※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。
続きを読む
すべて展開
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
全5節
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
全6節
第3章 分類問題―機械学習ライブラリscikit-learnの活用
全7節
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
全6節
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
全3節
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
全6節
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
全5節
第8章 機械学習の適用1―感情分析
全5節
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
全5節
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
全7節
第11章 クラスタ分析―ラベルなしデータの分析
全4節
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
全4節
第13章 ニューラルネットワークの訓練をTensorFlowで並列化する
全6節
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
第14章 TensorFlowのメカニズム
全7節
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
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
全4節
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
全5節
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
第17章 新しいデータの合成―敵対的生成ネットワーク/17.1 敵対的生成ネットワーク
全4節
第18章 複雑な環境での意思決定―強化学習
全5節
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
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
全4節
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
付録B matplotlibによる可視化の基礎/B.1 pyplotを用いた可視化
全4節
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
全3節