(中古)機械学習教本 柴原 一友? 築地 毅? 古宮 嘉那子? 宮武孝尚 小谷 善行
828
「商品状態」★安心の防水梱包★カバーに細かいキズ・スレ・傷みなどございますが中身は使用感もなくおおむね良好です。「商品情報 (新品の場合) 」「機械学習のしくみを理解して、学習手法を適切に選んで使いこなせるようになりたい」
「でも、忙しくて数式だらけの本を読む余裕がない」
…という方へ!
本書では、機械学習を使いこなすのに必要な考え方やしくみを、数式にはあまり踏み込まず、言葉とイメージでていねいに解き明かしています。
まずは、第1章と第2章で機械学習の全体を俯瞰します。
データ解析の一連のプロセスや、手法の特徴や性質の違いなど、エンジニアに必要な広い視野で機械学習をとらえます。
第3章以降では、回帰分析/ディープラーニング/ベイズ理論/決定木学習など、個々の学習手法の考え方とモデルのしくみを以下の構成で解説します。
【発想】
そこで紹介する学習手法がどのようなアイデアに基づいているのかを概観します。
【モデル】
アイデアがどのようにモデルに落とし込まれているのか、その理論について詳しく解説します。
【実装】
Rによる簡単な実装例 「主な仕様」
「でも、忙しくて数式だらけの本を読む余裕がない」
…という方へ!
本書では、機械学習を使いこなすのに必要な考え方やしくみを、数式にはあまり踏み込まず、言葉とイメージでていねいに解き明かしています。
まずは、第1章と第2章で機械学習の全体を俯瞰します。
データ解析の一連のプロセスや、手法の特徴や性質の違いなど、エンジニアに必要な広い視野で機械学習をとらえます。
第3章以降では、回帰分析/ディープラーニング/ベイズ理論/決定木学習など、個々の学習手法の考え方とモデルのしくみを以下の構成で解説します。
【発想】
そこで紹介する学習手法がどのようなアイデアに基づいているのかを概観します。
【モデル】
アイデアがどのようにモデルに落とし込まれているのか、その理論について詳しく解説します。
【実装】
Rによる簡単な実装例 「主な仕様」
| 商品情報 | |
|---|---|
| 商品状態 | ★安心の防水梱包★カバーに細かいキズ・スレ・傷みなどございますが中身は使用感もなくおおむね良好です。 |
| 商品の説明 （新品の場合） | 「機械学習のしくみを理解して、学習手法を適切に選んで使いこなせるようになりたい」 「でも、忙しくて数式だらけの本を読む余裕がない」 …という方へ! 本書では、機械学習を使いこなすのに必要な考え方やしくみを、数式にはあまり踏み込まず、言葉とイメージでていねいに解き明かしています。 まずは、第1章と第2章で機械学習の全体を俯瞰します。 データ解析の一連のプロセスや、手法の特徴や性質の違いなど、エンジニアに必要な広い視野で機械学習をとらえます。 第3章以降では、回帰分析/ディープラーニング/ベイズ理論/決定木学習など、個々の学習手法の考え方とモデルのしくみを以下の構成で解説します。 【発想】 そこで紹介する学習手法がどのようなアイデアに基づいているのかを概観します。 【モデル】 アイデアがどのようにモデルに落とし込まれているのか、その理論について詳しく解説します。 【実装】 Rによる簡単な実装例で、その技術が自分の道具として扱えることを体感してもらいます。 【発展的な話題】 いくつかの章では、高度で専門的な話題も紹介しています: CNN、深層生成(第5章 ディープラーニング)/アンサンブル学習(第8章 決定木学習)/LDA(第10章 クラスター分析)など ◆電子版が発行されました ◆詳細は、森北出版Webサイトにて 【目次】 1 機械学習序論 1.1 人工知能(AI) とは何か ~強いAIと弱いAI~ 1.2 データから新しい価値を生み出す ~データマイニング~ 1.3 AIを形作る技術 ~機械学習と統計学~ 1.4 機械学習の枠組み ~問題と解答~ 1.5 教師あり学習と教師なし学習 1.6 教師あり学習と教師なし学習以外の学習 1.7 機械に任せられないこと 1.8 本書のあらまし 2 データマイニングの基本 2.1 データマイニングの流れ 2.2 視覚的にみる機械学習の考え方 2.3 学習するモデルの定式化 2.4 学習することの難しさ ~次元の呪い~ 2.5 よい学習とは何か ~汎化性能と過学習~ 2.6 人の直観も学習に組み込める ~ベイズ理論~ 2.7 教師あり学習の概観 3 回帰分析 発 想 3.1 「よい直線」でデータを表現する 3.2 誤差を科学する モデル 3.3 「よい直線」の求め方 3.4 最小二乗法のイメージ 3.5 最小二乗法による単回帰分析 3.6 複数の説明変数を扱う回帰分析 ~重回帰分析~ 3.7 過学習・未学習の防止 3.8 説明変数を取捨選択する際のテクニック ~ステップワイズ法~ 3.9 説明変数を複数扱う際の注意点 ~多重共線性~ 3.10 最小二乗法を用いた回帰分析の特徴 実 装 3.11 Rでの重回帰分析の実行例 3.12 