目次

表紙
商標と正誤表について
口絵
本書に寄せて
まえがき
謝辞
はじめに
PartI 機械学習ワークフローの基礎
第1章 機械学習とは何か-長所と課題、データ収集から運用までのステップ、性能の改善
1.1 機械学習の仕組みを理解する
1.2 データに基づく意思決定
1.2.1 従来のアプローチ
1.2.2 機械学習のアプローチ
1.2.3 機械学習の5つの利点
1.2.4 機械学習の課題
1.3 機械学習ワークフロー：データから展開まで
1.3.1 データの収集と準備
1.3.2 データからモデルを学習する
1.3.3 モデルの性能を評価する
1.3.4 モデルの性能を最適化する
1.4 高度な手法を使ってモデルの性能を改善する／1.4.1 データの前処理と特徴エンジニアリング
1.4.2 オンライン学習を使ってモデルを継続的に改善する
1.4.3 データのサイズと発生量に基づくモデルのスケーリング／1.5 まとめ
1.6 本章のキーワード
第2章 現実世界のデータ-データの取得/整備、可視化
2.1 機械学習に取り組むための準備：データの収集
2.1.1 トレーニングセットに追加すべき入力特徴量はどれか
2.1.2 目的変数のグラウンドトルースを取得するにはどうすればよいか
2.1.3 トレーニングデータの量はどれくらい必要か
2.1.4 トレーニングセットの典型性は十分か
2.2 機械学習モデルを構築するためのデータの前処理／2.2.1 カテゴリ値の特徴量
2.2.2 欠測値への対処
2.2.3 単純な特徴エンジニアリング
2.2.4 データの正規化
2.3 データビジュアライゼーションの使用
2.3.1 モザイク図
2.3.2 箱ひげ図
2.3.3 密度図
2.3.4 散布図
2.4 まとめ
2.5 本章のキーワード
第3章 モデルの構築と予測
3.1 基本的な機械学習モデルの構築
3.1.1 入力特徴量と目的変数の関係を突き止める
3.1.2 よいモデルを突き止めるために
3.1.3 モデル構築手法の種類
3.1.4 教師あり学習と教師なし学習
3.2 分類：カテゴリを予測する
3.2.1 分類器の構築と予測値の出力
3.2.2 複雑な非線形データの分類
3.2.3 複数のクラスに分類する
3.3 回帰：数値を予測する
3.3.1 回帰器の構築と予測値の出力
3.3.2 複雑な非線形データでの回帰
3.4 まとめ
3.5 本章のキーワード
第4章 モデルの評価と最適化
4.1 モデルの汎化：新しいデータでの予測性能の評価
4.1.1 問題：過学習と楽観的なモデル
4.1.2 解決策：交差検証
4.1.3 交差検証を使用するときの注意点／4.2 分類モデルの評価
4.2.1 クラスごとの正解率と混同行列
4.2.2 予測性能のトレードオフとROC曲線
4.2.3 多クラス分類モデルの評価
4.3 回帰モデルの評価
4.3.1 回帰モデルの単純な性能指標を使用する
4.3.2 残差を調べる
4.4 チューニングパラメータによるモデルの最適化／4.4.1 機械学習のアルゴリズムとチューニングパラメータ
4.4.2 グリッドサーチ
4.5 まとめ
4.6 本章のキーワード
第5章 特徴エンジニアリングの基礎／5.1 特徴エンジニアリングはなぜ有効なのか
5.1.1 特徴エンジニアリングとは何か／5.1.2 特徴エンジニアリングを使用する5つの理由
5.1.3 特徴エンジニアリングと専門知識
5.2 特徴エンジニアリングの基本的なプロセス
5.2.1 例：イベントレコメンデーション
5.2.2 日付と時刻の特徴量の処理
5.2.3 単純なテキスト特徴量の操作
5.3 特徴選択
5.3.1 変数増加法と変数減少法
5.3.2 データ探索のための特徴選択
5.3.3 例：現実世界での特徴選択
5.4 まとめ
5.5 本章のキーワード
PartII 機械学習ワークフローの応用
ほか