6ステップでマスターする機械学習
書籍情報
発売日 : 2022年10月25日
著者／編集 : Manohar Swamynathan/菊地 弘晶/竹之内 隆夫/新田 慧/兼村 厚範
出版社 : 共立出版
発行形態 : 単行本
書籍説明
内容紹介
機械学習の全体像を効率的に把握できる，実践的な教科書。スキルアップ，キャリアチェンジを目指すＩＴエンジニア必携の一冊。
目次
訳者まえがき
はじめに
STEP 1 Python3入門
1.1 人生で最高のものはお金では手に入らない
1.2 新星の登場
1.3 Python 2.xかPython 3.xの選択
1.3.1 Windows
1.3.2 macOS
1.3.3 Linux
1.3.4 公式サイトからインストール
1.3.5 Pythonの実行
1.4 キーコンセプト
1.4.1 Pythonの識別子
1.4.2 キーワード
1.4.3 最初のPythonプログラム
1.4.4 コードブロック
1.4.5 基本的なオブジェクト型
1.4.6 リスト，タプル，セット，辞書を使用する場合
1.4.7 Pythonにおけるコメント
1.4.8 複数行ステートメント
1.4.9 1行での複数のステートメント表現
1.4.10 基本的な演算子
1.4.11 制御構造
1.4.12 リスト
1.4.13 タプル
1.4.14 セット
1.4.15 辞書
1.4.16 ユーザー定義関数
1.4.17 モジュール
1.4.18 ファイルの入出力
1.4.19 ファイルを開く
1.4.20 例外処理
1.5 まとめ
STEP 2 機械学習入門
2.1 歴史と進化
2.2 人工知能の進化
2.2.1 様々な形態
2.3 機械学習のカテゴリー
2.3.1 教師あり学習
2.3.2 教師なし学習
2.3.3 強化学習
2.4 MLシステム構築のためのフレームワーク
2.4.1 データベースにおける知識発見
2.4.2 データマイニングのための業界横断的標準プロセス
2.5 SEMMA
2.6 機械学習用Pythonパッケージ
2.6.1 データ解析パッケージ
2.6.2 NumPy
2.6.3 Pandas
2.6.4 matplotlib
2.6.5 機械学習用コアライブラリ
2.7 まとめ
STEP 3 機械学習の基礎
3.1 機械学習におけるデータ
3.1.1 測定の尺度
3.2 特徴量エンジニアリング
3.2.1 欠損値の取り扱い
3.2.2 カテゴリカルデータの取り扱い
3.2.3 データの正規化
3.2.4 特徴量の構築と生成
3.3 教師あり学習：回帰
3.3.1 相関と因果関係
3.3.2 傾きの当てはめ
3.3.3 良いモデルとは
3.3.4 多項式回帰
3.3.5 多変量回帰
3.3.6 正則化
3.3.7 非線形回帰
3.4 教師あり学習：分類
3.4.1 ロジスティック回帰
3.4.2 分類モデルの性能評価
3.4.3 ROC曲線
3.4.4 モデルの当てはめ
3.4.5 確率的勾配降下法
3.4.6 正則化
3.4.7 多クラスのロジスティック回帰
3.5 教師あり学習：プロセス
3.5.1 決定木
3.5.2 サポートベクターマシン
3.5.3 k近傍法
3.5.4 時系列予測
3.6 教師なし学習の流れ
3.6.1 クラスタリング
3.6.2 主成分分析
3.7 まとめ
STEP 4 モデルの診断とチューニング
4.1 最適な確率の閾値
4.1.1 どちらの間違いの損失が大きいのか
4.2 希少なケースあるいは不均衡なデータセット
4.2.1 どのリサンプリング手法がベストか
4.3 偏りと分散
4.3.1 偏り
4.3.2 分散
4.4 k分割交差検証
4.4.1層化k分割交差検証
4.5 アンサンブル法
4.5.1 バギング
4.5.2 特徴量の重要度
4.5.3 ランダムフォレスト
4.5.4 エクストラツリー
4.5.5 決定境界はどのように可視化されるか
4.5.6 バギングにおける重要なチューニングパラメーター
4.6 ブースティング
4.6.1 アダブーストの例
