内容説明
※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。
本書は機械学習をテーマとしているが、特に統計学と最適化を基礎におく理論と手法について説明。ここで説明する手法はデータマイニングにおいてもしばしば利用されている。具体的には、教師データを用いた線形モデルによる分類や回帰、およびその発展形としてサポートベクターマシン、さらに１データごとの処理によって学習を行うオンライン学習を説明。次に教師データを用いないクラスタリング、および潜在変数がある場合の代表的な学習手法であるＥＭアルゴリズムについて説明。最後に解析的な処理が難しい場合に用いることが多いMarkov連鎖Monte Carlo法を紹介。
目次
はじめに
第1章 機械学習の基礎概念
第2章 確率分布のパラメタ推定
第3章 線形モデル
第4章 過学習と予測性能
第5章 サポートベクターマシン
第6章 オンライン学習
第7章 クラスタリング
第8章 EMアルゴリズム
第9章 Markov連鎖Monte Carlo法
参考文献
おわりに
索引
