Kevin P. Murphy の「確率的機械学習: 上級」が PDF でダウンロードできるようになりました。

本日、Google の研究科学者 Kevin P. Murphy 氏は、「確率的機械学習: 上級」の原稿が完成し、一般向けに無料でダウンロードできるようになったことを正式に発表しました。

この本は「確率的機械学習入門」の続編です。確率的機械学習に関するケビン・P・マーフィー氏の本は古典的な教科書とみなされており、昨年の再版の発表は大きな注目を集めました。

第 2 巻「高度な機械学習」では、著者は機械学習の範囲を拡大し、より困難な問題を取り上げています。たとえば、複数の異なる分布での学習とテスト、画像、テキスト、グラフなどの高次元出力の生成、潜在変数モデルに基づいてデータ内の「洞察」を発見する方法、意思決定と制御タスクで確率モデルと推論を使用する方法などについて説明します。

ニュースが発表された後、すぐに第2巻の原稿をダウンロードして勉強し始めた読者もいれば、昨年ダウンロードした第1巻を開いていなかったことを突然思い出した読者もいました...

しかし、ケビン・P・マーフィー氏は、この本はまだ完全には完成しておらず、現在1章が欠落しており、さらに校正が必要であると述べています。彼はオンライン版の微調整も行い、最終原稿は今年の夏にMIT Pressに送られる予定だ。

おそらく第 2 巻が非常に効率的に書かれたため、ある読者は「何だって? まだ第 1 巻も読み終わってないのに...」とショックを受けたようです。

さらに多くの読者が第2巻への期待を表明した。

「現代の機械学習について、この 2 冊の本 (こちらが 2 冊目) 以上に包括的かつ首尾一貫したレビューは見つかりません。この 2 冊の本は、読む気があれば一流の教育を提供します...」

この本を読む前に、読者は（教師あり）機械学習とその他の関連する数学のトピック（確率、統計、線形代数、最適化）に関する基本的な理解を持っている必要があります。この背景資料は第 1 巻で説明されていますが、第 2 巻は独立しており、最初に第 1 巻を読む必要はありません。

第 2 巻では、非常に多くのトピックが取り上げられているため、すべてを原稿に収めることは不可能です。追加の資料は、本のホームページにあるオンライン補足資料で参照できます。この補足資料には、本の図のほとんどを再現するための Python コードも含まれています。

著者は、第2巻「確率的機械学習：上級」が2023年に正式に出版される予定であると述べました。同時に、昨年完成した「確率的機械学習入門」の第 1 巻も最近正式に出版されましたが、価格は若干高くなっています。

第2巻の全体ディレクトリは次のとおりです。

• 本のアドレス: https://github.com/probml/pml2-book/releases/latest/download/pml2.pdf
• 完全な目次: https://probml.github.io/pml-book/pml2/toc2-long-2022-02-27.pdf

この本は、予測 (分類と回帰)、生成 (画像とテキストの生成)、発見 (クラスタリング、次元削減、状態推定)、制御 (意思決定) という 4 つの主なタスクを解決するための確率モデル化と推論に焦点を当てています。

第 1 部では、この分野の基礎をより詳しく紹介し、第 1 巻では説明されなかった詳細をいくつか提供します。

第 2 セクションでは、さまざまな確率モデルにおけるベイズ推論アルゴリズムについて説明します。これらの異なるアルゴリズムは、速度、精度、一般性などに異なる影響を及ぼし、結果として得られる方法はさまざまな問題に適用できます。

第3節では、p(y|x)形式の条件付き分布を近似するための予測方法について説明します。ここで、x∈Xは入力（通常は高次元）であり、y∈Yは目的の出力（通常は低次元）です。この部分では、答えが通常は不確実であるにもかかわらず、予測したい正しい答えが存在することを前提としています。

第4節では、複数の有効な出力が存在する可能性があるp(y)またはp(y|x)形式の生成モデルについて説明します。たとえば、テキストプロンプト x が与えられた場合、タイトルに一致するさまざまな画像セット y を生成したいとします。予測設定では、期待される出力が不明確であるため、これらのモデルを評価することは見出しを評価するよりも困難です。

第 5 章ではデータ分析に焦点を当て、意味のある根本的な状態やパターンを明らかにすることを目的としたいくつかの方法について説明します。このセクションでは、潜在変数モデルに焦点を当てます。潜在変数モデルは、p(z, y) = p(z) p(y|z) の結合モデルです。ここで、z は隠れ状態、y は観測値であり、目標は y から z を推測することです。 (オプションでモデルを固定入力に条件付けして、p(z, y|x) を生成することもできます。) また、明示的な生成モデルに依存せずに、予測モデルによって暗黙的に学習されたパターンを p(y|x) の形式で発見する方法についても検討します。

最後に、第 6 章では、不確実性の下で意思決定を行うために確率モデルと推論を使用する方法について説明し、因果関係という重要な問題について説明します。

さらに、内容の範囲が広いため、約 3 分の 1 の章は、その分野の専門家であるゲスト著者との共著または共著となっています (寄稿者の全リストについては以下を参照してください)。