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"
4.21 (1649 reviews)
15,536
students
10.5 hours
content
Aug 2015
last update
FREE
regular price
What you will learn
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
Screenshots
Related Topics
52106
udemy ID
5/3/2013
course created date
11/7/2019
course indexed date
Bot
course submited by