Machine Learning A Probabilistic Perspective輪読会#59

2024/05/19(日)16:00 〜 18:00 開催

ブックマーク

#読書会, #Deep Learning, #ネットワーク

イベント内容

Machine Learning A Probabilistic Perspective 輪読会について

機械学習、ディープラーニングの理解に必要となる基礎理論を網羅した大作「Machine Learning - A Probabilistic Perspective (MLaPP)」をじっくりと学んでいく会です。
Christopher Bishop著のPRMLの発展版とも言われ、機械学習を根本から理解したい方におすすめです。

主催者側もこの分野に関しては素人なので、一緒に学んでいきましょう。

使用するテキスト

「Machine Learning - A Probabilistic Perspective」

アマゾン
※ネットでPDF版が落とせるようです

キーワード

人工知能、機械学習、確率統計

前提となる知識

線形代数の基礎
確率統計の基礎

日時

2024年05月19日（日）　16:00〜18:00

その後の予定（仮）
　2024年06月16日（日）
　2024年07月21日（日）

タイムテーブル

時間	内容
13:00	ZoomのミーティングID、パスワードを通知
16:00 - 16:05	輪読会（主催団体）の説明
16:05 - 16:10	簡単な自己紹介
16:10 - 18:00	勉強会（途中休憩を挟む場合があります）

前回までの内容

	内容
第1回	Section 1 Introduction pp.1-22
第2回	Section 2 Probability pp.27-38
第3回	Section 2 Probability pp.38-49
第4回	Section 2 Probability pp.49-Last Section 3 Generative models for discrete data pp.65-68
第5回	Section 3 Generative models for discrete data pp.69-81
第6回	Section 3 Generative models for discrete data pp.82-Last
第7回	Section 4 Gaussian models pp.97-107
第8回	Section 4 Gaussian models pp.107-114
第9回	Section 4 Gaussian models pp.114-125
第10回	Section 5 Bayesian statistics pp.149-163
第11回	Section 4 Gaussian models pp.125-130 Section 5 Bayesian statistics pp.163-165
第12回	Section 5 Bayesian statistics pp.166-171
第13回	Section 5 Bayesian statistics pp.171-176
第14回	Section 5 Bayesian statistics pp.176-Last
第15回	Section 6 Frequentist Statistics pp.191-199
第16回	Section 6 Frequentist Statistics pp.199-205
第17回	Section 6 Frequentist Statistics pp.205-214
第18回	Section 6 Frequentist Statistics pp.214-215 Section 7 Linear regression pp.217-222
第19回	Section 7 Linear regression pp.222-230
第20回	Section 7 Linear regression pp.230-
第21回	Section 8 Logistic regression pp.245- 254
第22回	Section 8 Logistic regression pp.254- 264
第23回	Section 8 Logistic regression pp.265- Last
第24回	Section 9 Generalized linear models and the exponential family pp.282-290
第25回	Section 9 Generalized linear models and the exponential family pp.293-300
第26回	Section 9 Generalized linear models and the exponential family pp.300 - Last Section 10 Directed graphical models pp.307 - 310
第27回	Section 10 Directed graphical models pp.310-320
第28回	Section 10 Directed graphical models pp.320-327
第29回	Section 10 Directed graphical models pp.327-Last Section 11 Mixture models and the EM algorithm pp.337-342
第30回	Section 11 Mixture models and the EM algorithm pp.342-357
第31回	Section 11 Mixture models and the EM algorithm pp.357-367
第32回	Section 11 Mixture models and the EM algorithm pp.367-Last Section 12 Latent Linear Models pp.381-382
第33回	Section 12 Latent Linear Models pp.382-388
第34回	Section 12 Latent Linear Models pp.388-399
第35回	Section 12 Latent Linear Models pp.399-412
第36回	Section 12 Latent Linear Models pp.413-Last Section 13 Sparse Linear Modesl pp.421-
第37回	Section 13 Sparse Linear Modesl pp.425-430
第38回	Section 13 Sparse Linear Modesl pp.430-440
第39回	Section 13 Sparse Linear Modesl pp.440-447
第40回	Section 13 Sparse Linear Modesl pp.447-457
第41回	Section 13 Sparse Linear Modesl pp.457-469
第42回	Section 13 Sparse Linear Modesl pp.469-474 Section 14 Kernels pp.479-486
第43回	Section 14 Kernels pp.486-496
第44回	Section 14 Kernels pp.496-505
第45回	Section 15 Gaussian Processes pp.496-512
第46回	Section 15 Gaussian Processes pp.512-525
第47回	Section 15 Gaussian Processes pp.525-534
第48回	Section 16 Adaptive Basis Function Models pp.525-549
第49回	Section 15 Gaussian Processes pp.534-542 Section 16 Adaptive Basis Function Models pp.549-552
第50回	Section 16 Adaptive Basis Function Models pp.552-563
第51回	Section 16 Adaptive Basis Function Models pp.563-569
第52回	Section 16 Adaptive Basis Function Models pp.569-586
第53回	Section 17 Markov and hidden Markov Models pp.589-600
第54回	Section 17 Markov and hidden Markov Models pp.600-612
第55回	Section 17 Markov and hidden Markov Models pp.612-617
第56回	Section 17 Markov and hidden Markov Models pp.617-629
第57回	Section 18 State space models pp.631-640
第58回	Section 18 State space models pp.640-647