• 未知のデータへの対応能力
• きれいなモデルと汚いデータ
• 機械学習は必ず間違える
• 機械学習を使わずのすすめ
• 終わりに

2013年12月25日：中谷秀洋

• パーセプトロンの実装の復習
• ロジスティック回帰の実装

2013年10月2日：中谷秀洋

• 確率的勾配降下法の復習
• ロジスティック回帰の学習
• 確率に変換する関数

2013年6月19日：中谷秀洋

• 予測の信頼度
• 判別関数を確率化
• ロジスティック回帰
• 尤度関数の最適化

2013年2月13日：中谷秀洋

• パーセプトロンの復習
• パーセプトロンの実装
• 人工データの生成
• パーセプトロンの役割

2012年11月30日：中谷秀洋

• 最適化
• 勾配法
• 勾配法の問題点
• 確率的勾配降下法
• パーセプトロンの場合

2012年8月22日：中谷秀洋

• 分類問題
• 分類関数による定式化
• パーセプトロン
• パーセプトロンの解き方

2012年6月7日：中谷秀洋

• 普通の線形回帰のコードを復習
• 事後分布の平均と共分散を求める
• 共分散の眺め方
• 予測分布を描く
• パラメータαとβの決め方
• 次回予告

2012年4月6日：中谷秀洋

• ベイジアンふたたび
• ベイジアン＋線形回帰
• 事前分布の選び方
• ベイズ線形回帰を解く
• 正則化ふたたび
• まとめ

2012年1月25日：中谷秀洋

• 線形回帰を確率の問題に
• ノイズ＝確率分布
• 確率版の線形回帰を解く
• まとめ

2011年12月22日：中谷秀洋

• 線形回帰の復習
• 実装のための準備
• 線形回帰の実装
• 推定した関数を図示する
• 様々な条件で試す

2011年11月16日：中谷秀洋

• 「確率」を求める
• 合格する「確率」
• ベイズ確率，ふたたび
• 事後分布 ― 結果を使って「自信」を更新
• 事前分布 ― 最初の「自信」
• 共役事前分布 ― 都合のいい事前分布
• まとめ

2011年6月3日：中谷秀洋

• 戻らないけど「回帰」
• 線形回帰
• 線形回帰の例
• 過学習（over-fitting）
• 過学習を防ぐ正則化
• 正則化つき線形回帰
• まとめ

2011年3月2日：中谷秀洋

• 2つの変数の関係を見つけよう
• 隠されていた3つの仮定
• まとめ，そして「回帰」へ

2011年2月16日：中谷秀洋

• matplotlibのインストール
• 確率分布とは
• まとめ

2011年2月1日：恩田伊織

• Numpyの導入
• インストール
• Numpy簡単な使い方
• 終わりに

2010年12月13日：恩田伊織

• 正規分布
• 正規分布の平均と分散
• 中心極限定理
• 「よく使う分布」はどうしてよく使う？
• 多次元正規分布
• 今回のまとめ

2010年9月24日：中谷秀洋

• 第2回・第3回の復習
• 離散な確率と連続な確率
• 確率密度関数
• 連続確率の加法定理
• 確率の平均と分散

2010年9月8日：中谷秀洋

• ベイジアンフィルタとは
• 環境構築
• bag-of-wordsを利用したテキスト分類
• 文章を形態素に分割する
• ベイジアンフィルタの実装
• ナイーブベイズのアルゴリズム
• 訓練フェーズの実装
• 推定フェーズの実装
• カテゴリの推定
• 実行してみよう
• 次回のお知らせ

2010年8月23日：恩田伊織

• 機械学習と確率
• 確率変数と確率分布
• 同時確率と条件付き確率
• 確率の加法定理・乗法定理
• 事後確率とベイズの公式
• モデルのパラメータ数
• 確率変数の独立性と「よいモデル」
• ナイーブベイズによる文書分類

2010年7月13日：中谷秀洋