Cette page résume les diapositives de présentation de la session de lecture ronde de la série Machine Learning Professional. Je vais le mettre à jour de temps en temps.

** Lecture ronde de la série Machine Learning Professional ** Conpass URL: http://ml-professional.connpass.com

1er livre: "Deep learning"
2ème livre: "Détection des anomalies et détection des changements"

# 1 "Apprentissage en profondeur"

http://bookclub.kodansha.co.jp/product?isbn=9784061529021 Tableau correct / faux

chapitre 1: Introduction @a_macabee

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

Chapitre 2: Réseau de neurones à propagation directe @a_macabee

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

Chapitre 3: Méthode de descente de gradient probabiliste @ hagino3000

Chapitre 4: Méthode de propagation de retour d'erreur @t_tetsuma

Chapitre 5: Auto-encodeur @at_grandpa

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

Chapitre 6: Pliage du réseau neuronal @ kenmatsu4

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

Démonstration avec Python

Chapitre 7: Réseau neuronal récursif @g_votte

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

Chapitre 8: Machine Boltzmann @ bigsea_t

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

LT Frame 1: Implémentation de machine Boltzmann de restriction multicouche @ mabonki0725

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

Cadre LT 2: j'ai essayé d'utiliser Chainer @ kenmatsu4

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

Démonstration avec Python

Cadre LT 3: @t_furukawa

Cadre LT 4: DQN @oshokawa

https://speakerdeck.com/oshokawa/dqn

# 2 "Détection d'anomalies et détection de changement"

http://ide-research.net/book/support.html#kodansha Table de correction

chapitre 1 & 2: Concept de base de détection d'anomalie / détection de changement, détection d'anomalie par la méthode T ^ 2 d'hôteling @at_grandpa

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

chapitre 3: Détection d'anomalies par simple méthode Bayes @a_macabee

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

chapitre 4: Détection d'anomalies par la méthode de voisinage @ kenmatsu4

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

Démonstration avec Python

chapitre 5: Détection des anomalies mise à jour séquentiellement par modèle de distribution mixte @t_tetsuma

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

chapitre 6: Détection d'anomalies par la méthode de description des données vectorielles de support @g_votte

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

chapitre 7: Détection d'anomalies des données de direction @nakano_tomofumi

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

chapitre 8: Détection d'anomalies par régression de processus gaussien @ healthy55five

Coming soon... :smile:

chapitre 9: Détection des points de changement par la méthode du sous-espace @ hagino3000

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

chapitre 10: Détection d'anomalies par apprentissage de structures clairsemées @natsu_xxxxxxxx

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

chapitre 11: Détection d'anomalies par estimation du rapport de densité @oshokawa

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

chapitre 12: Détection des changements par estimation du rapport de densité ErikaFujita

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

[PYTHON] Résumé des diapositives de la session de lecture ronde de la série professionnelle d'apprentissage automatique