BEGIN:VCALENDAR VERSION:2.0 PRODID:-//connpass.com//Connpass//EN CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALDESC:connpass-Machine Learning A Probabilistic Perspective輪読 会#67 X-WR-CALNAME:connpass-Machine Learning A Probabilistic Perspective輪読 会#67 X-WR-TIMEZONE:UTC BEGIN:VEVENT SUMMARY:Machine Learning A Probabilistic Perspective輪読会#67 DTSTART:20250119T070000Z DTEND:20250119T090000Z DTSTAMP:20261113T010023Z CATEGORIES: CREATED:20241226T130122Z DESCRIPTION:## Machine Learning A Probabilistic Perspective 輪読会に ついて\n\n機械学習、ディープラーニングの理解に必要 となる基礎理論を網羅した大作「Machine Learning - A Probabil istic\nPerspective (MLaPP)」をじっくりと学んでいく会です。 \nChristopher Bishop著のPRMLの発展版とも言われ、機械学習 を根本から理解したい方におすすめです。\n\n主催者側 もこの分野に関しては素人なので、一緒に学んでいき ましょう。\n\n### 使用するテキスト\n\n「Machine Learning - A Probabilistic Perspective」\n\n * アマゾン \n※ネットでPDF版 が落とせるようです \n\n### キーワード\n\n人工知能、機 械学習、確率統計\n\n### 前提となる知識\n\n * 線形代数 の基礎\n * 確率統計の基礎\n\n## 日時\n\n2025年1月19日（ 日） 16:00〜18:00 \n \nその後の予定（仮） \n2025年2月16 日（日） \n2025年3月16日（日）\n\n### タイムテーブル\n\n 時間 | 内容 \n---|--- \n13:00 | ZoomのミーティングID、パス ワードを通知 \n16:00 - 16:05 | 輪読会（主催団体）の説明 \n16:05 - 16:10 | 簡単な自己紹介 \n16:10 - 18:00 | 勉強会（ 途中休憩を挟む場合があります） \n \n### 前回までの 内容\n\n| 内容 \n---|--- \n第1回 | Section 1 Introduction pp.1-22 \n第2回 | Section 2 Probability pp.27-38 \n第3回 | Section 2 Probabi lity pp.38-49 \n第4回 | Section 2 Probability pp.49-Last \nSection 3 G enerative models for discrete data pp.65-68 \n第5回 | Section 3 Generat ive models for discrete data pp.69-81 \n第6回 | Section 3 Generative mo dels for discrete data pp.82-Last \n第7回 | Section 4 Gaussian models p p.97-107 \n第8回 | Section 4 Gaussian models pp.107-114 \n第9回 | Se ction 4 Gaussian models pp.114-125 \n第10回 | Section 5 Bayesian statis tics pp.149-163 \n第11回 | Section 4 Gaussian models pp.125-130 \nSect ion 5 Bayesian statistics pp.163-165 \n第12回 | Section 5 Bayesian stat istics pp.166-171 \n第13回 | Section 5 Bayesian statistics pp.171-176 \n第14回 | Section 5 Bayesian statistics pp.176-Last \n第15回 | Secti on 6 Frequentist Statistics pp.191-199 \n第16回 | Section 6 Frequentist Statistics pp.199-205 \n第17回 | Section 6 Frequentist Statistics pp.2 05-214 \n第18回 | Section 6 Frequentist Statistics pp.214-215 \nSectio n 7 Linear regression pp.217-222 \n第19回 | Section 7 Linear regression pp.222-230 \n第20回 | Section 7 Linear regression pp.230- \n第21回 | Section 8 Logistic regression pp.245- 254 \n第22回 | Section 8 Logist ic regression pp.254- 264 \n第23回 | Section 8 Logistic regression pp.2 65- Last \n第24回 | Section 9 Generalized linear models and the exponen tial family pp.282-290 \n第25回 | Section 9 Generalized linear models a nd the exponential family pp.293-300 \n第26回 | Section 9 Generalized l inear models and the exponential family pp.300 - Last \nSection 10 Direct ed graphical models pp.307 - 310 \n第27回 | Section 10 Directed graphic al models pp.310-320 \n第28回 | Section 10 Directed graphical models pp .320-327 \n第29回 | Section 10 Directed graphical models pp.327-Last \ nSection 11 Mixture models and the EM algorithm pp.337-342 \n第30回 | S ection 11 Mixture models and the EM