統計的機械学習
| 日時 | 内容 | スライドのファイル | 補足資料など | 発表者 |
| 4月13日 | 第1章 パターン認識の基礎 | staml-shinnou-0413.pdf staml-eguchi-0413.pdf |
江口, 新納 | |
| 第2章 準備 | staml-sasaki-0413.pdf | 佐々木 | ||
| 4月20日 | 第3章 識別関数の良さを測る規準 3.1 訓練標本を用いた識別関数の学習 3.2 最大事後確率則 3.3 最小誤識別則 |
staml-msaito-0420.pdf | 斉藤（優） | |
| 3.4 ベイズ決定則 3.5 生成モデルに基づくパターン認識 |
staml-sassa-0420.pdf | 佐々 | ||
| 4月27日 | 第4章 最尤推定法 4.1 最尤推定法の定義 4.2 ガウスモデル |
staml-okazaki-0427.pdf | 岡崎 | |
| 4.3 カテゴリの事後確率の計算 4.4 線形判別分析 |
staml-tsaito-0427.pdf | 固有値分解 | 斉藤（高） | |
| 5月11日 | 第5章 最尤推定法の理論的性質 5.1 準備 5.2 一致性 5.3 漸近不偏性 |
staml-msaito-0511.pdf | 斉藤（優） | |
| 5月25日 | 5.4 漸近有効性 5.5 漸近正規性 |
staml-sassa-0525.pdf | 佐々 | |
| 第6章 線形判別分析による手書き文字認識 6.1 手書き数字データの読み込みと表示 6.2 線形判別分析の実装 6.3 多カテゴリ文字認識の結果評価 |
staml-okazaki-0525.pdf | 岡崎 | ||
| 6月8日 | 第7章 最尤推定法におけるモデル選択 7.1 モデル選択とは 7.2 確率密度関数の近さを測る規準 |
staml-tsaito-0608.pdf | 斉藤（高） | |
| 7.3 赤池の情報量規準 7.4 竹内の情報量規準 |
staml-msaito-0608.pdf | 斉藤（優） | ||
| 6月15日 | 第8章 混合ガウスモデルの最尤推定 8.1 ガウス混合モデル 8.2 勾配法 |
staml-sassa-0615.pdf | 佐々 | |
| 8.3 EM アルゴリズム | staml-okazaki-0615.pdf | 岡崎 | ||
| 6月22日 | 第9章 ベイズ推定法 9.1 ベイズ推定法の定義 9.2 ベイズ推定法と最尤推定法の違い |
staml-msaito-0622.pdf | 斉藤（高） | |
| 9.3 最大事後確率推定法 9.4 共役事前分布 |
staml-tsaito-0622.pdf | 斉藤（優） | ||
| 6月29日 | 第10章 ベイズ推定の数値計算法 10.1 モンテカルロ積分 10.2 重点サンプリング法 |
staml-sassa-0629.pdf | 佐々 | |
| 10.3 計算機による疑似乱数の発生法 | staml-okazaki-0629.pdf | 岡崎 | ||
| 7月6日 | 第11章 ベイズ推定法におけるモデル選択 11.1 事前確率の設定とモデル選択 11.2 周辺尤度のラプラス近似 |
staml-tsaito-0706.pdf | 斉藤（高） | |
| 11.3 ベイズ情報量規準 11.4 変分ベイズ法 |
staml-msaito-0706.pdf | 斉藤（優） | ||
| 7月13日 | 第12章 カーネル密度推定法 12.1 ヒストグラム法 12.2 ノンパラメトリック法の枠組み |
staml-sassa-0713.pdf | 佐々 | |
| 12.3 パーゼン窓法とカーネル密度推定法 12.4 尤度公差確認法 |
staml-okazaki-0713.pdf | 岡崎 | ||
| 7月20日 | 第13章 最近傍密度推定法 13.1 最近傍密度推定法 13.2 最近傍識別器 13.3 k-最近傍識別器 |
staml-tsaito-0720.pdf | 斉藤（高） |