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 機械学習 100+ページ エッセンス

インプレス / 2019年12月20日 / 全191ページ

AIエキスパートの知見から新たな視点を得る! 理論と現場を橋渡しする、機械学習の実践的エッセンス―数式をどう読み解くか。各手法がどこまで活用できるか。問題をどう乗り越えるか―アルゴリズムの考え方や数式、特徴、利用条件、長短、活用範囲などを解説。一気に読め進められる量で、主要な手法を網羅。著者は、人工知能分野で博士号を取得、その後は企業で実装を続けています。本書では、そうして積み重ねた知見を展開。現実問題に取り組むための知識が得られる貴重な一冊です。米国で大ブレークの機械学習本を翻訳。

目次

  • サンプルコードの入手先など
  • 口絵
  • 巻頭言
  • はじめに
  • 目次
  • 第1章 イントロダクション1.1 機械学習とは何か1.2 機械学習の方式
  • 1.2.1 教師あり学習1.2.2 教師なし学習
  • 1.2.3 半教師あり学習1.2.4 強化学習
  • 1.3 教師あり学習の仕組み
  • 1.4 モデルが新しいデータに対しても機能する理由
  • 第2章 数学の表記と定義2.1 表記2.1.1 データの構造
  • 2.1.2 シグマの大文字表記2.1.3 パイの大文字表記2.1.4 集合に対する演算2.1.5 ベクトルに対する演算
  • 2.1.6 関数
  • 2.1.7 最大値と Arg Max2.1.8 代入演算子
  • 2.1.9 導関数と勾配
  • 2.2 確率変数
  • 2.3 不偏推定量
  • 2.4 ベイズ則2.5 パラメータの推定
  • 2.6 パラメータか、ハイパーパラメータか
  • 2.7 分類か、回帰か2.8 モデルベース学習か、インスタンスベース学習か
  • サンプルコードの入手先など
  • 口絵
  • 巻頭言
  • はじめに
  • 目次
  • 第1章 イントロダクション1.1 機械学習とは何か1.2 機械学習の方式
  • 1.2.1 教師あり学習1.2.2 教師なし学習
  • 1.2.3 半教師あり学習1.2.4 強化学習
  • 1.3 教師あり学習の仕組み
  • 1.4 モデルが新しいデータに対しても機能する理由
  • 第2章 数学の表記と定義2.1 表記2.1.1 データの構造
  • 2.1.2 シグマの大文字表記2.1.3 パイの大文字表記2.1.4 集合に対する演算2.1.5 ベクトルに対する演算
  • 2.1.6 関数
  • 2.1.7 最大値と Arg Max2.1.8 代入演算子
  • 2.1.9 導関数と勾配
  • 2.2 確率変数
  • 2.3 不偏推定量
  • 2.4 ベイズ則2.5 パラメータの推定
  • 2.6 パラメータか、ハイパーパラメータか
  • 2.7 分類か、回帰か2.8 モデルベース学習か、インスタンスベース学習か
  • 2.9 浅い学習か、深層学習か
  • 第3章 基本のアルゴリズム3.1 線形回帰3.1.1 問題設定
  • 3.1.2 解法
  • 3.2 ロジスティック回帰3.2.1 問題設定
  • 3.2.2 解法
  • 3.3 決定木学習3.3.1 問題設定
  • 3.3.2 解法
  • 3.4 サポートベクトルマシン
  • 3.4.1 ノイズを扱う
  • 3.4.2 非線形の性質のある分布を扱う
  • 3.5 k 近傍法
  • 第4章 学習アルゴリズムの解剖4.1 学習アルゴリズムの構成要素
  • 4.2 勾配降下法
  • 4.3 機械学習エンジニアのする仕事4.4 各学習アルゴリズムの特徴
  • 第5章 機械学習の実践[基本編]5.1 特徴量エンジニアリング
  • 5.1.1 one-hot エンコーディング5.1.2 ビニング
  • 5.1.3 正規化5.1.4 標準化
  • 5.1.5 データの欠損を扱う5.1.6 データ補完法
  • 5.2 学習アルゴリズムの選択
  • 5.3 3 つのデータセット
  • 5.4 学習不足と過学習
  • 5.5 正則化
  • 5.6 モデルの性能を評価する
  • 5.6.1 混同行列
  • 5.6.2 適合率と再現率5.6.3 正解率
  • 5.6.4 コスト考慮型正解率5.6.5 ROC 曲線下部面積(AUC)
  • 5.7 ハイパーパラメータのチューニング
  • 5.7.1 交差検証
  • 第6章 ニューラルネットワークとディープラーニング6.1 ニューラルネットワーク
  • 6.1.1 多層パーセプトロンの例
  • 6.1.2 フィードフォワードニューラルネットワークの構造
  • 6.2 ディープラーニング
  • 6.2.1 畳み込みニューラルネットワーク
  • 6.2.2 リカレントニューラルネットワーク
  • 第7章 問題と解決策7.1 カーネル回帰
  • 7.2 多クラス分類
  • 7.3 1 クラス分類
  • 7.4 複数ラベルの分類
  • 7.5 アンサンブル学習
  • 7.5.1 ブースティングとバギング7.5.2 ランダムフォレスト
  • 7.5.3 勾配ブースティング
  • 7.6 シーケンスへのラベル付け学習
  • 7.7 シーケンス間学習
  • 7.8 能動学習
  • 7.9 半教師あり学習
  • 7.10 ワンショット学習
  • 7.11 ゼロショット学習
  • 第8章 機械学習の実践[高度編]8.1 バランスの悪いデータセットを扱う
  • 8.2 モデルの組み合わせ
  • 8.3 ニューラルネットワークの訓練
  • 8.4 高度な正則化
  • 8.5 複数の入力を扱う8.6 複数の出力を扱う
  • 8.7 転移学習
  • 8.8 アルゴリズムの効率
  • 第9章 教師なし学習9.1 密度推定
  • 9.2 クラスタ分析
  • 9.2.1 k 平均法
  • 9.2.2 DBSCAN と HDBSCAN
  • 9.2.3 クラスタの数を決定するには
  • 9.2.4 その他のクラスタ分析アルゴリズム
  • 9.3 次元削減
  • 9.3.1 主成分分析
  • 9.3.2 UMAP.
  • 9.4 外れ値検出
  • 第10章 その他の学習方法10.1 距離学習
  • 10.2 ランキング学習
  • 10.3 レコメンド学習
  • 10.3.1 因数分解機
  • 10.3.2 ノイズ除去オートエンコーダ10.4 自己教師あり学習:単語埋め込み
  • 第11章 終わりに11.1 本書に書けなかったこと11.1.1 トピックモデリング
  • 11.1.2 ガウス過程11.1.3 一般化線形モデル11.1.4 確率的グラフィカルモデル
  • 11.1.5 マルコフ連鎖モンテカルロ法11.1.6 敵対的生成ネットワーク11.1.7 遺伝的アルゴリズム
  • 11.1.8 強化学習11.2 謝辞
  • 用語集
  • 索引
  • 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

ジャンル別ランキング
「パソコン・モバイル」
2020年02月17日

総合ランキング
2020年02月17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 Windows Store App