目次
第Ⅰ部パターン認識と学習 麻生英樹
1 パターン認識と統計科学
1.1 パターン情報処理
1.2 パターン認識システム
1.3 統計的パターン認識
2 いろいろなパターン識別手法
2.1 テンプレートマッチング法
2.2 k‐最近傍識別法
2.3 部分空間法
2.4 識別関数の最適化による方法
2.5 決定木による方法
2.6 ニューラルネットワークによる方法
2.7 識別関数の評価
3 統計的意思決定としてのパターン識別
3.1 パターン生成過程のモデル
3.2 損失関数
3.3 事後確率最大化識別
3.4 多次元正規分布による推定
3.5 判別分析
3.6 ノンパラメトリックなクラス分布の推定
3.7 確率分布モデルとしての決定木やニューラルネットワーク
3.8 グラフィカルモデルとナイーブベイズ識別
3.9 パターン認識と統計的モデル選択
4 クラスタリングとベクトル量子化
4.1 ボトムアップとトップダウンのクラスタリング法
4.2 K‐平均法
4.3 競合学習による方法
4.4 混合分布による方法
4.5 クラスタリング結果の評価
5 時系列パターン情報の認識
5.1 時系列パターン情報のモデル
5.2 音声認識
6 学習と統計科学
6.1 機械学習
6.2 統計的学習理論
6.3 経験損失と期待損失
6.4 経験損失最小化
6.5 構造的損失最小化
6.6 真の分布とヒューリスティクス
6.7 強化学習の理論
文献案内
第Ⅱ部カーネル法の理論と実際 津田宏治
1 カーネル法とは
2 カーネル関数と学習問題
2.1 Mercerカーネル
2.2 学習の定式化
2.3 カーネルトリック
3 教師つき学習のためのカーネル法
3.1 サポートベクターマシン
3.2 線形計画識別器
3.3 カーネル判別分析
3.4 ベイズポイントマシン
3.5 スパースカーネル回帰分析
4 教師なし学習のカーネル法
4.1 カーネル主成分分析
4.2 1クラスSVM
5 事前知識を反映したカーネル
5.1 不変性をもつカーネルの設計
5.2 DNA配列における実例
参考文献
第Ⅲ部推定量を組み合わせる 村田昇
1 何が問題か
2 組み合わせの方法
2.1 弱仮説と多数決
2.2 構造とアルゴリズムによる分類
2.3 ベンチマークによる比較
3 モデルの拡大
3.1 大域的な拡大
3.2 局所的な拡大
4 バギング
4.1 ブートストラップ法
4.2 バギング
5 ブースティング
5.1 フィルタによるブースティング
5.2 AdaBoost
5.3 AdaBoostの損失関数
5.4 訓練誤差の性質
5.5 汎化誤差の性質
5.6 ブースティングの幾何学的構造
関連図書