書籍 AIエンジニアを目指す人のための機械学習入門(清水琢也・小川雄太郎、技術評論社、20/04/13)
のサポートリポジトリです。
本書はAIエンジニアが理解しておきたいレベルの深さで、各手法のアルゴリズム(動作原理)を丁寧に解説します。とくにアルゴリズムの目的や意味を理解できることをめざします。(アルゴリズムの背景にある高度な数学・統計学の理論についての説明は必要最小限にとどめ、)まずはプログラムを書いて動かし、その結果を見ながらアルゴリズムの長所・短所や、性能をチューニングするためのコツを学びます。
- 第1章 機械学習の概要と本書の進め方
- 1.1 本章の目的と概要
- 1.2 機械学習の概要と3つの分類
- 1.3 機械学習の各手法の動作原理(アルゴリズム)を学ぶ意義
- 1.4 機械学習の勉強方法
- 1.5 本書で使用するライブラリと実行環境
- 第2章 実装しながら学ぶアルゴリズムのこころ・教師あり学習編
- 2.1 本章の目的と概要
- 2.2 最小二乗法による線形回帰
- 2.3 L1正則化,L2正則化による過学習の抑制
- 2.4 ロジスティック回帰によるクラス分類
- 2.5 SVCによるクラス分類
- 2.6 決定木によるクラス分類
- 2.7 ランダムフォレストによるクラス分類
- 2.8 Naive Bayesによるテキストデータの分類
- 第3章 実装しながら学ぶアルゴリズムのこころ・教師なし学習編
- 3.1 本章の目的と概要
- 3.2 主成分分析による次元圧縮
- 3.3 k-meansによるクラスタリングとデータ前処理
- 3.4 ガウス混合モデル(GMM)によるクラスタリング
- 第4章 実装しながら学ぶアルゴリズムのこころ・発展編
- 4.1 本章の目的と概要
- 4.2 勾配ブースティング決定木によるクラス分類
- 4.3 エルボー法とシルエット分析によるクラスタ数の探索
- 4.4 t-SNEによる次元圧縮(多様体学習)
- 4.5 異常検知(Novelty Detection,Outlier Detection)
- 第5章 機械学習システムの構築フローとモデルの性能評価
- 5.1 本章の目的と概要
- 5.2 ビジネス理解
- 5.3 データ加工
- 5.4 モデリング
- 5.5 デプロイと運用
- 付録
- A.1 Google Colaboratoryの利用方法
- A.2 ローカルPCに機械学習の実装・実行環境を整える方法
本GitHubのIssuesにて、疑問点や修正点を管理しています。不明な点などがございましたらご覧ください。
- 小川雄太郎のGitHub