Python機械学習プログラミング PyTorch＆scikit-learn編
発売日: 2022/12/15
ISBN: 9784295015581
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。
第3版まで続くロングセラーのPyTorch版！
機械学習の基本から先進的な手法まで本格解説
『機械学習を実践的に学ぶための優れたテキスト』
『多くのトピックを網羅した深い一冊。強力にお勧め』
―原著への読者の声
本書の前半は、基本的な機械学習ライブラリのscikit-learnを使った手法を解説。
分類の基本モデルに始まり、単層ニューラルネットまでを実装するほか、データ前処理、次元削減、
ハイパーパラメーターのチューニング、アンサンブル学習、回帰分析などを取り上げます。
後半では、PyTorchによるさまざまなディープラーニングの手法を説明。
PyTorchの仕組みを示したあと、CNN／RNN／Transformerといったモデルの実装を解説。
敵対的生成ネットワーク、グラフニューラルネットワーク、強化学習もカバー。
◎本書は『Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python』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。
※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。
-
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（SVM）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
-
8.2 BoWモデルの導入
-
8.3 文書を分類するためのロジスティック回帰モデルの訓練
-
8.4 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
-
8.5 潜在ディリクレ配分（LDA）によるトピックモデルの構築
-
まとめ
-
9.2 Ames Housingデータセットの探索
-
9.3 最小二乗線形回帰モデルの実装
-
9.4 RANSACを使ったロバスト回帰モデルの学習
-
9.5 線形回帰モデルの性能評価
-
9.6 回帰に正則化手法を使う
-
9.7 多項式回帰：線形回帰モデルから曲線を見出す
-
9.8 ランダムフォレストを使って非線形関係に対処する
-
まとめ
-
12.2 PyTorch：最初のステップ
-
12.3 PyTorchでの入力パイプラインの構築
-
12.4 PyTorchでのニューラルネットワークモデルの構築
-
12.5 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
-
13.1 PyTorchの主な特徴／13.2 PyTorchの計算グラフ
-
13.3 PyTorchのテンソルオブジェクト：モデルパラメータの格納と更新
-
13.4 自動微分による勾配の計算
-
13.5 torch.nnモジュールを使って一般的なアーキテクチャの実装を単純化する
-
13.6 プロジェクト1：車の燃費を予測する
-
13.7 プロジェクト2：MNISTの手書きの数字を分類する
-
13.8 より高レベルなPyTorch API：PyTorch Lightning
-
まとめ
-
16.1 RNNにAttentionメカニズムを追加する
-
16.2 Self-Attentionメカニズム
-
16.3 Attentionさえあれば大丈夫：オリジナルのTransformerアーキテクチャ
-
16.4 大規模な言語モデルの構築：ラベルなしデータの活用
-
16.5 PyTorchでのBERTモデルのファインチューニング
-
まとめ
-
19.1 はじめに：経験からの学習
-
19.2 強化学習の理論的基礎
-
19.3 強化学習のアルゴリズム
-
19.4 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
試し読み
試し読み
試し読み
試し読み
