施策デザインのための機械学習入門〜データ分析技術のビジネス活用における正しい考え方
書籍情報
発売日 : 2021年08月04日
著者／編集 : 齋藤優太、安井翔太、株式会社ホクソエム（監修）
出版社 : 技術評論社
発行形態 : 単行本
書籍説明
内容紹介
「バイアス」に惑わされない臨機応変な機械学習の応用技術。これまで素通りされてきた「予測の前段階」に焦点を当て、データ分析者としての新たな腕の見せ所を浮かび上がらせる。
目次
はじめに
機械学習の実践における苦悩
機械学習の実践に潜む落とし穴
本書のアプローチ
本書の構成
想定読者と読者に望む姿勢
サンプルコードと参考文献
参考文献
1章 機械学習実践のためのフレームワーク
1.1 機械学習の実践に潜む落とし穴
1.1.1 ビジネスにおける機械学習の実践
1.1.2 機械学習の実践に潜む落とし穴
1.2 機械学習実践のためのフレームワーク
1.2.1 KPIを設定する
1.2.2 データの観測構造をモデル化する
1.2.3 解くべき問題を特定する
1.2.4 観測データを用いて解くべき問題を近似する
1.2.5 機械学習モデルを学習する
1.2.6 施策を導入する
column 反実仮想機械学習
1.3 本章のまとめ
1.4 参考文献
2章 機械学習実践のための基礎技術
2.1 正確な予測を導く
2.1.1 問題設定の導入（セグメント拡張のためのユーザ属性の予測）
2.1.2 フレームワークに則った予測モデルの学習
2.1.3 データのバイアスに直面するその他のケース
2.2 高性能な意思決定を導く
2.2.1 問題設定の導入（広告画像選択）
2.2.2 フレームワークに則った意思決定モデルの学習
column より自由な機械学習モデルの学習
column 意思決定モデルの学習や評価に必要な仮定
2.3 Open Bandit Pipelineを用いた実装
2.3.1 Open Bandit Pipelineの紹介
2.3.2 人工データを用いたOBPの基本機能の確認
2.3.3 Open Bandit Datasetを用いた分析
2.4 本章のまとめと発展的な内容の紹介
2.5 参考文献
3章 Explicit Feedbackを用いた推薦システム構築の実践
3.1:Explicit Feedbackを用いた推薦システムの構築
3.2 推薦システムの標準的な定式化と手法
3.3 推薦システムに潜むバイアスの問題
3.4 フレームワークに則った推薦システム構築手順の導出
3.4.1 KPIを設定する
3.4.2 データの観測構造をモデル化する
3.4.3 解くべき問題を特定する
3.4.4 観測データを用いて解くべき問題を近似する
3.4.5 機械学習モデルを学習する
3.5 Pythonによる実装とYahoo! R3データを用いた性能検証
3.5.1 Yahoo! R3データの紹介
3.5.2 Pythonを用いた実装
3.5.3 Yahoo! R3データを用いた性能比較
3.6 本章のまとめと発展的な内容の紹介
3.7 参考文献
4章 Implicit Feedbackを用いた推薦システムの構築
4.1 標準的なランキング学習の枠組み
4.2 フレームワークに則ったランキングシステムの学習
4.2.1 Implicit Feedbackとは
4.2.2 ポジションバイアスを考慮した学習手順の導出
4.2.3 アイテム選択バイアスを考慮した学習手順の導出
4.3 PyTorchを用いた実装と簡易実験
4.3.1 半人工データの生成
4.3.2 PyTorchを用いた実装
4.3.3 半人工データを用いたIPS推定量の性能検証
4.4 本章のまとめと発展的な内容の紹介
4.4.1 ポジションバイアスパラメータの推定方法
4.4.2 実システムへの応用研究
4.4.3 その他の発展的な話題
4.5 次章に向けて
4.6 省略した計算過程
4.6.1 4.2.2項で用いた数値例に関する計算過程
4.6.2 4.2.3項で用いた数値例に関する計算過程
4.7 参考文献
5章 因果効果を考慮したランキングシステムの構築
5.1:本章で扱う発展的な話題
5.2 推薦枠経由で観測される目的変数を最大化する
5.3 プラットフォーム全体で観測される目的変数を最大化する
5.4 PyTorchを用いた実装と簡易実験
5.4.1 半人工データの生成
5.4.2 PyTorchを用いた実装
5.4.3 半人工データを用いた性能検証
5.5 本章のまとめと発展的な内容の紹介
5.6 参考文献
付録A 演習問題
A.1 2章の内容に関連する演習問題
A.2 3章の内容に関連する演習問題
A.3 4章の内容に関連する演習問題
A.4 5章の内容に関連する演習問題
あとがき
機械学習の実践における苦悩
機械学習の実践に潜む落とし穴
本書のアプローチ
本書の構成
想定読者と読者に望む姿勢
サンプルコードと参考文献
参考文献
1章 機械学習実践のためのフレームワーク
1.1 機械学習の実践に潜む落とし穴
