機械学習概論Ⅱ（第5回～第8回）PR用1分動画

文字や音声の認識など、パターン認識への応用の基礎となる識別の基本と、どのような誤差を最小化すればよいのかを解説します。さらに、条件付確率に基づいた識別手法である「ロジスティック回帰」について説明し、さらに、ロジスティック回帰とは違った立場から線形識別関数を学習する手法であるサポートベクターマシン（SVM）を紹介します。

識別の手法を紹介し、具体的な問題を例にあげながら機械学習の技術のベースとなる「確率」に関する知識を学びます。その後に、識別手法のなかでも性能の高い学習モデルである「ランダムフォレスト」を解説します。
さらに、「我々人間がどのような行動をとればよいのか」という現実的な判断につながるという重要な意味を持つ識別結果の評価指標を紹介します。最後に、機械学習において確率を扱うのに非常に大きな役割を果たすベイズの定理について説明します。

回帰、識別、次元圧縮、クラスタリングの機械学習における４つの柱すべてに適用が可能な、確率計算に基づくモデリング手法であるベイズモデリングについて学びます。ここでは、ベイズモデリングの一般的な手順を説明し、単純ベイズ法という基本的なモデルで識別の問題を実践してみます。次に、線形回帰の問題をベイズモデリングの立場から見直すことで、正則化との関連性を述べます。 最後に、複雑なベイズモデリングを行うためのベイジアンネットワークについて説明します。

機械学習の４本の柱のうち、教師なし学習である次元圧縮とクラスタリングを中心に学びます。次元圧縮やクラスタリングといった教師なし学習の手法が、これまで講義した教師あり学習も含めて、ベイズモデリングによって統一的に理解できることを説明します。
最後に、機械学習の枠組みの広がりの一端を紹介します。