ベイズ推定とグラフィカルモデル:コンピュータビジョン基礎1

Learn essence of "Computer Vision: Models, Learning, and Inference"
Rating: 4.3 out of 5 (1,323 ratings)
12,458 students
Japanese
ベイズ推定とグラフィカルモデル:コンピュータビジョン基礎1
Rating: 4.3 out of 5 (1,323 ratings)
12,458 students
確率変数,同時確率,条件付き確率,周辺化,ベイズの定理を説明できる
ベルヌーイ分布,ベータ分布,ディリクレ分布,正規分布,逆ガンマ分布,逆ウィシャート分布,それらの共役関係を説明できる
正規分布やカテゴリ型分布などのパラメータを,最尤推定,事後確率最大推定,ベイズ推定で求められる
正規分布の性質(共分散,共分散の分解,変数の線形変換,周辺分布,条件付き分布)を説明できる
識別モデルと生成モデルにおける回帰と識別(線形回帰・ロジスティック回帰)と,その応用例を理解できる
複雑な確率分布を,潜在変数を用いた混合分布で表現する方法(EMアルゴリズム,混合正規分布,robust t-distribution, factor analysis)を理解できる
回帰モデル(線形回帰,ベイズ線形回帰,非線形回帰,カーネル回帰,Gaussian process regression,Relevance vector regression)を理解できる
識別モデル(ロジスティック回帰,ベイズ・非線形・双対・カーネルロジスティック回帰,Relevance vector machine, ブースティング,Random trees/forests/ferns)を理解できる
グラフィカルモデルと,そこにおける変数の条件付き独立を説明できるようになる
chain型(HMM)とtree型のグラフィカルモデルにおけるMAP推定と周辺分布最大推定を理解できる
動的計画法(DP),forward-backwardアルゴリズム,確率伝播(belief propagation, BP)アルゴリズム,和積(sum-product)アルゴリズムを理解できる
grid型のグラフィカルモデル(MRF)におけるMAP推定をグラフカットを用いて解く方法を理解できる
max flow / min cutとMRFの関係を説明できる
2値・多値のMRFのための適切なグラフカットを説明できる
MRFにおける列モジュラ性の重要性を理解できる
コンピュータビジョンにおける統計的機械学習の応用を理解できる

Requirements

  • 線形代数(スカラ,ベクトル,行列,転置,内積,逆行列,固有値,特異値分解)
  • 確率(平均,分散,共分散行列,多変数確率分布,期待値)
  • 微分(1変数関数の極値計算・多変数関数の微分)
  • 積分(多変数関数の積分,重積分)

Description

このオンラインレクチャーでは,確率的な手法を用いるパターン認識や機械学習の基礎を学ぶことができます.資料は,"Computer vision: models, learning and inference"の著者Simon Princeがwebで公開しているスライドを用いていますが,話題はコンピュータビジョンに限らず,確率モデルや最尤推定,ベイズ推定を扱っています. 

スライドを動画で説明した後,復習クイズを出題しています.ぜひ挑戦してください(iPad/Androidアプリ版ではクイズが表示されないようですので,webで見てください). 

このオンラインレクチャーでは,書籍のPartIII(Chapter 12)までの統計的機械学習の基礎を扱います.(Chapter 13以降の画像を扱う話題は別途作成予定) 

Computer vision: models, learning and inference 

The slide is copyrighted by Simon J. D. Prince, the author of the book "Computer vision: models, learning and inference", and is available at the book website.

The use of the slide for this online lecture is approved by Simon J. D. Prince and recognized by a contact person of the book publisher. The lecturer thanks them for their kind agreement. 


Who this course is for:

  • 確率モデルの基礎を学びたい人
  • 統計的機械学習の基礎を学びたい人
  • ベイズ推定を自分のものにしたい人
  • グラフィカルモデルを学びたい人
  • Bishop本の内容が難しいので,そのための確率の基礎の勉強をしたい人
  • グラフカットをマスターしたい人
  • コンピュータビジョンを勉強したい人

Course content

14 sections146 lectures10h 29m total length
  • コース紹介
    02:24
  • テキスト
    00:21
  • コンピュータビジョンの応用例
    01:32

Instructor

コンピュータビジョン,画像認識,機械学習などを研究
Toru Tamaki
  • 4.2 Instructor Rating
  • 3,268 Reviews
  • 23,782 Students
  • 6 Courses

コンピュータビジョン,画像認識,パターン認識,動画像処理,医用画像処理などを専門とする.電子情報通信学会和文誌D編集委員,PRMU委員,MI委員.情報処理学会CVIM委員,GCAD委員など歴任.2001年新潟大学助手,2005年広島大学准教授.2020年名古屋工業大学教授.翻訳書に「コンピュータビジョン ―アルゴリズムと応用―」「統計的学習の基礎」「スパースモデリング」(共立出版)「Pythonで体験するベイズ推論」(森北出版).電子情報通信学会シニア会員.情報処理学会,IEEE,IEEE Computer Society等会員.