1.1.1 ビジネスにおける機械学習の実践
1.1.2 機械学習の実践に潜む落とし穴
1.2 機械学習実践のためのフレームワーク
1.2.1 KPIを設定する
1.2.2 データの観測構造をモデル化する
1.2.3 解くべき問題を特定する
1.2.4 観測データを用いて解くべき問題を近似する
1.2.5 機械学習モデルを学習する
1.2.6 施策を導入する
column 反実仮想機械学習
1.3 本章のまとめ
1.4 参考文献
2章 機械学習実践のための基礎技術
2.1 正確な予測を導く
2.1.1 問題設定の導入（セグメント拡張のためのユーザ属性の予測）
2.1.2 フレームワークに則った予測モデルの学習
2.1.3 データのバイアスに直面するその他のケース
2.2 高性能な意思決定を導く
2.2.1 問題設定の導入（広告画像選択）
2.2.2 フレームワークに則った意思決定モデルの学習
column より自由な機械学習モデルの学習
column 意思決定モデルの学習や評価に必要な仮定
2.3 Open Bandit Pipelineを用いた実装
2.3.1 Open Bandit Pipelineの紹介
2.3.2 人工データを用いたOBPの基本機能の確認
2.3.3 Open Bandit Datasetを用いた分析
2.4 本章のまとめと発展的な内容の紹介
2.5 参考文献
3章 Explicit Feedbackを用いた推薦システム構築の実践
3.1:Explicit Feedbackを用いた推薦システムの構築
3.2 推薦システムの標準的な定式化と手法
3.3 推薦システムに潜むバイアスの問題
3.4 フレームワークに則った推薦システム構築手順の導出
3.4.1 KPIを設定する
3.4.2 データの観測構造をモデル化する
3.4.3 解くべき問題を特定する
3.4.4 観測データを用いて解くべき問題を近似する
3.4.5 機械学習モデルを学習する
3.5 Pythonによる実装とYahoo! R3データを用いた性能検証
3.5.1 Yahoo! R3データの紹介
3.5.2 Pythonを用いた実装
3.5.3 Yahoo! R3データを用いた性能比較
3.6 本章のまとめと発展的な内容の紹介
3.7 参考文献
4章 Implicit Feedbackを用いた推薦システムの構築
4.1 標準的なランキング学習の枠組み
4.2 フレームワークに則ったランキングシステムの学習
4.2.1 Implicit Feedbackとは
4.2.2 ポジションバイアスを考慮した学習手順の導出
4.2.3 アイテム選択バイアスを考慮した学習手順の導出
4.3 PyTorchを用いた実装と簡易実験
4.3.1 半人工データの生成
4.3.2 PyTorchを用いた実装
4.3.3 半人工データを用いたIPS推定量の性能検証
4.4 本章のまとめと発展的な内容の紹介
4.4.1 ポジションバイアスパラメータの推定方法
4.4.2 実システムへの応用研究
4.4.3 その他の発展的な話題
4.5 次章に向けて
4.6 省略した計算過程
4.6.1 4.2.2項で用いた数値例に関する計算過程
4.6.2 4.2.3項で用いた数値例に関する計算過程
4.7 参考文献
5章 因果効果を考慮したランキングシステムの構築
5.1:本章で扱う発展的な話題
5.2 推薦枠経由で観測される目的変数を最大化する
5.3 プラットフォーム全体で観測される目的変数を最大化する
5.4 PyTorchを用いた実装と簡易実験
5.4.1 半人工データの生成
5.4.2 PyTorchを用いた実装
5.4.3 半人工データを用いた性能検証
5.5 本章のまとめと発展的な内容の紹介
5.6 参考文献
付録A 演習問題
A.1 2章の内容に関連する演習問題
A.2 3章の内容に関連する演習問題
A.3 4章の内容に関連する演習問題
A.4 5章の内容に関連する演習問題
あとがき
著者情報
齋藤, 優太
齋藤優太、安井翔太、株式会社ホクソエム（監修）
齋藤優太 (Yuta Saito)
2021年に、東京工業大学で経営工学学士号を取得。大学在学中から、因果推論と機械学習の融合技術（反実仮想機械学習）や、バイアスを含むユーザの行動ログに基づく推薦・ランキング学習に関する研究を行う。
安井翔太（Shota Yasui）
2013年にNorwegian School of Economicsにて経済学修士号を取得しサイバーエージェント入社。入社後は広告代理店にて広告効果検証等を行い，その後2015年にアドテクスタジオへ異動。以降はDMP・DSP・SSPと各種のアドテクプロダクトにおいて，機械学習に関する業務やデータを元にした意思決定のコンサルティングを担当。現在はAILabの経済学チームのリーダーとして経済学と機械学習の融合に関する研究を行う一方で，Data Science Centerの副所長として社内のデータサイエンスプロジェクトのコンサルティングも担当。
安井, 翔太
ホクソエム
