機械学習のための特微量エンジニアリング その原理とpythonによる実践

本書は、機械学習モデルの性能を向上させるために、データから良い特徴量を作る特徴量エンジニアリングについて解説します。前半では初学者に向けて、数値、テキスト、カテゴリ変数の基本的な取り扱い方を説明し、後半では特徴量ハッシング、ビンカウンティング、ＰＣＡによるデータの圧縮、さらに非線形特徴量とモデルスタッキング、画像特徴量抽出と深層学習による自動特徴学習などの高度なテーマを扱います。特徴量エンジニアリングの原理について直感的な理解が得られるように図や例を豊富に使い、またＰｙｔｈｏｎコードによる実行例を数多くあげて解説しており、実際の業務に適用するための具体的な知識が得られます。特徴量エンジニアリングを使いこなし、機械学習モデルの性能を最大限に引き出したいエンジニア必携の一冊です。Ｋａｇｇｌｅ　ＧｒａｎｄｍａｓｔｅｒのＫｏｈｅｉ　Ｏｚａｋｉ（＠ｓｍｌｙ）氏による「日本語版に寄せて」を収録しています。

目次 : １章　機械学習パイプライン/ ２章　数値データの取り扱い/ ３章　テキストデータの取り扱い/ ４章　特徴量スケーリングによる効果：Ｂａｇ‐ｏｆ‐ＷｏｒｄｓのＴＦ‐ＩＤＦによる重み付け/ ５章　カテゴリ変数の取り扱い/ ６章　次元削減：膨大なデータをＰＣＡで圧縮/ ７章　非線形特徴量の生成：κ‐ｍｅａｎｓを使ったスタッキング/ ８章　特徴量作成の自動化：画像特徴量の抽出と深層学習/ ９章　バック・トゥ・ザ・「フィーチャー」：学術論文レコメンドアルゴリズムの構築/ 付録Ａ　線形モデリングと線形代数の基礎

【著者紹介】
アリス・チャン : 機械学習、スパニングアルゴリズム、プラットフォーム開発の技術リーダー。現在、Ａｍａｚｏｎ　Ａｄｖｅｒｔｉｓｉｎｇにおいてサイエンス研究マネージャーをしている。それ以前は、ＧｒａｐｈＬａｂ／Ｄａｔｏ／Ｔｕｒｉでのツールキット開発とユーザー教育に携わり、Ｍｉｃｒｏｓｏｆｔ　Ｒｅｓｅａｒｃｈでは機械学習の研究者だった。ＵＣ　Ｂｅｒｋｅｌｅｙ大学で電気工学およびコンピュータサイエンスの博士号、また数学の学士号を取得している

アマンダ・カサリ : 次世代の技術を探求し、その影響を実証しているエンジニア。Ｃｏｎｃｕｒ　Ｌａｂｓの上級プロダクトマネージャーおよびデータサイエンティストであり、ＳＡＰ　ＣｏｎｃｕｒにおけるＣｏｎｃｕｒ　Ｌａｂｓ　ＡＩ　Ｒｅｓｅａｒｃｈチームの共同設立者でもある。過去１６年間にわたり、データサイエンス、機械学習、ロボティクスなど幅広いエンジニアリング分野に携わってきた。米海軍アカデミーで制御システム工学の学士号と、Ｖｅｒｍｏｎｔ大学の電気工学の修士号を取得している（本データはこの書籍が刊行された当時に掲載されていたものです）