コンテンツに飛ぶ | ナビゲーションに飛ぶ

  • 日本語
  • English
 
現在位置: ホーム ja シラバス(2020年度) 工学研究科 デザイン学分野 パターン認識特論

パターン認識特論

JA | EN

科目ナンバリング
  • G-ENG76 63165 LE12
開講年度・開講期 2020・前期
単位数 2 単位
授業形態 講義
配当学年 博士
対象学生 大学院生
使用言語 英語
曜時限 水2
教員
  • 河原 達也(情報学研究科 教授)
  • 川嶋 宏彰(情報学研究科 准教授)
  • LIANG,Xuefeng(総合生存学館 特別招へい教授)
  • 吉井 和佳(情報学研究科 准教授)
授業の概要・目的 The course introduces fundamentals of pattern recognition, clustering methods with several distance measures, and feature extraction methods. It gives a review of state-of-the-art classifiers such as Gaussian Mixture Models (GMM), Hidden Markov Models (HMM) and Neural Networks (NN) and also the learning theory which includes Maximum Likelihood Estimation (MLE), Bayesian learning and Deep learning. It also focuses on modeling and recognition of sequential patterns.

本講義では、パターン認識の基礎、距離尺度とクラスタリング、特徴抽出などについて概説する。その上で、より高度な識別器(GMM、HMM、DNNなど)と学習規範 (最尤推定、ベイズ学習、深層学習など)について紹介する。時系列パターンのモデル化・認識についてもとりあげる。
到達目標 To learn the basic methodology and a variety of techniques of pattern recognition and apply them to the own research topics.

パターン認識に関する基本的な方法論と様々な技術を修得するとともに、自らの研究課題等に対して応用できる能力を身につける。
授業計画と内容 1. Fundamentals (3 weeks; Nishino)
Introduction, Probability Theory
Decision Theory, Linear Regression
Linear Classification

2. Statistical Feature Extraction (3 weeks; Nobuhara)
PCA, Fisher LDA, Basics of Matrix
Application of PCA & Fisher LDA, Subspace, Factor Analysis (FA)
ICA, probabilistic PCA, probabilistic FA

3. Modeling and Recognition of Sequential Patterns (3 weeks; Nobuhara & Kawahara)
Kalman filter, Particle filter
DP matching, HMM

5. Maximum Likelihood Estimation and Bayesian Learning (3 weeks; Yoshii)
GMM, maximum likelihood estimation, EM algorithm
Bayesian estimation, variational Bayes, Gibbs sampling
Bayesian nonparametrics, Dirichlet, gamma, and beta processes

6. Discriminative Model and Deep Learning (3 weeks; Kawahara)
Discriminative learning, Logistic Regression, CRF, SVM, boosting
Deep learning, deep neural network
Deep learning, recurrent neural network

1.基礎 (3回;西野)
導入, 確率理論
決定理論, 線形回帰
線形識別

2.統計的特徴抽出 (3回;延原)
主成分分析, 判別分析
主成分分析, 判別分析の応用, 部分空間, 因子分析
独立成分分析, 確率的主成分分析, 確率的因子分析

3.時系列パターンのモデル化と認識 (3回;延原・河原)
カルマンフィルタ, パーティクルフィルタ
DPマッチング, HMM

4.最尤推定とベイズ学習 (3回;吉井)
GMM, 最尤推定, EMアルゴリズム
ベイズ推定, 変分ベイズ, ギブスサンプリング
ノンパラメトリックベイズ, ディレクレ/ガンマ/ベータ過程

6.識別モデルと深層学習 (3回;河原)
識別学習, ロジスティック回帰, CRF, SVM, ブースティング
深層学習, ディープニューラルネットワーク
深層学習, リカレントニューラルネットワーク
成績評価の方法・観点 Grading will be determined by submitted reports; the questions will be given by individual lecturers during the course.

講義中に提示するレポート課題により行う。
履修要件 特になし。
授業外学習(予習・復習)等 Lecture materials will be provided via PandA CMS.

講義資料はPandA CMSで配布する。
教科書
  • Lecture materials will be provided via PandA CMS. 講義資料はPandA CMSで配布する。
参考書等
  • Pattern Recognition and Machine Learning, C. M. Bishop, (Springer),
  • Deep Learning, Goodfellow, Bengio, and Courville., (MIT Press),
  • Pattern Classification, Duda, Hart, Stork, (John Wiley & Sons),
  • The Elements of Statistical Learning, Hastie, Tibshirani, Friedman, (Springer),