内容紹介：機械学習とはデータから学習して予測を行うことである。統計的学習、統計的信号処理、パターン認識、適応信号処理、画像処理と画像解析、システム同定と制御、データマイニングと情報検索、コンピュータービジョン、計算理論的学習などのさまざまな分野において研究・開発が行われており、現在でもその進歩はとどまるところを知らない。本書は、機械学習に関して、基本的な内容から最新の話題までを解説する書籍である。まず、確率と統計の入門事項を解説する。次に、パラメーター推定、平均二乗誤差の線形推定、確率的勾配降下法、最小二乗法、ベイズ分類などといった、どちらかといえば古典的な手法を解説する。その後で、凸解析によるアプローチ、スパースモデリング、再生核ヒルベルト空間上での学習、ベイズ学習、モンテカルロ法、確率的グラフィカルモデル、粒子フィルター、ニューラルネットワーク、深層学習、次元削減などといった、より高度な内容を解説していく。なお、特に深層学習やノンパラメトリックベイズ法に関しては、原著の改訂にあたって大きく加筆が行われ、大変多くのページが割かれている。本書では、長年にわたり研究されてきた主要な道筋や取り組みを提示することにより、機械学習への統一的な文脈での解説を試みている。それによって、この話題を学びたいと考えている初学者にとって、アカデミックな観点だけでなく、応用レベルに近い方法やアルゴリズムの観点からも価値のある書籍となっている。
もくじ情報：第１章　はじめに；第２章　確率と確率過程；第３章　パラメトリックモデリングにおける学習；第４章　平均二乗誤差線形推定；第５章　オンライン学習；第６章　最小二乗族；第７章　分類：古典的手法のまとめ；第８章　パラメーター学習：凸解析によるアプローチ；第９章　スパース性を意識した学習：概念と理論の基礎；第１０章　スパース性を意識した学習：アルゴリズムとアプリケーション；第１１章　再生核ヒルベルト空間における学習；第１２章　ベイズ学習：推論とＥＭアルゴリズム；第１３章　ベイズ学習：近似推論とノンパラメトリックモデル；第１４章　モンテカルロ法；第１５章　確率的グラフィカルモデル：第１部；第１６章　確率的グラフィカルモデル：第２部；第１７章　粒子フィルター；第１８章　ニューラルネットワークと深層学習；第１９章　次元削減