| 000 | 00000nam c2200205 c 4500 | |
| 001 | 000045870510 | |
| 005 | 20160426093418 | |
| 007 | ta | |
| 008 | 160425s2016 ulkad b AK 001c kor | |
| 020 | ▼a 9788952117625 ▼g 93550 | |
| 040 | ▼a 211009 ▼c 211009 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h jpn |
| 082 | 0 4 | ▼a 006.4 ▼2 23 |
| 085 | ▼a 006.4 ▼2 DDCK | |
| 090 | ▼a 006.4 ▼b 2016 | |
| 100 | 1 | ▼a 杉山将, ▼d 1974- |
| 245 | 1 0 | ▼a 통계적 기계 학습 : ▼b 생성 모델에 근거한 패턴 인식 / ▼d 스기야마 마사시 지음 ; ▼e 노영균, ▼e 남현하, ▼e 김은솔 옮김 |
| 246 | 1 9 | ▼a 統計的機械学習 : ▼b 生成モデルに基づくパタ-ン認識 |
| 246 | 3 | ▼a Tōkeiteki kikai gakushū : ▼b seisei moderu ni motozuku patān ninshiki |
| 260 | ▼a 서울 : ▼b 서울대학교출판문화원, ▼c 2016 | |
| 300 | ▼a x, 192 p. : ▼b 삽화, 도표 ; ▼c 23 cm | |
| 504 | ▼a 참고문헌(p. 181-185)과 색인수록 | |
| 650 | 0 | ▼a Pattern perception ▼x Mathematics |
| 700 | 1 | ▼a 노영균, ▼e 역 |
| 700 | 1 | ▼a 남현하, ▼e 역 |
| 700 | 1 | ▼a 김은솔, ▼e 역 |
| 900 | 1 0 | ▼a 스기야마 마사시, ▼e 저 |
| 900 | 1 0 | ▼a Sugiyama, Masashi, ▼e 저 |
| 945 | ▼a KLPA |
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.4 2016 | 등록번호 121236357 (30회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
책소개
최근 10여 년간 다양한 분야에서의 데이터와 이의 활용에 대한 요구의 증가로 기계 학습 방법에 대한 관심은 계속 증가하고 있다. 이 책은 기계 학습 알고리즘의 기본 원리를 이해하고자 하는 학계 및 산업체의 연구자들이 사용할 수 있는 입문서로서, 입문자들이 알고리즘의 기본 원리를 상당히 깊이까지 이해할 수 있도록 쓰인 책이다.
생성적 알고리즘의 기본 원리는 파라미터 추정의 정확성에 대한 원리다. 제한된 양의 데이터를 가지고 파라미터 추정을 할 때 이해해야 할 중요한 이론들의 의미에 대해 이 책은 입문자의 입장에서 직관적이고 정확한 설명을 제공한다. 특별히 이 부분은 한국에서 출판된 기계 학습 서적들에서 관련된 내용을 많이 간과하고 있는 중요한 부분이다.
최근 10여 년간 다양한 분야에서의 데이터와 이의 활용에 대한 요구의 증가로 기계 학습 방법에 대한 관심은 계속 증가하고 있다. 이 책은 기계 학습 알고리즘의 기본 원리를 이해하고자 하는 학계 및 산업체의 연구자들이 사용할 수 있는 입문서로서, 입문자들이 알고리즘의 기본 원리를 상당히 깊이까지 이해할 수 있도록 쓰인 책이다. 생성적 알고리즘의 기본 원리는 파라미터 추정의 정확성에 대한 원리다. 제한된 양의 데이터를 가지고 파라미터 추정을 할 때 이해해야 할 중요한 이론들의 의미에 대해 이 책은 입문자의 입장에서 직관적이고 정확한 설명을 제공한다. 특별히 이 부분은 한국에서 출판된 기계 학습 서적들에서 관련된 내용을 많이 간과하고 있는 중요한 부분이다.
정보제공 :
저자소개
스기야마 마사시(지은이)
1974년 오사카에서 태어났다. 도쿄공업대학 공학부 정보공학과를 졸업하고(1997년) 동(同)대학 박사과정을 수료하였으며(2001년), 준교수로도 지냈다(2007년). 현재는 도쿄대학 대학원 신영역창성과학 연구과 복잡이공학 전공교수이며, 머신러닝 이론 연구 및 알고리즘 개발, 신호 이미지 처리 등에 대한 응용 연구를 계속하고 있다. 2011년에 정보처리학회 나가오마코토 기념특별상을 수상하기도 했다. 저서로는 《統計的機械学習(통계적 머신러닝)》(OHM), 《Density Ratio Estimation in Machine Learning》(Cambridge University Press) 등이 있으며, 크리스토퍼 비숍의 《Pattern Recognition and Machine Learning》 등을 번역하였다.
