出版書誌データベース

本書は、機械学習コンセプト全般をカバーし、理論的背景とPythonコーディングの実際を解説しています。初歩的な線形回帰から始め、ディープラーニング（CNN／RNN）、敵対的生成ネットワーク、強化学習などを取り上げ、scikit-learnやTensorFlowなどPythonライブラリの新版を使ってプログラミング。第3版では13～16章の内容をほとんど刷新したほか、敵対的生成ネットワークと強化学習の章を新たに追加。機械学習プログラミングの本格的な理解と実践に向けて大きく飛躍できる一冊です。◎本書は『Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd 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。［原著の第1版］●ドイツ語、韓国語、中国語、日本語、ロシア語、ポーランド語、イタリア語に翻訳。●ACM（米国計算機学会）の「21st Annual list of Notable Books and Articles（2016）」にランクイン。［日本語の第1版］●「ITエンジニア本大賞2017」ベスト10にランクイン。

表紙 商標・サンプルコード・正誤表 口絵 謝辞 著者紹介・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」／1.2　3種類の機械学習 1.3　基本用語と表記法 1.4　機械学習システムを構築するためのロードマップ 1.5　機械学習にPythonを使う まとめ 第2章　分類問題―単純な機械学習アルゴリズムの訓練／2.1　人工ニューロン―機械学習の前史 2.2　パーセプトロンの学習アルゴリズムをPythonで実装する 2.3　Irisデータセットでのパーセプトロンモデルの訓練 2.4　ADALINEと学習の収束 2.5　勾配降下法によるコスト関数の最小化 2.6　大規模な機械学習と確率的勾配降下法 まとめ 第3章　分類問題―機械学習ライブラリscikit-learnの活用 3.1　分類アルゴリズムの選択／3.2　.scikit-learn活用へのファーストステップ：パーセプトロンの訓練 3.3　.ロジスティック回帰を使ってクラスの確率を予測するモデルの構築 3.4　サポートベクトルマシンによる最大マージン分類 3.5　カーネルSVMを使った非線形問題の求解 3.6　決定木学習 3.7　k最近傍法：怠惰学習アルゴリズム まとめ 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 4.2　カテゴリデータの処理 4.3　データセットを訓練データセットとテストデータセットに分割する 4.4　特徴量の尺度を揃える 4.5　有益な特徴量の選択 4.6　ランダムフォレストで特徴量の重要度を評価する まとめ 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 5.2　線形判別分析による教師ありデータ圧縮 5.3　カーネル主成分分析を使った非線形写像 まとめ 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／6.1　パイプラインによるワークフローの効率化 6.2　k分割交差検証を使ったモデルの性能の評価 6.3　学習曲線と検証曲線によるアルゴリズムの診断 6.4　グリッドサーチによる機械学習モデルのチューニング 6.5　さまざまな性能評価指標 6.6　クラスの不均衡に対処する まとめ 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 7.2　多数決による分類器の結合 7.3　アンサンブル分類器の評価とチューニング 7.4　バギング：ブートストラップ標本を使った分類器アンサンブルの構築 7.5　アダブーストによる弱学習器の活用 まとめ 第8章　機械学習の適用1―感情分析 8.1　IMDbの映画レビューデータセットでのテキスト処理 8.2　BoWモデルの紹介 8.3　さらに大規模なデータの処理：オンラインアルゴリズムとアウトオブコア学習 8.4　潜在ディリクレ配分によるトピックモデルの構築 まとめ 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 9.2　データストレージとしてSQLiteデータベースを設定する 9.3　Flaskを使ってWebアプリケーションを開発する 9.4　映画レビュー分類器をWebアプリケーションとして実装する 9.5　WebアプリケーションをパブリックWebサーバーにデプロイする まとめ 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 10.2　Housingデータセットの探索 10.3　最小二乗線形回帰モデルの実装 ほか