第１章、第２章：識別規則、学習法

　　▶︎学習ノート（テキストのみ）

第３章：ベイズの識別規則

　　▶︎学習ノート（テキスト書き込み）

　・ベイズ推定補習

　　▶︎参考サイト

　　▶︎学習ノート

　　▶︎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

　　▶︎実装例（ベイズ推定による回帰分析）

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）

　　　▶︎学習ノート（テキスト書き込み）

　　　▶︎データの標準化：コードとグラフ

　　　▶︎データの無相関化：コードとグラフ

　　　▶︎データの白色化：コードとグラフ

　・4.2、4.3（確率モデル、パラメータの最尤推定）

　　　▶︎学習ノート（テキスト書き込み）

　　　▶︎実装例（最尤推定による回帰分析）

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）

　　　▶︎学習ノート（テキスト書き込み）

　・5.4（kNN法の計算量低減法）

　　　▶︎学習ノート（テキスト書き込み）

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）

　　　▶︎学習ノート

　　　▶︎実装例（多項式近似と最小二乗法）

　・6.1〜6.2（線形識別関数の定義、最小二乗誤差基準）

　　　▶︎学習ノート

　・6.3（相関比、線形判別分析）

　　　▶︎学習ノート

　・6.4（ロジスティック回帰）

　　　▶︎学習ノート

　　　▶︎実装例

第７章：パーセプトロン

　・7.1（パーセプトロン）

　　　▶︎学習ノート

　　　▶︎実装例

　・7.2（誤差逆伝播法）

　　　▶︎学習ノート

　・7.3（誤差逆伝播法の学習特性）

　　　▶︎学習ノート

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）

　　　▶︎学習ノート

　・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）

　　　▶︎学習ノート

　・8.1〜8.2（SVMの導出、線形分離可能でない場合への拡張）

　　　▶︎学習ノート

　・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）

　　　▶︎学習ノート

　・8.3（非線形特徴写像）

　　　▶︎学習ノート

　・8.4〜8.5（ニューSV、１クラスSV、補足：正則化について）

　　　▶︎学習ノート

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）

　　　▶︎学習ノート

　・9.1〜9.3（部分空間、主成分分析、特異値分解）

　　　▶︎学習ノート

　・9.4（部分空間法）

　　　▶︎学習ノート

　・9.5〜9.6（カーネル主成分分析、カーネル部分空間法）

　　　▶︎学習ノート

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）

　　　▶︎学習ノート

　　　▶︎実装例（K-平均法）

　・10.4の予習（ベイズ推定、ベイズ推定と最尤推定の関係）

　　　▶︎学習ノート

　・10.4（確率モデルによるクラスタリング）

　　　▶︎学習ノート

　　　▶︎実装例（EMアルゴリズム）

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）

　　　▶︎学習ノート

　・11.3〜11.4（バギング、アダブースト）

　　　▶︎学習ノート

　　　▶︎アダブースト補習

　　　▶︎ブートストラップ法実装例

　・11.5（ランダムフォレスト）

　　　▶︎学習ノート

2019.01

はじめてのパターン認識