Rでのステップワイズ法の実行例 3.13 学習データと検証データの比較 発展的な話題 3.14 分類問題にも対応する回帰分析 ~ロジスティック回帰分析~ 3.15 ロジスティック回帰分析における分類 3.16 確率の推定と直線 3.17 「よい曲線」の求め方 ~交差エントロピー~ 4 ニューラルネットワーク 発 想 4.1 脳を模倣する ~ニューロンと形式ニューロン~ モデル 4.2 ニューロンの仕組み ~線形和と伝播関数~ 4.3 ニューロンによる判定のイメージ 4.4 ニューロンを学習する ~最急降下法~ 4.5 ニューロンを用いた推定 4.6 隠れ層の役割 4.7 ニューラルネットワークの特徴 実 装 4.8 R でのニューラルネットワーク(nnet) の実行例 5 ディープラーニング 発 想 5.1 乗り越えたいニューラルネットワークの欠点 ~過学習と勾配消失問題~ モデル 5.2 学習を小分けにするテクニック ~AutoEncoder~ 5.3 勾配消失問題に強い伝播関数 ~ReLU~ 5.4 過学習を抑制するテクニック ~Dropout~ 5.5 最急降下法の改良 ~確率的勾配降下法など~ 5.6 隠れ層での勾配消失を抑制する ~Batch Normalization~ 5.7 ディープラーニングの特徴 実 装 5.8 R でのディープラーニング(mxnet) の実行例 発展的な話題 5.9 その他のディープラーニング技術を概観する 6 サポートベクターマシン 発 想 6.1 未知のデータに強いモデルを作る ~マージン最大化と分離超平面~ モデル 6.2 SVMの定式化 6.3 SVMによって分離超平面を求めるイメージ 6.4 同じ解へとたどりつく「双子」の問題 ~双対問題~ 6.5 SVMで複雑なモデルを実現する ~カーネルトリック~ 6.6 SVMの特徴 実 装 6.7 R でのSVM(kernlab とe1071)の実行例 7 ベイズ理論 発 想 7.1 経験則や直観を活用する 7.2 確率には2種類ある ~主観確率と客観確率~ 7.3 得られた証拠で考えを修正する ~逐次合理性とベイズの定理~ 7.4 ベイズの定理の直観的なイメージ モデル 7.5 ベイズの定理の応用例 ~単純ナイーブベイズ~ 7.6 ベイズ理論の特徴 実 装 7.7 R での単純ナイーブベイズ(klaR) の実行例 発展的な話題 7.8 ベイズ理論を使って機械学習を理解する ~SVM を題材として~ 7.9 より高度なベイズ理論の応用について 8 決定木学習 発 想 8.1 分類のルールを決定木で表す 8.2 質問のしかたや順序によって決定木の形は変わる モデル 8.3 決定木学習の手法 8.4 過学習を抑制するテクニック ~枝刈りと交差検定~ 8.5 説明変数の作り方と欠損値の取り扱い 8.6 決定木学習の特徴 実 装 8.7 R での決定木学習(C5.0) の実行例 発展的な話題 8.8 決定木の性能を高める方法 ~アンサンブル学習~ 9 勾配ブースティング 発 想 9.1 ブースティングとはどんな手法だったのか 9.2 ブースティングの問題点 ~指数損失関数が抱える問題~ モデル 9.3 勾配ブースティングの考え方 9.4 勾配ブースティングの特徴 実 装 9.5 Rでの勾配ブースティング(XGBoost) の実行例 発展的な話題 9.6 最近の研究での展開 ~スタッキングとDeep Forest~ 10 クラスター分析 発 想 10.1 似たモノ同士グループ分けする 10.2 なぜクラスター分析をするのか 10.3 似たモノ同士 ~データ間の距離~ モデル 10.4 クラスター分析手法は2種類ある 実 装 10.5 R でのクラスター分析(kmeans とhclust)の実行例 発展的な話題 10.6 EM アルゴリズム 10.7 その他のクラスター分析 ~LDA~ 11 主成分分析 発 想 11.1 データをわかりやすく縮約する モデル 11.2 主成分分析の直観的な理解 11.3 多変量を縮約する 実 装 11.4 Rでの主成分分析(pca) の実行例 付録A 学習以前の課題 ~データ参照~ A.1 データ参照が適しているのはどんな場合か A.2 学習データを参照して答えを得る A.3 データを離散化,縮約してから参照する方法 A.4 すべての問題について事前に計算しておく方法 A.5 過去の出力結果を再利用する方法 ~キャッシュ手法(表参照形式)~ A.6 キャッシュ手法のテクニック ~ハッシュ法~ 付録B 教師あり・教師なし学習以外の機械学習の枠組み B.1 目的に応じた報酬を定めて試行錯誤させる学習 ~強化学習~ B.2 正解を一部のデータにだけ与えている学習 ~半教師あり学習~ B.3 外部情報から正解を自動付与したうえで行う学習 ~遠距離学習~ B.4 弱分類期を組み合わせる学習 ~アンサンブル学習~ B.5 対象とする問題と似たデータを流用する学習 ~転移学習~ 参考文献 索 引 |
| 主な仕様 | |