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#82 X-WR-CALNAME:connpass-Machine Learning A Probabilistic Perspective輪読 会#82 X-WR-TIMEZONE:UTC BEGIN:VEVENT SUMMARY:Machine Learning A Probabilistic Perspective輪読会#82 DTSTART:20260621T040000Z DTEND:20260621T060000Z DTSTAMP:20260908T114447Z CATEGORIES: CREATED:20260611T033116Z 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\n2026年6月21日（ 日） 13:00〜15:00 \n \n\n### タイムテーブル\n\n時間 | 内容 \n---|--- \n12:00 | ZoomのミーティングID、パスワードを通 知 \n13:00 - 13:05 | 輪読会（主催団体）の説明 \n13:05 - 13: 10 | 簡単な自己紹介 \n13:10 - 15:00 | 勉強会 \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 Probability pp.38-49 \n第4回 | Section 2 Probability pp.49-Last \nSe ction 3 Generative models for discrete data pp.65-68 \n第5回 | Section 3 Generative models for discrete data pp.69-81 \n第6回 | Section 3 Gene rative models for discrete data pp.82-Last \n第7回 | Section 4 Gaussian models pp.97-107 \n第8回 | Section 4 Gaussian models pp.107-114 \n第 9回 | Section 4 Gaussian models pp.114-125 \n第10回 | Section 5 Bayesi an statistics pp.149-163 \n第11回 | Section 4 Gaussian models pp.125-13 0 \nSection 5 Bayesian statistics pp.163-165 \n第12回 | Section 5 Baye sian statistics 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 | Section 6 Frequentist Statistics pp.191-199 \n第16回 | Section 6 Frequentist Statistics pp.199-205 \n第17回 | Section 6 Frequentist Stat istics pp.205-214 \n第18回 | Section 6 Frequentist Statistics pp.214-21 5 \nSection 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 | Secti on 8 Logistic regression pp.254- 264 \n第23回 | Section 8 Logistic regr ession pp.265- Last \n第24回 | Section 9 Generalized linear models and the exponential family pp.282-290 \n第25回 | Section 9 Generalized line ar models and the exponential family pp.293-300 \n第26回 | Section 9 Ge neralized linear models and the exponential family pp.300 - Last \nSectio n 10 Directed graphical models pp.307 - 310 \n第27回 | Section 10 Direc ted graphical models pp.310-320 \n第28回 | Section 10 Directed graphica l 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 | Section 11 Mixture models and the EM algorithm pp.342-357 \n 第31回 | Section 11 Mixture models and the EM algorithm pp.357-367 \n 第32回 | Section 11 Mixture models and the EM algorithm pp.367-Last \nS ection 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 Lin ear Modesl pp.421- \n第37回 | Section 13 Sparse Linear Modesl pp.425-43 0 \n第38回 | Section 13 Sparse Linear Modesl pp.430-440 \n第39回 | S ection 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 \nSectio n 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 Pr ocesses pp.496-512 \n第46回 | Section 15 Gaussian Processes pp.512-525 \n第47回 | Section 15 Gaussian Processes pp.525-534 \n第48回 | Secti on 16 Adaptive Basis Function Models pp.525-549 \n第49回 | Section 15 G aussian Processes 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 | Section 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 Markov and hidden Markov Models pp.600-612 \n第55回 | Sectio n 17 Markov and hidden Markov Models pp.612-617 \n第56回 | Section 17 M arkov and hidden Markov Models pp.617-629 \n第57回 | Section 18 State s pace 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 | S ection 18 State space models pp.655-660 \nSection 19 Undirected graphical models (Markov random fields) pp.661-666 \n第61回 | Section 19 Undirec ted graphical models (Markov random fields) pp.666-674 \n第62回 | Secti on 19 Undirected graphical models (Markov random fields) pp.674-681 \n第 63回 | Section 19 Undirected graphical models (Markov random fields) pp.6 84-692 \n第64回 | Section 19 Undirected graphical models (Markov random fields) pp.692-701 \n第65回 | Section 19 Undirected graphical models ( Markov random fields) pp.701-703 \nSection 20 Exact inference for graphic al models pp.707-717 \n第66回 | Section 20 Exact inference for graphica l models pp.717-728 \n第67回 | Section 20 Exact inference for graphical models pp.728-742 \n第68回 | Section 21 Variational inference pp.742-7 50 \n第69回 | Section 21 Variational inference pp.750-763 \n第70回 | Section 22 More variational inference pp.767-776 \n第71回 | Section 22 More variational inference pp.776-783 \n第72回 | Section 22 More varia tional inference pp.783-799 \n第73回 | Section 22 More variational infe rence pp.799-806 \n第74回 | Section 22 More variational inference pp.80 6-811 \n第75回 | Section 23 More variational inference pp.815-820 \n 第76回 | Section 23 More variational inference pp.820-828 \n第77回 | Section 23 More variational inference pp.828- 835 \n第78回 | Section 24 Markov chain Monte Carlo (MCMC) inference pp.837-850 \n第79回 | Sectio n 24 Markov chain Monte Carlo (MCMC) inference pp.850-860 \n第80回 | Se ction 24 Markov chain Monte Carlo (MCMC) inference pp.860-869 \n第81回 | Section 24 Markov chain Monte Carlo (MCMC) inference pp.869-end \nSect ion 25 Clustering pp.875-878 \n \n### 今回の内容\n\nSection 25 Clus tering pp.879- \n講師： KanSAKAMOTO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\n## 会場\n\nオンライン開 催（Zoomによる開催を予定しています） \n当日12:00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。 \n12:00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## 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\nhttps://thinkerslab.connpass.com/event/397014/ LOCATION: (オンライン) URL:https://thinkerslab.connpass.com/event/397014/ END:VEVENT END:VCALENDAR