深層学習に代表される人工知能技術が注目されているが、その基本となっているのはデータの属性に基づく分類手法であることには変わりはない。
本講座では、まず、データ分類の基礎となるデータ間の類似性についての考え方を紹介し、確率的な誤り最小化、教師あり学習など、機械学習の基本となる手法を概観する。
最後に、教師あり学習手法の例としてサポートベクターマシンを取り上げ、その代表的なライブラリであるLIBSVMの使用法を紹介するとともに、実際の応用例も紹介する。
- パターン認識技術の概要
- 距離と類似性
- 特徴料
- 距離尺度
- 類似性
- データの正規化
- 最近傍法とベイズ推定
- 最近傍法
- 確率的な考え方とベイズ推定
- 確率分泌
- 事前確率、条件付確率、事後確率
- 期待損失と最尤推定
- 線形識別手法
- ベイズ推定と線形識別手法
- 損失関数
- 最適識別面とサポートベクターマシン (SVM)
- ソフトマージンSVMと汎化性
- 非線形識別手法
- 非線形識別手法
- カーネル法
- カーネルSVM
- カーネルSVMの汎化性
- LIBSVM
- LIBSVMの概要
- LIBSVMの使用例
- 汎化性向上手法
- 特徴選択
- サンプル最適化
- まとめ、応用例など