4.6.2 勾配ブースティング
4.6.3 ブースティングに必要なチューニング項目
4.6.4 XGBoost
4.6.5 アンサンブル投票：機械学習最大のヒーロー軍団
4.6.6 スタッキング
4.7 ハイパーパラメーターの調整
4.7.1 グリッドサーチ
4.7.2 ランダムサーチ
4.7.3 ベイズ最適化
4.7.4 時系列IoTデータのノイズ除去
4.8 まとめ
STEP 5 テキストマイニングと推薦システム
5.1 機械学習におけるデータテキストマイニング処理の概観
5.2 （テキスト）データの構築
5.2.1 ソーシャルメディア
5.3 データ（テキスト）の前処理
5.3.1 小文字変換とトークン化
5.3.2 ノイズ除去
5.3.3 品詞タグ付け
5.3.4 ステミング
5.3.5 レンマ化処理
5.3.6 Nグラム
5.3.7 バッグ・オブ・ワード
5.3.8 TF-IDF
5.4 （テキスト）データの探索
5.4.1 頻度チャート
5.4.2 ワードクラウド
5.4.3 語彙的分散プロット
5.4.4 共起行列
5.5 モデルの構築
5.5.1 テキスト類似度
5.5.2 テキストクラスタリング
5.5.3 トピックモデル
5.5.4 テキスト分類
5.5.5 センチメント分析
5.5.6 「深い」自然言語処理
5.6 Word2Vec
5.7 推薦システム
5.7.1 内容（コンテンツ）ベースフィルタリング
5.7.2 協調フィルタリング
5.8 まとめ
STEP 6 深層学習と強化学習
6.1 人工ニューラルネットワーク
6.1.1 コンピューターが画像を見るとき，その背後には何があるのか
6.1.2 パーセプトロン：単層人工ニューロン
6.1.3 多層パーセプトロン
6.1.4 制限付きボルツマンマシン
6.1.5 KerasによるMLP
6.1.6 オートエンコーダー
6.1.7 畳み込みニューラルネットワーク
6.1.8 MNISTデータセットでのCNN
6.1.9 再帰型ニューラルネットワーク
6.1.10 転移学習
6.2 強化学習
6.3 まとめ
6.A 付録：敵対的生成ネットワーク
おわりに
索 引
はじめに
STEP 1 Python3入門
1.1 人生で最高のものはお金では手に入らない
1.2 新星の登場
1.3 Python 2.xかPython 3.xの選択
1.3.1 Windows
1.3.2 macOS
1.3.3 Linux
1.3.4 公式サイトからインストール
1.3.5 Pythonの実行
1.4 キーコンセプト
1.4.1 Pythonの識別子
1.4.2 キーワード
1.4.3 最初のPythonプログラム
1.4.4 コードブロック
1.4.5 基本的なオブジェクト型
1.4.6 リスト，タプル，セット，辞書を使用する場合
1.4.7 Pythonにおけるコメント
1.4.8 複数行ステートメント
1.4.9 1行での複数のステートメント表現
1.4.10 基本的な演算子
1.4.11 制御構造
1.4.12 リスト
1.4.13 タプル
1.4.14 セット
1.4.15 辞書
1.4.16 ユーザー定義関数
1.4.17 モジュール
1.4.18 ファイルの入出力
1.4.19 ファイルを開く
1.4.20 例外処理
1.5 まとめ
STEP 2 機械学習入門
2.1 歴史と進化
2.2 人工知能の進化
2.2.1 様々な形態
2.3 機械学習のカテゴリー
2.3.1 教師あり学習
2.3.2 教師なし学習
2.3.3 強化学習
2.4 MLシステム構築のためのフレームワーク
2.4.1 データベースにおける知識発見
2.4.2 データマイニングのための業界横断的標準プロセス
2.5 SEMMA
2.6 機械学習用Pythonパッケージ
2.6.1 データ解析パッケージ
2.6.2 NumPy
2.6.3 Pandas
2.6.4 matplotlib
2.6.5 機械学習用コアライブラリ
2.7 まとめ
STEP 3 機械学習の基礎
3.1 機械学習におけるデータ
3.1.1 測定の尺度
