これならわかる機械学習入門
書籍情報
発売日 : 2021年03月29日
著者／編集 : 富谷 昭夫
出版社 : 講談社
発行形態 : 単行本
書籍説明
内容紹介
道具として使いこなす！膨大な観測データから普遍的な法則を抽出する手法とは？高校数学レベルから始まり、Ｐｙｔｈｏｎ入門、ＴｅｎｓｏｒＦｌｏｗによる実装、最新の論文まで踏み込む入門書。
目次
■第1章 データとサイエンス■
1.1 物理学とデータサイエンス
1.2 最小2乗法とオーバーフィット
1.3 テイラー展開と振り子の等時性
コラム：武谷の三段階論
■第2章 行列と線形変換■
2.1 ベクトル、行列と線形変換
2.2 変換としての行列
2.3 行列に関する色々
コラム：計算量のオーダー
■第3章 確率論と機械学習■
3.1 確率の基礎事項
3.2 教師あり学習と教師なし学習、強化学習
3.3 確率変数と経験的確率、大数の法則
3.4 大数の弱法則の証明
3.5 カルバックライブラーダイバージェンス
3.6 尤度と赤池情報量基準、汎化
3.7 ロジスティック回帰
■第4章 ニューラルネットワーク■
4.1 ニューラルネットワークの概論
4.2 万能近似定理
コラム：新しい道具と新理論
■第5章 トレーニングとデータ■
5.1 ニューラルネットワークの入出力と学習
5.2 誤差関数と汎化、過学習
5.3 誤差関数の最適化・学習
コラム：次元の呪い
■第6章 Python入門■
6.1 Pythonによるプログラミング入門
6.2 Pythonと他言語の比較
6.3 NumPyとMatplotlib
6.4 Pythonでのクラス
■第7章 TensorFlowによる実装■
7.1 TensorFlow/Kerasとは
7.2 データやライブラリのロード
7.3 データの分割とニューラルネットワークの設計
7.4 学習
7.5 結果の評価
コラム：量子化という用語
■第8章 最適化、正則化、深層化■
8.1 最適化法の改良
8.2 過学習を防ぐ
8.3 多層化にむけて
■第9章 畳み込みニューラルネットワーク■
9.1 フィルター
9.2 畳み込みニューラルネット
コラム：知能と飛行機
■第10章 イジング模型の統計力学■
10.1 イジング模型
10.2 イジング模型のモンテカルロ法
10.3 熱浴法のPython コードとデータの準備
コラム：統計力学と場の量子論
■第11章 Nature Physicsの論文を再現しよう■
11.1 論文について
11.2 データの前処理
11.3 実験
1.1 物理学とデータサイエンス
1.2 最小2乗法とオーバーフィット
1.3 テイラー展開と振り子の等時性
コラム：武谷の三段階論
■第2章 行列と線形変換■
2.1 ベクトル、行列と線形変換
2.2 変換としての行列
2.3 行列に関する色々
コラム：計算量のオーダー
■第3章 確率論と機械学習■
3.1 確率の基礎事項
3.2 教師あり学習と教師なし学習、強化学習
3.3 確率変数と経験的確率、大数の法則
3.4 大数の弱法則の証明
3.5 カルバックライブラーダイバージェンス
3.6 尤度と赤池情報量基準、汎化
3.7 ロジスティック回帰
■第4章 ニューラルネットワーク■
4.1 ニューラルネットワークの概論
4.2 万能近似定理
コラム：新しい道具と新理論
■第5章 トレーニングとデータ■
5.1 ニューラルネットワークの入出力と学習
5.2 誤差関数と汎化、過学習
5.3 誤差関数の最適化・学習
コラム：次元の呪い
■第6章 Python入門■
6.1 Pythonによるプログラミング入門
6.2 Pythonと他言語の比較
6.3 NumPyとMatplotlib
6.4 Pythonでのクラス
■第7章 TensorFlowによる実装■
7.1 TensorFlow/Kerasとは
7.2 データやライブラリのロード
7.3 データの分割とニューラルネットワークの設計
7.4 学習
7.5 結果の評価
コラム：量子化という用語
■第8章 最適化、正則化、深層化■
8.1 最適化法の改良
8.2 過学習を防ぐ
8.3 多層化にむけて
■第9章 畳み込みニューラルネットワーク■
9.1 フィルター
9.2 畳み込みニューラルネット
コラム：知能と飛行機
■第10章 イジング模型の統計力学■
10.1 イジング模型
10.2 イジング模型のモンテカルロ法
10.3 熱浴法のPython コードとデータの準備
コラム：統計力学と場の量子論
■第11章 Nature Physicsの論文を再現しよう■
11.1 論文について
11.2 データの前処理
11.3 実験
著者情報
富谷 昭夫
2015年、大阪大学大学院理学研究科物理学専攻博士課程修了。博士（理学）。2015年、大阪大学大学院物理学専攻特任研究員。2015年～2018年、中国・華中師範大学博士研究員。2018年より、理化学研究所基礎科学特別研究員（理研BNL研究センター計算物理研究グループ）。主な研究分野は素粒子理論、特に格子ゲージ理論。著書に『ディープラーニングと物理学――原理がわかる、応用ができる』（共著、講談社）がある。Twitterアカウントは @TomiyaAkio 。
富谷, 昭夫
