フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム本全文
フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム (日本語) 単行本（ソフトカバー） – 2018/4/10
フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム (日本語) 単行本（ソフトカバー） – 2018/4/10 - フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム (日本語) 単行本（ソフトカバー） – 2018/4/10をお探しですか？ この本は著者が書いたものです。 この本には312ページページあります。 フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム (日本語) 単行本（ソフトカバー） – 2018/4/10は森北出版; 第2版 (2018/4/10)によって公開されています。 この本は2018/4/10に発行されます。 フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム (日本語) 単行本（ソフトカバー） – 2018/4/10は簡単な手順でオンラインで読むことができます。 しかし、それをコンピュータに保存したい場合は、今すぐフリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム (日本語) 単行本（ソフトカバー） – 2018/4/10をダウンロードできます。
「理論」「実践」の両面から学べる、機械学習入門書の決定版! ◆機械学習の理論をわかりやすく解説 数式をしっかり扱いつつも、平易なことばで直感的な理解ができるよう工夫されています。 また、分析したいデータの種類によってアルゴリズムを分類・整理して解説することで、 現実で問題に直面した際に適用できるアルゴリズムが何なのかが理解でき、 必要な部分から学んでいけるよう構成されています。 ◆幅広い手法を網羅 「機械学習とは何か」という初歩の初歩から、識別・モデル推定といった基本的な考えかた、 ニューラルネットワーク・サポートベクトルマシンといった応用手法、 そして深層学習・強化学習といった発展的なトピックまで、様々なアルゴリズムがとりあげられています。 ◆Python/Wekaでアルゴリズムを実装 アルゴリズムの解説だけでなく、Python/Wekaによる実装例も多数掲載されています。 理論を学んだあとに、解析例をもとにデータの読み込みから結果の可視化まで1ステップずつ実装していくことで、 表面的な理解にとどまらない、「現場で役立つ」知識が身につきます。 第2版では、Pythonによる実装例が多数追加されたほか、 勾配ブースティング・リカレントニューラルネットワーク・深層強化学習などの 近年話題のトピック追加をはじめとして、全面的に最新の解説にアップデートされています。◆電子版が発行されました◆詳細は、森北出版Webサイトにて 【目次】第1章 はじめに 1.1 人工知能・機械学習・深層学習 1.2 機械学習とは何か 1.3 機械学習の分類 1.3.1 教師あり学習 1.3.2 教師なし学習 1.3.3 中間的学習 1.4 まとめ 演習問題 第2章 機械学習の基本的な手順 2.1 Weka を用いた機械学習 2.1.1 データ収集・整理 2.1.2 前処理 2.1.3 評価基準の設定 2.1.4 学習―k-NN法― 2.1.5 結果の可視化 2.2 Pythonによる機械学習 2.2.1 scikit-learnを用いた機械学習の手順 2.2.2 データの読み込み 2.2.3 前処理 2.2.4 評価基準の設定と学習 2.2.5 結果の表示 2.3 まとめ 演習問題 第3章 識別―概念学習― 3.1 カテゴリ特徴に対する「教師あり・識別」問題の定義 3.2 概念学習とバイアス 3.2.1 初期の概念学習 3.2.2 概念学習のバイアスを考える 3.3 決定木の学習 3.3.1 決定木とは 3.3.2 ID3アルゴリズム 3.3.3 過学習を避ける 3.3.4 分類基準の再検討 3.4 数値特徴に対する決定木 3.4.1 数値特徴の離散化 3.4.2 scikit-learnでの決定木学習 3.5 まとめ 演習問題 第4章 識別―統計的手法― 4.1 統計的識別とは 4.2 カテゴリ特徴に対するベイズ識別 4.2.1 学習データの対数尤度 4.2.2 ナイーブベイズ識別 4.3 ベイジアンネットワーク 4.3.1 ベイジアンネットワークの概念 4.3.2 ベイジアンネットワークの構成 4.3.3 ベイジアンネットワークを用いた識別 4.3.4 ベイジアンネットワークの学習 4.4 まとめ 演習問題 第5章 識別―生成モデルと識別モデル― 5.1 