UnitNote

サンプル用のユーザです。

機械学習関連の学習に使えそうな本や動画を調べ、整理してみました。（なるべくFREEのものを優先しました）

* 尚、ノートの文章は一部を除きAIに書いてもらったもので、正確性はありません。
* ノートにchatGPT等AIに作ってもらった表を貼るには、「マークダウンのコードに変換して」と頼めば書き出してくれるので、ノートを「markdown」編集モードにして、コピペすれば簡単です。

view

sub

board 学習ノート（samp ... folder 学習メモの例（動画） note_LV1 Stanford C ...

Loading ...

ノート表示（LV1）

Stanford CS229: Machine Learning Course | Summer 2019... (playlist) LV1 Stanford CS229: Machine Learning Course | Summer 2019 (Anand Avati) - YouTube 2024/2/9

Image From Stanford CS229: Machine Learning Course | Summer 2019 (Anand Avati) - YouTube

#### （ask AI）
ーーーーーー
Stanford CS229: Machine Learning Course | Summer 2019 (Anand Avati)は、機械学習の基本から応用までをカバーするスタンフォード大学のコンピュータサイエンスのコースです。このコースは、教員であるアナンド・アバティによって担当されており、統計学、確率論、線形代数、および最適化に関する基本的な知識があることが前提となっています。

このコースは、機械学習の主要なトピックを網羅しており、教材は理論、数学、アルゴリズム、および実際的なアプリケーションに焦点を当てています。具体的には、教材は、線形回帰、ロジスティック回帰、最近傍法、決定木、クラスタリング、次元削減、ニューラルネットワーク、深層学習、強化学習などを扱っています。

アバティ教授は、講義をわかりやすく、丁寧かつ詳細に説明しており、初心者にも分かりやすく、理解しやすい内容となっています。また、各講義には、理論と実践を混ぜた実際的な例が多数含まれており、学生はそれらを実際に手を動かしながら練習することができます。

総合的に言えば、Stanford CS229: Machine Learning Course | Summer 2019 (Anand Avati)は、機械学習の基礎から高度な応用まで幅広くカバーし、初心者から上級者まで幅広い層の学生にとって非常に有益なコースです。

ーーーーーー

不適切報告

sub_notes（LV2）全て開く全て閉じる

2 - Matrix Calculus and Probability Theory：学習メモ 2024/2/9

#### Matrix Calculus and Probability Theory

講義第2回である「Matrix Calculus and Probability Theory」は、機械学習の基本的な数学的概念に焦点を当てています。

------

1. **Matrix Calculusの基本**:
- ベクトル、行列、テンソルなどの数学的概念を再確認しました。
- スカラー、ベクトル、行列の微分法について学びました。
- 微分の連鎖法則やヤコビアン行列に関する基本的なルールを理解しました。

2. **確率論の基本**:
- 確率変数、確率分布、期待値、分散などの確率論の基本的な概念について学びました。
- 条件付き確率やベイズの定理に焦点を当てました。

3. **多変数の確率分布**:
- 多変数の確率分布について学び、同時確率分布と周辺確率分布の概念を理解しました。
- 共分散行列と相関係数について学習しました。

4. **確率分布の種類**:
- 正規分布、一様分布、指数分布など、さまざまな確率分布について紹介されました。
- これらの分布の確率密度関数や累積分布関数に関する情報を得ました。

5. **確率変数の変換**:
- 連続確率変数の変換に関して学び、変数変換の確率密度関数を求める方法について理解しました。

3 - Probability and Statistics：学習メモ 2024/2/9

#### Probability and Statistics

「Probability and Statistics」は、機械学習における確率と統計の基本的な概念に焦点を当てています。

------

1. **確率の基本**:
- 確率の基本的な概念について学びました。事象、確率変数、確率分布などの用語が紹介されました。
- サンプル空間、確率質量関数、確率密度関数など、確率に関連するキーワードを理解しました。

2. **期待値と分散**:
- 確率変数の期待値と分散について学びました。これらの統計的指標がデータ分析でどのように役立つかを理解しました。
- 期待値と分散の計算方法と性質について詳しく説明されました。

3. **共分散と相関**:
- 2つの確率変数間の共分散と相関について学習しました。これらは2つの変数がどのように関連しているかを示す指標です。
- 共分散行列と相関行列についても解説がありました。

4. **ベイズの定理**:
- ベイズの定理について学びました。ベイズの定理は、条件付き確率を用いて事後確率を計算するための重要なツールです。
- ベイズの定理を用いて、事前情報と新たな証拠を組み合わせて確率分布を更新する方法が示されました。

5. **確率分布の種類**:
- 確率分布の種類について学習しました。離散分布（ベルヌーイ分布、二項分布）や連続分布（正規分布、指数分布）などが紹介されました。
- 各分布の確率質量関数や確率密度関数について説明がありました。

6. **最尤推定**:
- 最尤推定法について学びました。最尤推定は、確率分布のパラメータをデータから推定するための方法で、尤度関数を最大化するアプローチです。

4 - Linear Regression：学習メモ 2024/2/9

#### Linear Regression

「Linear Regression」は、線形回帰という機械学習の基本的なアルゴリズムに焦点を当てています。

------

1. **線形回帰の基本**:
- 線形回帰は、入力特徴量と目標値（出力）の間の線形な関係をモデル化するアルゴリズムです。
- 一元線形回帰と多元線形回帰の違いについて学び、数学的な表現を理解しました。

2. **最小二乗法**:
- 最小二乗法は、線形回帰モデルのパラメータを最適化する方法の一つです。目標は、誤差を最小化することです。
- 最小二乗法を用いて、回帰係数（重み）を推定する手法について学びました。

3. **勾配降下法**:
- 勾配降下法は、最小二乗法のような最適化問題を解くための一般的な手法であり、コスト関数を最小化するようにパラメータを調整します。
- 勾配降下法のアルゴリズムと学習率に関する情報を習得しました。

4. **正則化**:
- 正則化は、過剰適合（過学習）を防ぐために使用される手法で、L1正則化（Lasso）とL2正則化（Ridge）について学びました。
- 正則化の目的や影響について理解し、適切な正則化項を導入する方法を学びました。

5. **特徴選択**:
- 特徴選択は、モデルの性能向上のために重要なステップであり、不要な特徴を削除するプロセスです。
- フィーチャースケーリングや特徴選択のアルゴリズムについて学びました。

6. **評価指標**:
- 回帰モデルの性能評価について学習し、平均二乗誤差（MSE）、決定係数（R^2）、残差プロットなどの評価指標を理解しました。

none 4月9日

none

コメントを書く

ads

Loading ...

学習ノート（sample） board

学習メモの例（動画） folder