GitHub スター 6000 以上! Pythonで機械学習のバイブルPRMLを実践

ビショップの PRML は機械学習のバイブルと言っても過言ではありません。この本では、パターン認識と機械学習の分野における詳細な概念と基礎が体系的に紹介されています。この本は、確率論の基礎知識と、高度な線形代数および多変数微積分を紹介しています。大学の大学院生や人工知能関連の実務家に適しています。

「なぜ PRML は機械学習の古典書籍の中でも古典なのか」という Zhihu の高く評価されている回答が、あなたにインスピレーションを与えるかもしれません。

ルアウ・ローレンスの答え:

https://www.zhihu.com/question/35992297/answer/67009652

PRMLは確かに初心者には難しいです。難しいと感じたら、まずはZhihuで推奨されている科学人気書を読んで、機械学習の基本概念を習得してから次の学習に進むことができます。

知乎ディスカッションアドレス:

https://www.zhihu.com/question/35992297

まず、PRML の主な内容を見てみましょう。

最初の章は入門編で、曲線フィッティングを使用して読者に機械学習の一般的な理解を提供します。

第 2 章では、期待分散の計算、パラメータ推定、ガウス分布の理解、ガウス分布の特性など、基本的な統計知識を主に紹介します。

第 3 章と第 4 章では、主に最も基本的な線形モデルについて説明し、分類と回帰のシナリオでそれらを適用する方法を示します。ベイズ法は、この本全体の中核です。

第 5 章では、ニューラル ネットワークを紹介し、線形モデルに基づく BP ネットワークとして一般に知られている多層パーセプトロン モデルを紹介します。

第 6 章ではカーネル法について説明します。カーネルは 2 つのサンプルの内積であり、ヒルベルト空間における内積によって定義される「距離」としても理解できます。主に、線形モデルをカーネル式に変換する方法、カーネル構築、ガウス過程について説明します。

第 7 章はベクター マシンに関するもので、ベイズ モデルが事前確率を通じてスパース モデルを見つける方法について説明します。

第 8 章ではグラフィカル モデルについて説明し、変数の独立性、潜在変数とパラメーターの違い (変分ベイズに反映されます) についてわかりやすく説明します。

第 9 章では、潜在変数の概念や EM アルゴリズムなど、混合モデルと EM アルゴリズムについて説明します。

第 10 章では、現在のモデルの分布仮定に基づいてパラメータを推論することが難しいという問題を解決する変分推論について説明します。

第 11 章では、サンプリング方法について説明し、さまざまなサンプリング方法の長所と短所を紹介し、MCMC サンプリングに焦点を当てます。

第 12 章では、複数の変数間の相関関係を調べるための多変量統計手法である主成分分析について説明します。いくつかの主成分を通じて複数の変数の内部構造を明らかにする方法を研究します。

第 13 章では、シーケンス データとその特性、マルコフ仮説などについて説明します。

第 14 章では、最も有名な AdaBoost などのアダプティブ ブースティングやその他の融合手法を含む Ensemble について説明します。

これらの理論的な知識を読むのは非常に退屈です。多くの初心者は学習が非常に難しいと感じ、途中で諦めてしまいます。あなたもこのような問題を抱えているなら、以下に挙げる GitHub プロジェクトが苦境から抜け出すのに役立つかもしれません。

クラスタリング手法、特徴抽出、線形モデル、カーネル法、マルコフモデル、確率分布モデル、サンプリング法、ニューラルネットワーク法はノートブックフォルダに実装されています。ディレクトリを切り替えることができます。

練習するには、ノートブックの直下にある対応する ipynb ファイルを開きます。

この GitHub プロジェクトに必要なプログラミング言語は Python 3 です。その他の科学計算ライブラリには、NumPy、SciPy、Matplotlib、Scikit-learn なども必要です。Python 初心者の場合は、必要な計算ライブラリをすべて統合し、jupyter ノートブックで実行結果をインタラクティブに表示できる Annaconda をインストールすることを強くお勧めします。

これは本当に素晴らしいリソースなので、急いで学んでください!

GitHub リンク:

https://github.com/ctgk/PRML