algorithm pp.342-357 \n第31回 | Sec tion 11 Mixture models and the EM algorithm pp.357-367 \n第32回 | Secti on 11 Mixture models and the EM algorithm pp.367-Last \nSection 12 Latent Linear Models pp.381-382 \n第33回 | Section 12 Latent Linear Models pp .382-388 \n第34回 | Section 12 Latent Linear Models pp.388-399 \n第35 回 | Section 12 Latent Linear Models pp.399-412 \n第36回 | Section 12 Latent Linear Models pp.413-Last \nSection 13 Sparse Linear Modesl pp.421 - \n第37回 | Section 13 Sparse Linear Modesl pp.425-430 \n第38回 | S ection 13 Sparse Linear Modesl pp.430-440 \n第39回 | Section 13 Sparse Linear Modesl pp.440-447 \n第40回 | Section 13 Sparse Linear Modesl pp. 447-457 \n第41回 | Section 13 Sparse Linear Modesl pp.457-469 \n第42 回 | Section 13 Sparse Linear Modesl pp.469-474 \nSection 14 Kernels pp. 479-486 \n第43回 | Section 14 Kernels pp.486-496 \n第44回 | Section 14 Kernels pp.496-505 \n第45回 | Section 15 Gaussian Processes pp.496-5 12 \n第46回 | Section 15 Gaussian Processes pp.512-525 \n第47回 | Se ction 15 Gaussian Processes pp.525-534 \n第48回 | Section 16 Adaptive B asis Function Models pp.525-549 \n第49回 | Section 15 Gaussian Processe s pp.534-542 \nSection 16 Adaptive Basis Function Models pp.549-552 \n 第50回 | Section 16 Adaptive Basis Function Models pp.552-563 \n第51 回 | Section 16 Adaptive Basis Function Models pp.563-569 \n第52回 | S ection 16 Adaptive Basis Function Models pp.569-586 \n第53回 | Section 17 Markov and hidden Markov Models pp.589-600 \n第54回 | Section 17 Mar kov and hidden Markov Models pp.600-612 \n第55回 | Section 17 Markov an d hidden Markov Models pp.612-617 \n第56回 | Section 17 Markov and hidd en Markov Models pp.617-629 \n第57回 | Section 18 State space models pp .631-640 \n第58回 | Section 18 State space models pp.640-647 \n第59 回 | Section 18 State space models pp.647-655 \n第60回 | Section 18 St ate space models pp.655-660 \nSection 19 Undirected graphical models (Mar kov random fields) pp.661-666 \n第61回 | Section 19 Undirected graphica l models (Markov random fields) pp.666-674 \n第62回 | Section 19 Undire cted graphical models (Markov random fields) pp.674-681 \n第63回 | Sect ion 19 Undirected graphical models (Markov random fields) pp.684-692 \n 第64回 | Section 19 Undirected graphical models (Markov random fields) p p.692-701 \n第65回 | Section 19 Undirected graphical models (Markov ran dom fields) pp.701-703 \nSection 20 Exact inference for graphical models pp.707-717 \n第66回 | Section 20 Exact inference for graphical models p p.717-728 \n \n### 今回の内容\n\nSection 21 Variational inference p p.731- \n講師： gm3d2さん\n\n## 事前準備\n\n可能であれば 今回の範囲を一通り読んできてください。 \n読んでな くても参加可能です。 \n聴講だけの方もwelcomeです！ \ n\n## 参加費\n\n無料 \n※ 「ネットワーク分析 輪読会」 から続けて開催します\n\n## 会場\n\nオンライン開催（Zoo mによる開催を予定しています） \n当日13:00にZoomのミー ティングID、パスワードを登録メールアドレスへ一斉通 知します。 \n13:00以降に申し込まれた方は個別にお伝 えしますので、管理者までメッセージをお願いします 。\n\n## 同時開催の輪読会について\n\n当イベントの開催 前の13:30から「ネットワーク分析 輪読会」を開催しま す。\n\n## slack\n\nslackに専用ルームがあります。参加ご 希望の方は管理者までメッセージをお願いします。\n\nh ttps://thinkerslab.connpass.com/event/341315/ LOCATION: (オンライン) URL:https://thinkerslab.connpass.com/event/341315/ END:VEVENT END:VCALENDAR