Explore the fundamentals of computer vision and statistical machine learning in this comprehensive online course featuring expert insights and interactive quizzes.
This course dives into the fun world of computer vision using cool statistical methods! You’ll learn about different probability models, get to grip with estimation techniques, and even challenge yourself with some quizzes. It’s like learning with a friend over coffee!
Learn essence of "Computer Vision: Models, Learning, and Inference"
【2023/9】全動画を1つにまとめたもの（10時間）をYouTubeで公開しました．このコース名をYouTubeで検索してください．
このオンラインレクチャーでは，確率的な手法を用いるパターン認識や機械学習の基礎を学ぶことができます．資料は，"Computer vision: models, learning and inference"の著者Simon Princeがwebで公開しているスライドを用いていますが，話題はコンピュータビジョンに限らず，確率モデルや最尤推定，ベイズ推定を扱っています．
スライドを動画で説明した後，復習クイズを出題しています．ぜひ挑戦してください（iPad/Androidアプリ版ではクイズが表示されないようですので，webで見てください）．
このオンラインレクチャーでは，書籍のPartIII（Chapter 12）までの統計的機械学習の基礎を扱います．（Chapter 13以降の画像を扱う話題は別途作成予定）
Computer vision: models, learning and inference
The slide is copyrighted by Simon J. D. Prince, the author of the book "Computer vision: models, learning and inference", and is available at the book website.
The use of the slide for this online lecture is approved by Simon J. D. Prince and recognized by a contact person of the book publisher. The lecturer thanks them for their kind agreement.
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
3 Lectures
9 Lectures
9 Lectures
15 Lectures
5 Lectures
9 Lectures
11 Lectures
11 Lectures
20 Lectures
19 Lectures
16 Lectures
16 Lectures
2 Lectures
コンピュータビジョン，画像認識，パターン認識，動画像処理，医用画像処理などを専門とする．電子情報通信学会和文誌D編集委員，PRMU委員，MI委員．情報処理学会CVIM委員，GCAD委員など歴任．2001年新潟大学助手，2005年広島大学准教授．2020年名古屋工業大学教授．翻訳書に「コンピュータビジョン ―アルゴリズムと応用―」「統計的学習の基礎」「スパースモデリング」（共立出版）「Pythonで体験するベイズ推論」（森北出版）．電子情報通信学会シニア会員．情報処理学会，IEEE，IEEE Computer Society等会員．
基礎理論を丁寧に講義しており、難解な箇所も理解し易い。
新しい発見があった
定性的な理解が進みます
英文の難解なテキストを分かりやすく日本語解説している。
大学講義風の高度な内容で大昔の学生時代が懐かしく思い出されました。内容はとても高度で、テキストで自習して講義に臨まないと本当のところは理解できません。申し訳ないですが端折ってしまいました...
私は会社実務でなんちゃってレベルの時系列分析を行っていますが、講義前半部が非常に役立ちました。状態空間モデルでは同時分布を書き下して、それを目的に応じて変形させて解くことが重要です。教科書を読んでいただけでは理解不足であった、そういう考え方の意味合いと、具体的な変形の考え方が講義でよく理解できました。厳密解を得ることが困難な事象に対して、工学的にはかなりラフな近似でも実用上十分だとの事例にも示唆を受けました。これからの実務上への問題適用に対して非常に参考になりました。ありがとうございます。
自分は理系なので苦にならなかったが、「離散」という語が普通に出てきたり、足し算と積分を同一視する感覚が、初学者にはとっつきづらいのかもという気もした。ただ、説明全体は平易で丁寧だと思います
PRMLでは説明が省略されていたり、違う説明で理解が十分にできなかった事柄が分かりやすく説明しています。
大学院レベルの機械学習理論を学ぶことができる
話が下手で聞くのにストレスを感じる
Your email address will not be published. Required fields are marked *
田中 �.
因子分析のところで多数の顔写真を用いた事例紹介があり、この講座の意図するところが直感的に理解できました。数式などは全て理解できている訳ではないですが、確率統計に関する理解が大いに深まっていると感じます。