第１章、第２章：識別規則、学習法
第３章：ベイズの識別規則
・ベイズ推定補習
▶︎ベイス推定におけるデータ数増加と事後確率の変化のグラフ比較
第４章：確率モデルと識別関数
・4.1（観測データの線形変換）
・4.2、4.3（確率モデル、パラメータの最尤推定）
第５章：k最近傍法
・5.1〜5.3（最近傍法、ボロノイ境界、kNN法とベイズ誤り率）
・5.4（kNN法の計算量低減法）
第６章：線形識別関数
・6.1〜6.2（最小二乗法）の予習（機械学習理論入門：第２章より）
・6.1〜6.2（線形識別関数の定義、最小二乗誤差基準）
・6.3（相関比、線形判別分析）
・6.4（ロジスティック回帰）
第７章：パーセプトロン
・7.1（パーセプトロン）
・7.2（誤差逆伝播法）
・7.3（誤差逆伝播法の学習特性）
第８章：サポートベクトルマシン
・8.1〜8.2の予習１（距離の公式）
・8.1〜8.2の予習２（ベクトルの微分、勾配、ラグランジュ未定乗数法、kkt条件など）
・8.1〜8.2（SVMの導出、線形分離可能でない場合への拡張）
・8.3の予習（カーネル法とは、多項式カーネル、ガウスカーネル）
・8.3（非線形特徴写像）
・8.4〜8.5（ニューSV、１クラスSV、補足：正則化について）
第９章：部分空間法
・9.1の予習（２変量、３変量の主成分分析）
・9.1〜9.3（部分空間、主成分分析、特異値分解）
・9.4（部分空間法）
・9.5〜9.6（カーネル主成分分析、カーネル部分空間法）
第１０章：クラスタリング
・10.1〜10.3（類似度、K-平均法、階層型クラスタリング）
・10.4の予習（ベイズ推定、ベイズ推定と最尤推定の関係）
・10.4（確率モデルによるクラスタリング）
第１１章：識別器の組み合わせによる性能強化
・11.1〜11.2（ノーフリーランチ定理、決定木）
・11.3〜11.4（バギング、アダブースト）
・11.5（ランダムフォレスト）
0コメント