노영균(옮긴이)
서울대학교 협동과정 인지과학에서 2011년 박사 학위를 받은 후 카이스트 연구교수를 거쳐 현재 서울대학교 BK조교수로 재직 중이다. 석사과정부터 기계 학습을 시작하여 펜실베이니아대학, 도쿄공업대학 등을 방문하며 공동연구를 진행하였다. 기계 학습 분야의 최고 학회인 NIPS와 AISTATS 등에 다수의 논문을 발표하였다.
남현하(옮긴이)
상명대학교를 졸업하고, 동국대학교와 도쿄공업대학에서 각각 석사, 박사 학위를 받았다. 2015년 일본 기계 학습 연구회에서 우수학생상을 수상했다. 기계 학습 및 신호, 이미지 처리에 관한 연구를 하고 있다.
김은솔(옮긴이)
서울대학교 컴퓨터공학부에서 인공지능을 전공하고 박사학위를 받은 뒤, 한양대학교 컴퓨터소프트웨어학부 조교수로 있다. 주로 비디오와 같은 멀티모달 데이터를 이해하는 기계학습 기술을 연구하고 있다. 이미지와 소리, 언어 데이터가 순차적으로 포함된 비디오 데이터를 학습하여 그 주제나 내용을 자동으로 분석하고 이를 활용하여 비디오 검색, 질의응답, 생성을 할 수 있는 기술을 연구하고 있다.
목차
머리말 역자 서문 1장. 패턴 인식의 기초 1.1 패턴 인식이란 1.2 결정론적 패턴 인식과 통계적 패턴 인식 1.3 통계적 패턴 인식의 수식화 2장. 준비 2.1 확률·통계의 기초 2.2 Octave의 사용 방법 3장. 판별 함수의 평가 기준 3.1 학습 표본을 이용한 판별 함수의 학습 3.2 최대 사후 확률 법칙 3.3 최소 오판별률 법칙 3.4 베이즈 결정 규칙 3.5 생성 모델 기반 패턴 인식 4장. 최대 우도 추정법 4.1 최대 우도 추정법의 정의 4.2 가우시안 모델 4.3 카테고리의 사후 확률 계산 4.4 선형 판별 분석 5장. 최대 우도 추정법의 이론적 성질 5.1 준비 5.2 일치성 5.3 점근 불편성 5.4 점근 유효성 5.5 점근 정규성 6장. 선형 판별 분석을 사용한 필기 인식 6.1 숫자 필기 데이터를 로드하여 표시하기 6.2 선형 판별 분석의 구현 6.3 2개 이상 분류 항목 문자 인식 결과 평가 7장. 최대 우도 추정법의 모델 선택 7.1 모델 선택이란? 7.2 확률 밀도 함수의 근접성 측정 기준 7.3 아카이케의 정보량 기준 7.4 다케우치의 정보량 기준 8장. 가우스 혼합 모델의 최대 우도 추정 8.1 가우스 혼합 모델 8.2 경사법 8.3 EM 알고리즘 9장. 베이즈 추론법 9.1 베이즈 추론법의 정의 9.2 베이즈 추론법과 최대 우도 추정법의 차이 9.3 최대 사후 확률 추정법 9.4 켤레 사전 분포 10장. 베이즈 추론법 10.1 몬테카를로 적분 10.2 중요 샘플링 10.3 컴퓨터로 유사 난수 만들기 11장. 베이즈 추론법의 모델 선택론 11.1 사전 확률의 설정과 모델 선택 11.2 주변 우도의 라플라스 근사 11.3 베이즈 정보량 기준 11.4 변분 베이지안 방법 12장. 커널 밀도 추정법 12.1 히스토그램 방법 12.2 논파라메트릭 방법의 기본 개념 12.3 파젠 윈도우 방법과 커널 밀도 추정법 12.4 우도 교차 검증법 13장. 근접 이웃 밀도 추정법 13.1 근접 이웃 밀도 추정법 13.2 최근접 밀도 추정을 이용한 패턴 인식 13.3 k-근접 이웃 분류기 맺음말 참고문헌 찾아보기