購入前に目次をご確認ください

インプレス[コンピュータ・IT]ムック 直感でわかる! Excelで機械学習

インプレス / 2019年12月20日 / 全231ページ

ビジネスユーザーも腑に落ちる! Excelでアルゴリズムの仕組みをとらえよう―アルゴリズムの仕組みを具体的に理解でき、それらの特徴がわかれば、ビジネスへの応用も見えてくるでしょう。機械学習を理解していく最初の一歩として本書をご活用ください。[本書の特徴]●データ活用における機械学習の役割/位置づけを理解できる ●Excelに展開することで、仕組みをより具体的に把握できる ●ビジネスの現場に活かせる具体的な理解を獲得できる ●より実務的なPythonコードによる実装方法も把握できる

目次

  • サンプルコードの入手先など
  • はじめに
  • 目次
  • 第1部 ビジネス活用への第一歩
  • 第1章 機械学習のイメージをつかむための基本と道具1.1 機械学習とは1.1.1 AI・人工知能、機械学習、ディープラーニングの違い
  • 1.1.2 機械学習の種類
  • 1.2 機械学習をビジネスで活用するための考え方1.2.1 とにかく具体的に考える
  • 1.2.2 自身の業務の中で「タスク」を考える
  • 1.3 Excelで学ぶメリット
  • 1.4 Pythonの基本
  • 1.4.1 計算1.4.2 変数
  • 1.4.3 条件分岐
  • 1.4.4 forループ
  • 1.4.5 関数
  • 1.4.6 ライブラリの読み込み1.4.7 CSVファイルの読み込み
  • 1.5 簡単! Colaboratoryの使い方
  • 第2章 機械学習のビジネス活用事例を知ろう2.1 データの利活用のレベル感を意識すること2.1.1 データ活用=AI・機械学習の活用なのか
  • 2.1.2 データ活用レベルの5段階
  • 2.1.3 どのレベルから始めるべきか
  • 2.1.4 マネジメントも変わる必要がある
  • サンプルコードの入手先など
  • はじめに
  • 目次
  • 第1部 ビジネス活用への第一歩
  • 第1章 機械学習のイメージをつかむための基本と道具1.1 機械学習とは1.1.1 AI・人工知能、機械学習、ディープラーニングの違い
  • 1.1.2 機械学習の種類
  • 1.2 機械学習をビジネスで活用するための考え方1.2.1 とにかく具体的に考える
  • 1.2.2 自身の業務の中で「タスク」を考える
  • 1.3 Excelで学ぶメリット
  • 1.4 Pythonの基本
  • 1.4.1 計算1.4.2 変数
  • 1.4.3 条件分岐
  • 1.4.4 forループ
  • 1.4.5 関数
  • 1.4.6 ライブラリの読み込み1.4.7 CSVファイルの読み込み
  • 1.5 簡単! Colaboratoryの使い方
  • 第2章 機械学習のビジネス活用事例を知ろう2.1 データの利活用のレベル感を意識すること2.1.1 データ活用=AI・機械学習の活用なのか
  • 2.1.2 データ活用レベルの5段階
  • 2.1.3 どのレベルから始めるべきか
  • 2.1.4 マネジメントも変わる必要がある
  • 2.2 ビジネスにおける機械学習プロジェクトの流れ2.2.1 解約予測の例2.2.2 データの準備
  • 2.2.3 モデリング
  • 2.2.4 モデルの評価と精度指標
  • 2.2.5 混同行列と4つの指標
  • 2.2.6 AUC
  • 2.2.7 ビジネス現場での適用
  • 2.3 他分野への適用
  • 第2部 Excelでアルゴリズムの仕組みをとらえよう
  • 第3章 価格や売上を予測するアルゴリズム[線形回帰モデル]3.1 線形回帰モデルとは3.1.1 シンプルな例:営業部署別の営業担当者数と売上の関係を考える
  • 3.1.2 線形回帰モデルでは
  • 3.1.3 Excelで作ってみよう
  • 3.2 勾配降下法の仕組み
  • 3.2.1 勾配降下法のイメージ
  • 3.2.2 勾配降下法の式
  • 3.2.3 線形回帰モデルでの勾配降下法
  • 3.2.4 線形回帰モデルでの勾配の計算式
  • 3.2.5 Excelで勾配降下法を使った線形回帰モデルを作ってみよう
  • 3.3 曲線でフィッティングする3.3.1 多項式回帰
  • 3.3.2 過学習とは
  • 3.4 交差検証(クロスバリデーション)
  • 3.5 正則化3.5.1 リッジ回帰をExcelで作成する
  • 3.5.2 LASSO回帰をExcelで実装する
  • 3.6 Pythonでの実行方法3.6.1 線形回帰
  • 3.6.2 リッジ回帰
  • 3.6.3 LASSO回帰
  • 3.6.4 多項式回帰
  • 第4章 YesかNoか―2値を予測しよう[ロジスティック回帰モデル4.1 ロジスティック回帰モデルとは4.1.1 シンプルな例:年収と勤続年数からローンを完済できるかを予測する
  • 4.1.2 線形回帰モデルではいけない理由
  • 4.1.3 ロジスティック回帰モデルのコンセプト
