須山敦志の作品一覧

作者をフォローする

フォローするとこの作者の新刊が配信された際に、お知らせします。

• 

  ベイズ深層学習

  須山敦志

  須山『機械学習スタートアップシリーズ ベイズ推論による機械学習入門』では物足りない人向けの，ベイズ統計+深層学習の専門書。少なくともPRMLを理解するだけの地力は必須。

  Posted by ブクログ
• 

  Ｐｙｔｈｏｎではじめるベイズ機械学習入門

  森賀新 / 木田悠歩 / 須山敦志

  扱っている範囲は須山『機械学習スタートアップシリーズ　ベイズ推論による機械学習入門』に近く，PyMC3，Pyro，NumPyro，TFP，GPyTorchを用いた実装に特化した教科書。
  
  以前はMartin『Pythonによるベイズ統計モデリング: PyMCでのデータ分析実践ガイド』を用いていたが，...続きを読む古いところもある。本書も賞味期限は長くはないだろうが，当分はこれをメインに学習する予定。

  Posted by ブクログ
• 

  機械学習スタートアップシリーズ　ベイズ推論による機械学習入門

  須山敦志 / 杉山将

  まだ数時間ざっと目を通しただけやけど、感動した。
  
  感動ポイント①
  ベイズ学習の利点が理解できる。利点は以下の通り。
  ・一貫性を持って問題を解ける
  いわゆるscikit-learnのライブラリを使用した"機械学習"では一つ一つモデルの特性を個別に理解する必要があるし、解きたい問題に直接適用できるもの...続きを読むが見つからない可能性がある。しかしベイズ学習ではモデル構築と推論の2stepだけが必要であり、問題に応じて確率モデルを構築することでPCA、欠損値処理、異常検知などあらゆる問題を一貫性を持って解ける。
  ・過学習が起こらない
  最尤推定的なアプローチでは点推定を行うので過剰適合することがある。しかし事前分布を利用するベイズ推論では不確実性を定量的に見積もることができる。ちなみに最尤推定やMAP推定(＝事後確率を最大化させるパラメータを点推定＝正則化後を考慮した最尤推定)はベイズ推論の特別な場合ともみなせる。
  ・データをフルに使える
  最尤推定的なアプローチではハイパーパラメータチューニングにcross validationが必要となり、訓練データの一部を捨ててしまうことになるが、ベイズ学習では検証データを用意しなくてもモデルエビデンスを計算すればモデル比較ができる。
  感動ポイント②
  ベイズ学習に必要十分な知識が書かれているので、初心者にとって情報過多気味に感じられるPRMLに埋もれていた実用上必要なことがピンポイントでわかる。
  モデル構築に必要な確率密度分布のまとめ、グラフィカルモデル、推論で必要な変分ベイズ、マルコフ連鎖モンテカルロ法の使い方がわかりやすく解説されている。
  さらに具体例としてガウス混合モデル、確率主成分分析(それを利用した欠損値の補間も)、隠れマルコフモデルものっているのでイメージが付きやすい。

  Posted by ブクログ
• 

  Ｐｙｔｈｏｎではじめるベイズ機械学習入門

  森賀新 / 木田悠歩 / 須山敦志

  ベイズ推論について一通りわかっている人がPythonでの実装方法を知るために読む本。後半は少し高度な内容になる。理論も必要最低限のことしか書かれていないので他の本（あるいは原論文）を見る必要がある。須山氏の過去の2冊の書籍で理論を盤石にしてから読むと良いかもしれない。

  Posted by ブクログ

須山敦志のレビューをもっと見る