3.2 特徴量エンジニアリング
3.2.1 欠損値の取り扱い
3.2.2 カテゴリカルデータの取り扱い
3.2.3 データの正規化
3.2.4 特徴量の構築と生成
3.3 教師あり学習：回帰
3.3.1 相関と因果関係
3.3.2 傾きの当てはめ
3.3.3 良いモデルとは
3.3.4 多項式回帰
3.3.5 多変量回帰
3.3.6 正則化
3.3.7 非線形回帰
3.4 教師あり学習：分類
3.4.1 ロジスティック回帰
3.4.2 分類モデルの性能評価
3.4.3 ROC曲線
3.4.4 モデルの当てはめ
3.4.5 確率的勾配降下法
3.4.6 正則化
3.4.7 多クラスのロジスティック回帰
3.5 教師あり学習：プロセス
3.5.1 決定木
3.5.2 サポートベクターマシン
3.5.3 k近傍法
3.5.4 時系列予測
3.6 教師なし学習の流れ
3.6.1 クラスタリング
3.6.2 主成分分析
3.7 まとめ
STEP 4 モデルの診断とチューニング
4.1 最適な確率の閾値
4.1.1 どちらの間違いの損失が大きいのか
4.2 希少なケースあるいは不均衡なデータセット
4.2.1 どのリサンプリング手法がベストか
4.3 偏りと分散
4.3.1 偏り
4.3.2 分散
4.4 k分割交差検証
4.4.1層化k分割交差検証
4.5 アンサンブル法
4.5.1 バギング
4.5.2 特徴量の重要度
4.5.3 ランダムフォレスト
4.5.4 エクストラツリー
4.5.5 決定境界はどのように可視化されるか
4.5.6 バギングにおける重要なチューニングパラメーター
4.6 ブースティング
4.6.1 アダブーストの例
4.6.2 勾配ブースティング
4.6.3 ブースティングに必要なチューニング項目
4.6.4 XGBoost
4.6.5 アンサンブル投票：機械学習最大のヒーロー軍団
4.6.6 スタッキング
4.7 ハイパーパラメーターの調整
4.7.1 グリッドサーチ
4.7.2 ランダムサーチ
4.7.3 ベイズ最適化
4.7.4 時系列IoTデータのノイズ除去
4.8 まとめ
STEP 5 テキストマイニングと推薦システム
5.1 機械学習におけるデータテキストマイニング処理の概観
5.2 （テキスト）データの構築
5.2.1 ソーシャルメディア
5.3 データ（テキスト）の前処理
5.3.1 小文字変換とトークン化
5.3.2 ノイズ除去
5.3.3 品詞タグ付け
5.3.4 ステミング
5.3.5 レンマ化処理
5.3.6 Nグラム
5.3.7 バッグ・オブ・ワード
5.3.8 TF-IDF
5.4 （テキスト）データの探索
5.4.1 頻度チャート
5.4.2 ワードクラウド
5.4.3 語彙的分散プロット
5.4.4 共起行列
5.5 モデルの構築
5.5.1 テキスト類似度
5.5.2 テキストクラスタリング
5.5.3 トピックモデル
5.5.4 テキスト分類
5.5.5 センチメント分析
5.5.6 「深い」自然言語処理
5.6 Word2Vec
5.7 推薦システム
5.7.1 内容（コンテンツ）ベースフィルタリング
5.7.2 協調フィルタリング
5.8 まとめ
STEP 6 深層学習と強化学習
6.1 人工ニューラルネットワーク
6.1.1 コンピューターが画像を見るとき，その背後には何があるのか
6.1.2 パーセプトロン：単層人工ニューロン
6.1.3 多層パーセプトロン
6.1.4 制限付きボルツマンマシン
6.1.5 KerasによるMLP
6.1.6 オートエンコーダー
6.1.7 畳み込みニューラルネットワーク
6.1.8 MNISTデータセットでのCNN
6.1.9 再帰型ニューラルネットワーク
6.1.10 転移学習
6.2 強化学習
6.3 まとめ
6.A 付録：敵対的生成ネットワーク
おわりに
索 引
著者情報
Manohar Swamynathan
Swamynathan, Manohar
菊地 弘晶
菊地, 弘晶
竹之内 隆夫
竹之内, 隆夫
新田 慧
新田, 慧
兼村 厚範
兼村, 厚範