数値特徴に対する「教師あり・識別」問題の定義 5.2 生成モデル 5.2.1 数値特徴に対するナイーブベイズ識別 5.2.2 生成モデルの考え方 5.3 識別モデル 5.3.1 誤り訂正学習 5.3.2 最小二乗法による学習 5.3.3 識別モデルの考え方 5.3.4 ロジスティック識別 5.3.5 確率的最急勾配法 5.4 まとめ 演習問題 第6章 回帰 6.1 数値特徴に対する「教師あり・回帰」問題の定義 6.2 線形回帰 6.3 回帰モデルの評価 6.4 正則化 6.5 バイアス-分散のトレードオフ 6.6 回帰木 6.6.1 回帰木とは 6.6.2 CART 6.7 モデル木 6.8 まとめ 演習問題 第7章 サポートベクトルマシン 7.1 サポートベクトルマシンとは 7.1.1 マージン最大化のための定式化 7.1.2 マージンを最大とする識別面の計算 7.2 ソフトマージンによる誤識別データの吸収 7.3 カーネル関数を用いたSVM 7.4 文書分類問題へのSVMの適用 7.5 ハイパーパラメータのグリッドサーチ 7.6 まとめ 演習問題 第8章 ニューラルネットワーク 8.1 ニューラルネットワークの計算ユニット 8.2 フィードフォワード型ニューラルネットワーク 8.2.1 ニューラルネットワークの構成 8.2.2 誤差逆伝播法による学習 8.3 ニューラルネットワークの深層化 8.3.1 勾配消失問題 8.3.2 さまざまな活性化関数 8.4 まとめ 演習問題 第9章 深層学習 9.1 深層学習とは 9.2 DNN のモデル 9.3 多階層ニューラルネットワーク 9.3.1 多階層ニューラルネットワークの学習 9.3.2 オートエンコーダ 9.3.3 多階層学習の工夫 9.4 畳み込みネットワーク 9.5 リカレントニューラルネットワーク 9.6 まとめ 演習問題 第10章 アンサンブル学習 10.1 なぜ性能が向上するのか 10.2 バギング 10.3 ランダムフォレスト 10.4 ブースティング 10.5 勾配ブースティング 10.6 まとめ 演習問題 第11章 モデル推定 11.1 数値特徴に対する「教師なし・モデル推定」問題の定義 11.2 クラスタリング 11.2.1 階層的クラスタリング 11.2.2 分割最適化クラスタリング 11.3 異常検出 11.4 確率密度推定 11.5 まとめ 演習問題 第12章 パターンマイニング 12.1 カテゴリ特徴に対する「教師なし・パターンマイニング」問題の定義 12.2 頻出項目抽出 12.2.1 頻出の基準と問題の難しさ 12.2.2 Apriori アルゴリズムによる頻出項目抽出 12.3 連想規則抽出 12.3.1 正解付きデータからの規則の学習 12.3.2 正解なしデータからの規則学習の問題設定 12.3.3 規則の有用性 12.3.4 Apriori アルゴリズムによる連想規則抽出 12.4 FP-Growth アルゴリズム 12.5 推薦システムにおける学習 12.5.1 協調フィルタリング 12.5.2 Matrix Factorization 12.6 まとめ 演習問題 第13章 系列データの識別 13.1 ラベル系列に対する識別 13.2 系列ラベリング問題―CRF― 13.3 系列識別問題―HMM― 13.4 まとめ 演習問題 第14章 半教師あり学習 14.1 半教師あり学習とは 14.1.1 数値特徴の場合 14.1.2 カテゴリ特徴の場合 14.1.3 半教師あり学習のアルゴリズム 14.2 自己学習 14.3 共訓練 14.4 YATSIアルゴリズム 14.5 ラベル伝搬法 14.6 まとめ 演習問題 第15章 強化学習 15.1 強化学習とは 15.2 1状態問題の定式化―K-armed bandit問題― 15.3 マルコフ決定過程による定式化 15.4 モデルベースの学習 15.5 TD学習 15.5.1 報酬と遷移が決定的なTD学習 15.5.2 報酬と遷移が確率的なTD学習 15.6 部分観測マルコフ決定過程による定式化 15.7 深層強化学習 15.8 まとめ 演習問題 付録A 演習問題解答 付録B Weka B.1 Wekaのインストールと起動 B.2 KnowledgeFlow B.2.1 KnowledgeFlowの起動 B.2.2 データの読み込み B.2.3 前処理 B.2.4 評価基準の設定 B.2.5 学習 B.2.6 結果の可視化 B.3 学習後の識別面の表示 B.4 拡張パッケージのインストール B.4.1 Officialパッケージのインストール B.4.2 Unofficialパッケージのインストール 付録C Python C.1 Pythonの概要と機械学習環境 C.2 Jupyter Notebook C.3 Pythonの基本文法 C.4 機械学習を行う C.5 関連パッケージのインストール 参考文献 あとがき 索引
Komentar
Posting Komentar