こちらは、書籍「Deep Learning ⑤ 生成モデル編」で学習した内容で、大切と思われる部分のメモ書きになります。
| まえがき | ||
| 「正規分布」から「拡散モデル」へ | 関連用語 | |
| ・人の身長の分布 ・まずは正規分布から ・「最も尤もらしい」推定 ・１次元から多次元へ ・山が２つ ・見えないもの ・潜在変数の代償 ・偉大なるニューラルネットワーク ・VAEで画像生成 ・潜在変数の階層化 ・ノイズでデータを壊す ・条件を入れる ・現代の画像生成AI | 釣り鐘型・正規分布 正規分布の二つのパラメータ 平均と標準偏差 「最尤推定」正規分布をデータにフィットさせる 二つの正規分布の組み合わせによる二次元化 「混合ガウスモデル」は山が２つでも表現可能 ２つの山で、データの所属を表す「潜在変数」 ２つの山の混合ガウスモデルはEMアルゴリズム NN導入「変分オートエンコーダ（VAE）」 潜在変数⇐エンコーダ デコーダ⇒観測変数 VAEを階層化「階層型VAE」 「拡散過程」潜在変数⇐＋ノイズ 観測変数 条件付き拡散モデル 確率ｐ（ｘ│ｙ：条件） Stable Diffusion 条件付き拡散モデルの一種 | |
| STEP | 項目名／内容 | |
| 1 | 正規分布（ガウス分布） | |
| 1.1 | 確率の基礎 | |
| 1 確率変数と確率分布 2 確率分布と種類 3 期待値と分散 | ||
| 1.2 | 正規分布 | |
| 1 正規分布の確率密度関数 2 正規分布のコード 3 パラメータの役割 | ||
| 1.3 | 中心極限定理 | |
| 1 中心極限定理とは 2 中心極限定理の実験 | ||
| 1.4 | サンプル和の確率分布 | |
| 1 サンプル和の期待値と分散 2 コードで確かめる 3 一様分布の平均と分散★ | ||
| 1.5 | 身の回りにある正規分布 | |
| 2 | 最尤推定 | |
| 3 | 多次元正規分布 | |
| 4 | 混合ガウスモデル | |
| 5 | EMアルゴリズム | |
| 6 | ニューラルネットワーク | |
| 7 | 変分オートエンコーダ（VAE） | |
| 8 | 拡張モデルの理論 | |
| 9 | 拡張モデルの実装 | |
| 10 | 拡張モデルの応用 | |