AIエンジニアを目指す人のための機械学習入門

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。

書籍の概要

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。

目次

• 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

疑問点・修正点の管理

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。

外部リンク

• 小川雄太郎のGitHub