통계적 기계 학습

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