帰モデル　2.2　ニューラルネットワーク　2.3　効率的な学習法　2.4　ニューラルネットワークの拡張モデル／第3章　ベイズ推論の基礎　3.1　確率推論　3.2　指数型分布族　3.3　ベイズ線形回帰　3.4　最尤推定，MAP推定との関係／第4章　近似ベイズ推論　4.1　サンプリングに基づく推論手法　4.2　最適化に基づく推論手法／第5章　ニューラルネットワークのベイズ推論　5.1　ベイズニューラルネットワークモデルの近似推論法　5.2　近似ベイズ推論の効率化　5.3　ベイズ推論と確率的正則化　5.4　不確実性の推定を使った応用／第6章　深層生成モデル　6.1　変分自己符号化器　6.2　変分モデル　6.3　生成ネットワークの構造学習　6.4　その他の深層生成モデル／第7章　深層学習とガウス過程　7.1　ガウス過程の基礎　7.2　ガウス過程による分類　7.3　ガウス過程のスパース近似　7.4　深層学習のガウス過程解釈　7.5　ガウス過程による生成モデル

目次

第1章　はじめに
1.1　ベイズ統計とニューラルネットワークの変遷
1.2　ベイズ深層学習

第2章　ニューラルネットワークの基礎
2.1　線形回帰モデル
2.2　ニューラルネットワーク
2.3　効率的な学習法
2.4　ニューラルネットワークの拡張モデル

第3章　ベイズ推論の基礎
3.1　確率推論
3.2　指数型分布族
3.3　ベイズ線形回帰
3.4　最尤推定，MAP推定との関係

第4章　近似ベイズ推論
4.1　サンプリングに基づく推論手法
4.2　最適化に基づく推論手法

第5章　ニューラルネットワークのベイズ推論
5.1　ベイズニューラルネットワークモデルの近似推論法
5.2　近似ベイズ推論の効率化
5.3　ベイズ推論と確率的正則化
5.4　不確実性の推定を使った応用

第6章　深層生成モデル
6.1　変分自己符号化器
6.2　変分モデル
6.3　生成ネットワークの構造学習
6.4　その他の深層生成モデル

第7章　深層学習とガウス過程
7.1　ガウス過程の基礎
7.2　ガウス過程による分類
7.3　ガウス過程のスパース近似
7.4　深層学習のガウス過程解釈
7.5　ガウス過程による生成モデル

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。

[vinlandmbit]

難しいですが、ベイズ深層学習について非常に詳しく掲載されています。定期的に読み返しながら理解を深めていきます。

2020/03/15

[kaida6213]

ベイズを深層学習に適用する方法を解説した本。難しくて半分ほどわかってない。ガウス過程もう少しやって再読するか。

2025/01/24

[shin_ash]

NNをベイズ推論で解説し、多層化の話とガウス過程の話を並行して進めて、ガウス過程の多層化につなげて行く。ベイズ推論は線形モデルのベイズ化から入って、カーネル関数で非線形化しガウス過程につなげると共に、潜在変数化してユニットを経由して多層化につなげる。また潜在変数化は最終的に教師なし学習にもつながっていく。識別モデルの覇者であるDNNは性能が高くても、構造に興味がある者にとっては"使えない"手法である。しかしそれを重層的に理論をつなげて、この様に生成的に捉える事で"使える"可能性が広がって行く。素晴らしい。

2019/10/13

[ONE_shoT_]

深層学習とベイズ統計の融合分野について解説した一冊。ベイズ推論における近似推論手法を、ニューラルネットワークの学習・予測に適用する方法や、深層生成モデルのベイズ的な取り扱い方、ガウス過程と深層学習の関連などについて書かれている。難易度が高く、数式を追い切れていない部分もあるが、「ドロップアウトやバッチ正規化が、パラメータの事後分布を近似推論する変分推論手法の一種と見做せる」など、なるほどと思った。もろもろ理解度が上がってから再読したい。

2020/04/29

[ひさし]

解説は面白い。でも数式は難しくて、どう実装に活かすのか分かるだけの知識がない。。

2023/09/08