パターン認識

1. 講義概要 Orientation 2. ベイズ決定測、確率分布 Bayes decision theory, probability distribution 3. 確率変数、確率変数ベクトル、正規分布 Random variable, random vector, normal 4. 確率分布パラメータ推定、識別関数 Parametric density estimation, discriminant function 5. ノンパラメトリック分布推定、パルゼン窓、k近傍推定 Nonparametric density estimation, Parzen windows, k-nearest neighbor estimate 6. k近傍識別器 k-nearest neighbor classification 7. 識別誤り推定 classification error estimation 8. 線形識別器、パーセプトロン、最小自乗誤差(MSE)識別器、Widrow-Hoff則 Linear classifier, perceptron, MSE classifier, Widrow-Hoff rule 9. ニューラルネットワーク、深層学習 neural network, deep learning 10. サポートベクターマシン All about SVM 11. 直交展開、固有値展開 Orthogonal expansions, Eigenvalue decomposition 12. クラスタリング、デンドログラム、凝集型 (aggromerative) クラスタリング、k-means Clustering, dendrogram, aggromerative clustering, k-means 13. グラフ、ノーマライズドカット、スペクトラルクラスタリング、ラプラシアンアイゲンマップ Graphs, normalized cut, spectral clustering, Laplacian Eigenmaps

講義並びに演習の宿題 lectures / exercises (assignments)

宿題と最終レポート assignments and final report

特になし N/A

R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, John Wiley & Sons, 2001. K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 1990. 石井健一郎他, わかりやすいパターン認識, オーム社, 1998.

宿題ではプログラミングの課題も課すので、python, matlab等のプログラミングができること。 Since programming is imposed in exercises, ibasic programming skills (python, matlab, or others) are required.