Amazon - shikencho

Pattern Recognition And Machine Learning (Information Science and Statistics)

パターン認識と機械学習 上 - ベイズ理論による統計的予測

パターン認識と機械学習 下 - ベイズ理論による統計的予測

Gaussian Processes for Machine Learning (Adaptive Computation and Machine Learning)

The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer Series in Statistics)

   本書は、パターン認識の観点からニューラルネットワークの堅実で統計的な基礎を築いている。多層パーセプトロンやラジアル基底関数など、実際のアプリケーションで最も広く使用されている種類のニューラルネットに絞られている。ビショップはニューラルネットワークをあれこれ挙げるのではなく、刺激密度、エラー関数、パラメータ最適化アルゴリズム、データ前処理、およびBayesian方式などの項目をじっくりと解説している。
   すべての主題はよく構成されていて、数学的な基礎もニューラルネットワークでの使用を語る前にきちんと説明されている。ニューラルネットワークを専攻する大学院生、専門課程に進んだ大学生、またはニューラルネットワークを実際のプログラムに応用したい技術者に適した内容となっている。読者には、大学の理学課程で必要とされる程度の数学の知識があることが前提となる。

深い洞察に基づいた入門書！　　（2004-04-20）
私はニューラルネットワークは全くの門外漢ですが、技術者としての常識的知識を得るために良書を探していたところ、本書に出会いました。

１章では点群の曲線への当てはめを例に、ニューラルネットワークの概念について丁寧に概論を展開します。２章で確率論をおさらいし、３章、４章でそれぞれ単層、多層のネットワーク特性について調べていきます。ここまでで一通りの基礎が学べます。後半の５章からは、実際の応用に必要となるであろう様々な話題を提供し、段階を追って知識を深めていくことができます。

本書の際立った特徴としては、ごく基礎的な数学の知識（とは言っても大学教養程度の微分積分及び線形代数は必要）を前提としながら、一流の研究者としての著者の洞察がいたるところに挿入されていることです。

一般に技術書としては、１）一応はそのテーマについて書かれているが洞察に乏しく読んでいて面白くないものと（著者は本当に理解して書いている？）、２）洞察が深すぎて何が書いてあるのか素人には理解できないものの（結果として雰囲気のみを味わうことになる）、２通りが圧倒的に多いのですが、本書は例外中の例外です。内容を入門レベルに抑えながら、ヒルベルトの問題にさらっと言及したり、単層でＸＯＲ問題が解決できないことに対して単層を擁護するなど、読者は小説を読むように本書に引き付けられることでしょう。