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(キカイガクシュウスタートアップシリーズ ベイズスイロンニヨルキカイガクシュウニュウモン)

最短経路で平易に理解できる、今までにない入門書!
ベイズ主義機械学習 (ベイズ学習) の基本原理にのっとり、「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。どこまでも分かりやすい!

【主な内容】
1 機械学習とベイズ学習
2 基本的な確率分布
3 ベイズ推論による学習と予測
4 混合モデルと近似推論
5 応用モデルの構築と推論

【機械学習スタートアップシリーズ】
本シリーズは、「機械学習ブーム」の先駆けとして 2015 年から刊行されている『機械学習プロフェッショナルシリーズ』の弟分的な存在を目指す、注目の新シリーズです。
「機械学習をもっと身近に、機械学習をもっとわかりやすく!」を合言葉に、より丁寧な記述で、基本的なテーマを解説していきます。

まず、以下の 2 点を同時に刊行いたします (^o^) /

『これならわかる深層学習入門』瀧 雅人・著
『ベイズ推論による機械学習入門』須山 敦志・著/杉山 将・監修
第 1 章 機械学習とベイズ学習
機械学習とは/機械学習の代表的なタスク/機械学習の 2 つのアプローチ/確率の基本計算/グラフィカルモデル/ベイズ学習のアプローチ
第 2 章 基本的な確率分布
期待値/離散確率分布/連続確率分布
第 3 章 ベイズ推論による学習と予測
学習と予測/離散確率分布の学習と予測/1 次元ガウス分布の学習と予測/多次元ガウス分布の学習と予測/線形回帰の例
第 4 章 混合モデルと近似推論
混合モデルと事後分布の推論/確率分布の近似手法/ポアソン混合モデルにおける推論/ガウス混合モデルにおける推論
第 5 章 応用モデルの構築と推論
線形次元削減/非負値行列因子分解/隠れマルコフモデル/トピックモデル/テンソル分解/ロジスティック回帰/ニューラルネットワーク

機械学習を確率モデルの観点から理解したいと思ったとき、 Bishop の PRML は定番ですが、いきなり挑むには分量と難度の壁があります。本書はその手前に位置する一冊で、「データの生成過程をモデルで記述し、ベイズの定理で事後分布を求める」という推論の筋道を、混合ガウスモデルや線形回帰といった具体的な題材で繰り返し練習させてくれます。通称「須山ベイズ」として読書会や勉強会で多く取り上げられてきた書籍です。

特徴的なのは、変分推論 (変分ベイズ法) やギブスサンプリングといった近似推論の手法を導出まで含めて解説している点です。多くの機械学習入門書が「ライブラリを使えば動く」で止まるのに対し、本書は共役事前分布の選び方や更新式の導出過程を追わせることで、モデルを自分で設計し推論アルゴリズムを組み立てる力を育てます。

前提として線形代数と確率論 (確率密度関数、期待値、条件付き確率) の基礎は必要です。数式展開が主軸なので、計算を紙に書いて追う覚悟がないと消化不良になります。逆に言えば、この一冊を通じて得られるベイズ推論の体力は、 PRML やガウス過程、ベイズ深層学習へ進むための確かな土台になります。