はじめてのパターン認識

著者 : 平井有三

• 森北出版 (2012年7月31日発売)

作品紹介・あらすじ

パターン認識を学ぶ入門書に最適。Rによる実行例も収録。

感想・レビュー・書評

[岩手県立大学メディアセンターさんの感想 · 2023年11月18日]

【配架場所、貸出状況はこちらから確認できます】
https://libipu.iwate-pu.ac.jp/opac/volume/567341

[データサイエンティストMさんの感想 · 2023年1月4日]

大学の教科書になるような本なので、古典的な機械学習あたりはこちらでかなりしっかり押さえているのではないかと思う。数学が得意な方はこちらから入っても良いかもしれない。一方で、数式がガッツリある代わりに非直感的で概要を掴みずらいため、少し数学からは離れてしまったなんて方には概要をつかめる動画と併用がオススメである。簡潔かつ数式混じりで教えてる同学教授の動画は特にオススメです。

[blacktanktopさんの感想 · 2021年9月22日]

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。

[sinさんの感想 · 2021年1月3日]

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。

[ちゅんさんの感想 · 2020年7月23日]

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

[chlorochruleさんの感想 · 2020年3月13日]

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。

[東京大学医学図書館さんの感想 · 2019年11月13日]

11月新着
東京大学医学図書館の所蔵情報
https://opac.dl.itc.u-tokyo.ac.jp/opac/opac_search/?lang=0&amode=2&appname=Netscape&version=5&cmode=0&smode=0&kywd=4311468146

[別府さんの感想 · 2016年5月11日]

【内容紹介】
パターン認識にはじめて触れる読者に向け，基礎からわかりやすく解説した入門書です．パターン認識の概念がよく理解できるとともに，Rによる実行例など，実際に応用する際にも役立つ内容が盛り込まれています．
＜https://www.morikita.co.jp/books/book/2235＞


【目次】
まえがき（2012年5月　著者）　[i-ii]
目次　[iii-v]
本書で使う代表的な記号　[vi]

第1章 はじめに　001
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　008
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　021
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　036
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)　054
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　071
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　096
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　114
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　135
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　152　
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　175
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

付録　ベクトルと行列による微分　198
　A.1 ベクトルによる微分
　A.2 行列によるスカラー関数の微分

解答　[201-211]
参考文献　[212-214]
索引　[215-219]

[Bamchangさんの感想 · 2016年1月1日]

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。

[tomo112さんの感想 · 2015年12月22日]

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。

著者プロフィール

筑波大学名誉教授 工学博士

「2022年 『はじめてのパターン認識 ディープラーニング編』 で使われていた紹介文から引用しています。」