出版書誌データベース

機械学習本ベストセラーの第2版！
著者陣の経験に基づく洞察とより専門的な知識を学べる

機械学習の各コンセプトについて、理論や数学的背景、Pythonコーディングの実際を網羅的に解説。初期の機械学習アルゴリズムから、ニューラルネットワーク（CNN/RNN）までの手法を取り上げます。Python関連ライブラリとしてはscikit-learnやTensorFlowなどを使用。第2版では、第1版への読者のフィードバックを随所に反映し、ライブラリの更新に対応。13章以降はほとんど新規の書き下ろしです。本書は、機械学習を本格的に理解・実践するのに不可欠な一冊となっています。

◎本書は『Python Machine Learning: Machine Learning and Deep Learning
with Python, scikit-learn, and TensorFlow, 2nd Edition』の翻訳書です。
◎微積分/線形代数、Pythonの文法、データ分析用ライブラリについてある程度理解している必要があります。

■「はじめに」より抜粋
機械学習の実践的なサンプルコードを調べて試してみるのは、この分野に飛び込むのにうってつけの方法である。幅広い概念が明確になるからだ。本書では、Python言語と機械学習ライブラリを使って機械学習の実装を体験してみるほか、アルゴリズムの背後にある数学的な概念を紹介する。それらの概念は、機械学習をうまく利用するために欠かせないものである。したがって、本書は単なる実用書ではない。本書では、機械学習の概念を必要に応じて詳しく説明する。

表紙
商標・サンプルコード・正誤表
口絵
謝辞
著者/レビュー担当者紹介
はじめに
第1章 「データから学習する能力」をコンピュータに与える／1.1 データを知識に変える「知能機械」
第2章 分類問題―単純な機械学習アルゴリズムのトレーニング／2.1 人工ニューロン―機械学習の前史
第3章 分類問題―機械学習ライブラリscikit-learnの活用
第4章 データ前処理―よりよいトレーニングセットの構築／4.1 欠測データへの対処
第5章 次元削減でデータを圧縮する／5.1 主成分分析による教師なし次元削減
第6章 モデルの評価とハイパーパラメータのチューニングのベストプラクティス
第7章 アンサンブル学習―異なるモデルの組み合わせ／7.1 アンサンブルによる学習
第8章 機械学習の適用1―感情分析
第9章 機械学習の適用2―Webアプリケーション／9.1 学習済みのscikit-learn推定器をシリアライズする
第10章 回帰分析―連続値をとる目的変数の予測／10.1 線形回帰
第11章 クラスタ分析―ラベルなしデータの分析／11.1 k-means法を使った類似度によるオブジェクトのグループ化
第12章 多層人工ニューラルネットワークを一から実装／12.1 人工ニューラルネットワークによる複雑な関数のモデル化
第13章 ニューラルネットワークのトレーニングをTensorFlowで並列化
第14章 TensorFlowのメカニズムと機能
第15章 画像の分類―ディープ畳み込みニューラルネットワーク／15.1 畳み込みニューラルネットワークの構成要素
第16章 系列データのモデル化―リカレントニューラルネットワーク
本章と本書のまとめ
付録A Jupyter Notebookの基本的な使用方法／A.1 インストールと起動
A.2 ノートブックの作成と保存
A.3 セルの入力と実行
A.4 他のフォーマットへの変換
A.5 拡張機能
A.6 参考文献
付録B matplotlibによる可視化の基礎／B.1 pyplotを用いた可視化
B.2 描画対象のFigureの明示
B.3 複数の図のプロット
B.4 アニメーションの作成
B.5 日本語フォントの設定
付録C 行列の固有分解の基礎／C.1 行列によるベクトルの回転
C.2 固有ベクトル：行列を掛けても向きが変化しないベクトル
C.3 行列の階数（ランク）
C.4 参考文献
索引
プロフィール/STAFF LIST
奥付