  • 4.2 最尤推定4.2.1 同時に起こる確率を求める4.2.2 コイン投げの例
  • 4.2.3 細工されているコイン
  • 4.3 ロジスティック回帰モデルの目的関数4.3.1 対数とは
  • 4.3.2 尤度に対数を適用した対数尤度
  • 4.3.3 交差エントロピー誤差関数
  • 4.4 Excelで実装してみよう4.4.1 Excelでロジスティック回帰を実装する
  • 4.5 Pythonでやってみよう
  • 4.5.1 必要なライブラリをインポート4.5.2 使用するデータの作成
  • 4.5.3 学習用と検証用のデータに分割4.5.4 説明変数と目的変数の設定
  • 4.5.5 ロジスティック回帰の実装4.5.6 切片と傾きの確認
  • 4.5.7 作成したモデルを用いた予測4.5.8 モデルの精度評価
  • 第5章 グループに分けてとらえよう[クラスタリング]5.1 クラスタリングとは5.1.1 良いグルーピングと悪いグルーピングの違い
  • 5.1.2 K-means法の目的関数
  • 5.1.3 K-means法のアルゴリズム
  • 5.1.4 エルボー法
  • 5.1.5 実務で適用する際の注意点5.2 Excelでの実装
  • 5.3 K-means法を使う際の注意5.3.1 スケールを揃える
  • 5.3.2 クラスターは超球面であることを想定
  • 5.4 Pythonでの方法5.4.1 必要なライブラリをインポート
  • 5.4.2 使用するデータの作成
  • 5.4.3 K-means法の実装
  • 5.4.4 クラスタリングした結果の確認
  • 第6章 余分な情報を削ぎ落とそう[次元削減]6.1 主成分分析とは6.1.1 6人のテスト結果の総合学力指標を考えよう
  • 6.1.2 主成分分析と「総合学力」の関係
  • 6.1.3 情報量は分散で表現できる
  • 6.1.4 軸の回転のイメージ
  • 6.1.5 失われた情報量を補う第2主成分
  • 6.2 何次元に圧縮するのか6.2.1 各主成分と分散の大きさの順序
  • 6.2.2 寄与率
  • 6.3 Excelで実装しよう
  • 6.3.1 ブランドのアンケート結果の例
  • 6.4 主成分分析を使った分析例6.4.1 因子負荷量の解釈
  • 6.4.2 ブランドマップの作成
  • 6.5 固有値分解を用いた主成分分析
  • 6.6 Pythonでの実装6.6.1 必要なライブラリをインポート6.6.2 使用するデータの作成
  • 6.6.3 次元削減(PCA)の実装
  • 6.6.4 次元削減した結果の確認
  • 第7章 予測ルールを自動生成しよう[決定木]7.1 決定木とは
  • 7.1.1 決定木アルゴリズムの概要
  • 7.1.2 ツリーでルールを表現する
  • 7.1.3 予測7.1.4 決定木で出てくる用語
  • 7.2 決定木アルゴリズムの種類7.2.1 CART(Classification And Regression Tree)7.2.2 C4.5
  • 7.2.3 CHAID(Chi-squared Automatic Interaction Detection)7.3 分類木7.3.1 CARTの目的関数「ジニ係数」
  • 7.3.2 C4.5の目的関数である「情報エントロピー」
  • 7.3.3 Excelでの実装
  • 7.4 回帰木
  • 7.4.1 回帰木の目的関数
  • 7.5 決定木をどこまで伸ばすか
  • 7.5.1 CVエラーと標準誤差
  • 7.5.2 1SEルール
  • 7.6 Pythonでやってみよう7.6.1 必要なライブラリのインポート7.6.2 使用するデータの作成7.6.3 説明変数と目的変数の設定
  • 7.6.4 決定木の実装
  • 7.6.5 決定木の可視化
  • 7.6.6 予測と精度評価
  • 第8章 高度な機械学習アルゴリズムを理解しよう8.1 ニューラルネットワーク
  • 8.1.1 ニューラルネットワークの概要
  • 8.1.2 ニューラルネットワークの学習方法
  • 8.1.3 メリット・デメリットと使いどころ
  • 8.1.4 Pythonでの実行方法
  • 8.2 ランダムフォレスト8.2.1 ランダムフォレストの概要
  • 8.2.2 メリット・デメリットと実務での使いどころ
  • 8.2.3 Pythonでの実行方法
  • 索引
  • 著者プロフィール
  • 奥付

※このデジタル雑誌には目次に記載されているコンテンツが含まれています。それ以外のコンテンツは、本誌のコンテンツであっても含まれていません のでご注意ください。

※電子版では、紙の雑誌と内容が一部異なる場合や、掲載されないページがある場合があります。

 

電子書籍は初めての方へ。マガストアで一度購入すると、スマホでもタブレットでもPCでも閲覧できます。

電子書籍は初めての方へ

総合ランキング
2024年03月27日

アプリダウンロード
はこちら

App Store でマガストアをダウンロード Android app on Google Play