はじめてのパターン認識 の商品レビュー

平井有三【著】

2021/09/22

機械学習の基礎の理論を学びたいような方にオススメの書籍です。今、流行の機械学習や深層学習は最低でも数学（確率統計・基礎解析・線形代数）は理解していないと厳しいです。それらをある程度学んでいる前提であれば、比較的理解しやすいし、網羅的で図も多めです。少し古めの書籍なので理論本は他にもあるので最近出ているような本も参考にしつつ読み進めるのが良いかと思います。

2021/01/03

機械学習で用いられている様々な手法を詳述している定番の教科書。一通り読んだが、1回ではなかなか理解しきるのは難しい内容だった。改めて読み返したい。

2020/07/23

機械学習などについてまとめた本
いろいろな機械学習について解説されていて網羅できる。
まあ基本として読んどくのが良いと思う

2020/03/15

機械学習・パターン認識の基礎的な内容を一通り解説している。内容は目次を読んでもらえれば良いと思うが、この薄い分量で各項目を必要十分に説明している印象を受けた。数式もわかりやすかったと思う。特に、サポートベクターマシン、部分空間法については非常に綺麗にまとまっていた。機械学習・パターン認識への入門書としてはとても良い選択だと思う。
ただし誤植が多い。

2016/01/01

数式がわからなかったので、線形代数の基本書を読み、ベクトルやスカラーについて勉強しながら読み進めてます。

2015/12/22

IoT、ビッグデータ、人工知能ブームだ。このブームを支える技術の1つが機械学習である。
特に、Azure MLなどクラウドの機械学習プラットフォームも登場し、
より多くの企業が機械学習の活用を検討することになるだろう。
特に今まで使ったことのない企業は、ITベンダーから提案されるままに、
機械学習というキーワードに飛びついて、つまらないシステムに投資するリスクも高まる。
そのため、機械学習の基本概念と数学的基礎を知っておくことは、
ソリューションの目利きのために、必要不可欠だろう。

機械学習の入門書は数多く、図解中心で数式のほとんどないものから、
数ページにわたる数式展開や例題からなるものまで、難易度の幅は広い。
内容についても、教師あり学習の2、3のアルゴリズムだけのものから、
最近のディープラーニングまで多くの手法を紹介するものまである。
保有知識や目的によって、適切な書を選ぶ必要がある。

本書は、代表的なパターン認識のアルゴリズムについて、
識別関数や識別精度を数式で導くところから解説し、応用問題もあり、
本当の理解のためには、大学の線形代数や応用数学の知識が必須ではある。
しかし数式をさらっと流しても、各手法の雰囲気はつかめるように書かれている。
もちろん、紙と鉛筆で自分で計算するのが、本書の正しい使い方だろう。
ちなみに訂正が多いので、出版社から訂正表をダウンロードする方がよい。

機械学習について、数学的に何をやっているのかを知りたい人、
各アルゴリズムの違いを理解したい人、バリバリの数学書は時間がない、という人向け。

2015/08/25

パターン認識の入門書です。ある程度ベイズ統計学や、統計学、線形代数や解析学を習得していないと独学するのは厳しいと思います。

これをもとにプログラムを書くってよりは上位の本につなげる本だという認識で読んだ方がいいかと思います。

2014/08/10

購入。

色々なパターン認識の手法が数式とともに紹介されている。

正直半分も理解できなかったが、どのような手法があり、それぞれの長所・短所は何かを少し把握できた。
この本だけでは実装するには自分の力が足りないし、Rによる実行例も収録とあるが、具体的なコマンドが書かれている訳ではないから、色々調べながら実行することになると思う。
パターン認識の基本的な考え方を一冊で頭に入れたいときにいい本だと思うし、式を知りたくなったときに戻れるものだとも思う。

2014/03/19

ついに読み終わったはじパタ。
PRMLに行く前の準備運動になればと思ったが、タイトルとは裏腹になかなかハードコアな内容だった。
機械学習については、色々な言語のパッケージの紹介だったり、コードが載ってたりするのが多いが、本書は理論や数式、証明などがふんだんに掲載されている。
Rの実行結果がおなぐさみ程度で出てきているが、コードはないし、データセットもなかったりなので、写経して学びたいという方にはあまり向かないかもしれない。

まあ、個人的にはこれでようやくPRMLないし、他の機械学習本に立ち向かえると思うと良かったと思う。
１人で読んでいると挫折しそうだが、みんなで読むと新たな発見もあり、オススメな形式である。
ところどころに誤植っぽいのもあるが、実力をつけたい方にはオススメ。初学者は厳しいと思うが、チャレンジする価値はあると思う。

■目次
第1章 はじめに
1.1 パターン認識とは
1.2 特徴の型
1.3 特徴ベクトル空間と次元の呪い
第2章 識別規則と学習法の概要
2.1 識別規則と学習法の分類
2.2 汎化能力
第3章 ベイズの識別規則
3.1 ベイズの識別規則
3.2 受信者動作特性曲線
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 確率モデル
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(kNN法)
5.1 最近傍法とボロノイ境界
5.2 kNN法
5.3 kNN法とベイズ誤り率
5.4 kNN法の計算量とその低減法
第6章 線形識別関数
6.1 線形識別関数の定義
6.2 最小2乗誤差基準によるパラメータの推定
6.3 線形判別分析
6.4 ロジスティック回帰
第7章 パーセプトロン型学習規則
7.1 パーセプトロン
7.2 誤差逆伝搬法
7.3 誤差逆伝搬法の学習特性
第8章 サポートベクトルマシン
8.1 サポートベクトルマシンの導出
8.2 線形分離可能でない場合への拡張
8.3 非線形特徴写像
8.4 ν-サポートベクトルマシン
8.5 1クラスサポートベクトルマシン
第9章 部分空間法
9.1 部分空間
9.2 主成分分析
9.3 特異値分解
9.4 部分空間法
9.5 カーネル主成分分析
9.6 カーネル部分空間法
第10章 クラスタリング
10.1 類似度と非類似度
10.2 非階層型クラスタリング(K-平均法)
10.3 階層型クラスタリング(融合法)
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 ノーフリーランチ定理
11.2 決定木
11.3 バギング
11.4 アダブースト
11.5 ランダムフォレスト