本書は、今後ますますの発展が予想される人工知能の技術のうち機械学習について、入門的知識から実践まで、できるだけ平易に解説する書籍です。「解説だけ読んでもいまひとつピンとこない」人に向け、プログラミングが容易なPythonにより実際に自分でシステムを作成することで、そのエッセンスを実践的に身につけていきます。
また、読者が段階的に理解できるよう、「導入編」「基礎編」「実践編」の三部構成となっており、特に「実践編」ではシステム計画研究所が展示会「Deep Learning実践」で実際に展示した「手形状判別」を実装します。
https://www.ohmsha.co.jp/book/9784274219634/
正誤表やDLデータ等がある場合はこちらに掲載しています
第1部 導入編
1章 はじめに
2章 機械学習の様々な側面
第2部 基礎編
3章 分類問題
4章 回帰問題
5章 クラスタリング
第3部 実践編
6章 画像による手形状分類
7章 センサーデータによる回帰問題
第4部 付録
A Python で作る機械学習
B 線形代数のおさらいと代表的な非線形モデル
第1部 導入編
第1章 はじめに
1.1 機械学習とは
1.2 Python と機械学習
1.3 インストール&セットアップ
1.4 Python 早分かり ― NumPy とmatplotlib
1.5 クイックツアー
小話 深層学習って何だ?
第2 章 機械学習の様々な側面 33
2.1 機械学習をとりまく環境.. 33
2.2 関連分野. 34
2.3 学習法による分類. 35
2.4 手法や課題設定による分類. 36
2.5 応用例. 37
第2部 基礎編
第3章 分類問題
3.1 分類問題とは
3.2 最初の分類器
3.3 学習データとテストデータ
ミニ知識 色々な用語 ―学習・訓練・教師 vs テスト・評価・バリデート・検証
ミニ知識 k- 分割交差検証
3.4 分類器の性能を評価しよう
ミニ知識 正答率(Accuracy)と適合率(Precision)
ミニ知識 色々な平均.調和平均・算術平均・幾何平均
3.5 色々な分類器
3.6 まとめ
第4章 回帰問題
4.1 回帰問題とその分類
4.2 最初の回帰 ― 最小二乗法と評価方法
4.3 機械学習における鬼門 ― 過学習
4.4 過学習への対応 ― 罰則付き回帰
4.5 様々な回帰モデル
4.6 まとめ
第5章 クラスタリング
5.1 iris データセット
ミニ知識 フィッシャーのあやめ
5.2 代表的なクラスタリング手法 ― k-means
5.3 その他のクラスタリング手法
5.4 まとめ
第3部 実戦編
第6章 画像による手形状分類
6.1 課題の設定
6.2 最初の学習
6.3 汎化性能を求めて ― 人を増やしてみる
6.4 さらに人数を増やしてみる
ミニ知識 学習データに含める人数について
6.5 データの精査と洗浄 ― データクレンジング
6.6 特徴量の導入
6.7 パラメータチューニング
6.8 まとめ
第7章 センサデータによる回帰問題
7.1 はじめに
7.2 準備
7.3 センサデータの概要
7.4 データの読み込み
7.5 高松の気温データと四国電力の消費量
7.6 もっと色々、そしてまとめ
7.7 終わりに
第4部 付録
付録A Python で作る機械学習
A.1 この付録の目的
A.2 最小二乗法
A.3 行列計算による解析解の導出
A.4 反復法
A.5 コードを書く前に
A.6 実装例
付録B 線形代数のおさらいと代表的な非線形モデル
B.1 この付録の目的
B.2 そもそも「線形」とは
B.3 線形変換とアフィン変換
B.4 ノルムと罰則項
B.5 線形回帰の最小二乗解を考える
B.6 機械学習における「非線形」