メニュー

[第3版]Python機械学習プログラミング 達人データサイエンティストによる理論と実践

発売日: 2020/10/22 ISBN: 9784295010074 全文検索: 非対応
★★★★★ ★★★★★ 0件
※本書はEPUB(固定レイアウト型)で作成されております。検索機能や文字列のコピーがご利用できません。

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。

※この商品は固定レイアウトで作成されており、タブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字列のハイライトや検索、辞書の参照、引用などの機能が使用できません。
購入前にお使いの端末で無料サンプルをお試しください。
目次プレビュー
  • 商標・サンプルコード・正誤表
  • 口絵
  • 謝辞
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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 10.4 RANSACを使ったロバスト回帰モデルの学習
  • 10.5 線形回帰モデルの性能評価
  • 10.6 回帰に正則化手法を使う
  • 10.7 多項式回帰:線形回帰モデルから曲線を見出す
  • まとめ
  • 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
  • 11.2 クラスタを階層木として構成する
  • 11.3 DBSCANを使って高密度の領域を特定する
  • まとめ
  • 12.2 手書きの数字を分類する
  • 12.3 人工ニューラルネットワークの訓練
  • 12.4 ニューラルネットワークでの収束
  • 12.5 ニューラルネットワークの実装についての補足/まとめ
  • 13.1 TensorFlowと訓練の性能
  • 13.2 TensorFlow:最初のステップ
  • 13.3 tf.dataを使った入力パイプラインの構築:TensorFlow Dataset API
  • 13.4 TensorFlowでのニューラルネットワークモデルの構築
  • 13.5 多層ニューラルネットワークでの活性化関数の選択
  • まとめ
  • 14.1 TensorFlowの主な特徴
  • 14.2 TensorFlowの計算グラフ:TensorFlow 2.xへの移行
  • 14.3 TensorFlowのVariableオブジェクト:モデルパラメータの格納と更新
  • 14.4 自動微分とGradientTapeによる勾配の計算
  • 14.5 Keras APIを使って一般的なアーキテクチャの実装を単純化する
  • 14.6 TensorFlow Estimator
  • まとめ
  • 15.2 畳み込みニューラルネットワークを実装する
  • 15.3 TensorFlowを使ってディープ畳み込みニューラルネットワークを実装する
  • 15.4 CNNを使って顔画像から性別を予測する
  • まとめ
  • 16.1 系列データ
  • 16.2 リカレントニューラルネットワーク:シーケンスモデルの構築
  • 16.3 リカレントニューラルネットワークの実装:TensorFlowでのシーケンスモデルの構築
  • 16.4 Transformerモデルを使って言語を理解する
  • まとめ
  • 17.2 敵対的生成ネットワークを一から実装する
  • 17.3 畳み込み層とワッサースタイン距離を使って合成画像の品質を改善する
  • 17.4 GANのその他の用途
  • まとめ
  • 18.1 はじめに:経験からの学習
  • 18.2 強化学習の理論的基礎
  • 18.3 強化学習のアルゴリズム
  • 18.4 最初の強化学習アルゴリズムを実装する
  • 本章と本書のまとめ
  • 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 参考文献
  • 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
  • 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

まだレビューが投稿されていません