Diese Seite fasst die Präsentationsfolien der Round Reading Session der Machine Learning Professional Series zusammen. Ich werde es von Zeit zu Zeit aktualisieren.

** Maschinelles Lernen Professional Series Round Reading ** Conpass URL: http://ml-professional.connpass.com

1. Buch: "Deep Learning"
1. Buch: "Abnormalitätserkennung und Änderungserkennung"

# 1 "Deep Learning"

http://bookclub.kodansha.co.jp/product?isbn=9784061529021 Richtige / falsche Tabelle

Kapitel 1: Einführung @a_macabee

http://www.slideshare.net/beeEaMa/chapter-01-49404580

Kapitel 2: Neuronales Netz mit Vorwärtsausbreitung @a_macabee

http://www.slideshare.net/beeEaMa/chapter-02-49488411

Kapitel 3: Probabilistische Gradientenabstiegsmethode @ hagino3000

Kapitel 4: Fehlerrückverbreitungsmethode @t_tetsuma

Kapitel 5: Selbstcodierer @at_grandpa

http://www.slideshare.net/at_grandpa/chapter5-50042838 http://at-grandpa.hatenablog.jp/entry/2015/07/01/190226

Kapitel 6: Falten des neuronalen Netzes @ kenmatsu4

http://www.slideshare.net/matsukenbook/ss-50545587
http://www.slideshare.net/matsukenbook/deep-learning-chap6-convolutional-neural-net

Demonstration mit Python

Kapitel 7: Rekursives neuronales Netz @g_votte

http://www.slideshare.net/shotarosano5/chapter7-50542830

Kapitel 8: Boltzmann-Maschine @ bigsea_t

http://www.slideshare.net/taikaitakeda/8-boltzmann-machine

LT Frame 1: Mehrschichtige Einschränkung Implementierung der Boltzmann-Maschine @ mabonki0725

http://www1.m.jcnnet.jp/mabonki/doc/LT_deepL_RBM_R150805.pdf

LT Frame 2: Ich habe versucht, Chainer @ kenmatsu4 zu verwenden.

http://www.slideshare.net/matsukenbook/lt-chainer

Demonstration mit Python

LT Frame 3: @t_furukawa

LT-Frame 4: DQN @oshokawa

https://speakerdeck.com/oshokawa/dqn

# 2 "Abnormalitätserkennung und Änderungserkennung"

http://ide-research.net/book/support.html#kodansha Korrekturtabelle

Kapitel 1 & 2: Grundkonzept der Erkennung von Anomalien / Änderungserkennung, Erkennung von Anomalien durch die T ^ 2-Hotelmethode @at_grandpa

http://www.slideshare.net/at_grandpa/5-chapter-1-2 http://at-grandpa.hatenablog.jp/entry/2015/08/21/220430

Kapitel 3: Erkennung von Abnormalitäten mit der einfachen Bayes-Methode @a_macabee

http://www.slideshare.net/beeEaMa/mlprofessional

Kapitel 4: Erkennung von Abnormalitäten nach der Nachbarschaftsmethode @ kenmatsu4

http://www.slideshare.net/matsukenbook/4-53640134

Demonstration mit Python

Kapitel 5: Sequentiell aktualisierte Anomalieerkennung durch gemischtes Verteilungsmodell @t_tetsuma

http://www.slideshare.net/tetsumatada/5-54726998

Kapitel 6: Erkennung von Abnormalitäten mithilfe der Beschreibungsmethode für Support-Vektordaten @g_votte

http://www.slideshare.net/shotarosano5/in-54205735

Kapitel 7: Abnormalitätserkennung von Richtungsdaten @nakano_tomofumi

http://www.slideshare.net/nakanotomofumi/7-54766192

Kapitel 8: Erkennung von Abnormalitäten durch Gaußsche Prozessregression @ health55five

Coming soon... :smile:

Kapitel 9: Änderungspunkterkennung mit der Subraummethode @ hagino3000

http://www.slideshare.net/hagino_3000/9-55242143

Kapitel 10: Erkennung von Abnormalitäten durch Lernen mit geringer Struktur @natsu_xxxxxxxx

http://www.slideshare.net/natsup/anomaly-detection-char10

Kapitel 11: Erkennung von Abnormalitäten durch Schätzung des Dichteverhältnisses @oshokawa

https://speakerdeck.com/oshokawa/mi-du-bi-tui-ding-niyoruyi-chang-jian-zhi

Kapitel 12: Änderungserkennung durch Schätzung des Dichteverhältnisses ErikaFujita

http://www.slideshare.net/ErikaFujita/ss-55958414

[PYTHON] Zusammenfassung der runden Lesesitzungen der professionellen Serie für maschinelles Lernen