1.機械学習・データマイニングとは
2.パラメータ推定
2.1 最尤推定法
2.2 ベイズ推定法
2.3 線形回帰
2.4 スパース正則化
2.5 Graphical LASSO
2.6 勾配降下法/確率勾配法/Adam
3.モデル選択
3.1 情報量規準 AIC, BIC
3.2 情報・符号・確率的コンプレキシティ
3.3 記述長最小原理(MDL原理)
4.教師なし学習とクラスタリング
4.1 潜在変数モデルとEMアルゴリズム
4.2 マルコフ連鎖モンテカルロ法
4.3 トピックモデル
4.4 確率ブロックモデル
4.5 非負値行列因子分解
4.6 教師なし学習の評価基準
5.教師あり学習と分類
5.1 確率的決定木の学習
5.2 ランダムフォレスト法
5.3 集団学習とブースティング
5.4 グラジエント ブースティング
5.5 サポートベクトルマシン
5.6 人工ニューラルネットワーク
5.7 深層学習(CNN, RNN)
5.8 変分オートエンコーダ
5.9 敵対的学習(GAN|)
5。10 Transformer
5.11 教師あり学習の評価基準
6.埋め込み
6.1 単語埋め込み
6.2 グラフ埋め込み
6.3 双曲空間埋め込み
7.オンライン学習
7.1 逐次的確率予測
7.2 最尤予測とベイズ予測
7.3 逐次的正規化最尤予測
8.その他
8.1 Stable Diffusion
8.2 異常検知/変化検知