なっとく!機械学習

本書では、機械学習モデルとその使い方の２つを学びます。機械学習モデルにはさまざまな種類があります。イエスかノーかといった決定論的な答えを返すものもあれば、確率的な答えを返すものもあります。また、数式を使うものもあれば、ｉｆ文を使うものもあります。共通しているのは、答え、つまり予測を返すということです。本書で取り上げる機械学習は、この予測を返すモデルを構成するタイプです。本書を最大限に活用するためには、ビジュアルな思考を持ち、直線のグラフ、方程式、基本的な確率などの初歩的な数学を理解していることが必要です。また、本書では、実際のデータセットにいくつかのモデルを実装・適用するので、Ｐｙｔｈｏｎのコーディング方法を知っていると役に立ちます（必須ではありませんが）。本書を読み終えたら、以下のことができるようになります。線形回帰、ロジスティック回帰、ナイーブベイズ、決定木、ニューラルネットワーク、サポートベクターマシン、アンサンブル手法など、予測型機械学習における最も重要なモデルとその動作について説明できる。また、それらのモデルの長所と短所、使用するパラメータを明確にする。これらのモデルが実世界でどのように使用されているかを確認し、解決したい特定の問題に対して機械学習を適用する方法の候補を策定する。これらのモデルを最適化し、比較し、改善する方法を学び、最高の機械学習モデルを構築する。手書きであれ、既存のパッケージであれ、モデルをコーディングし、実際のデータセットで予測に使用する。あなたが特定のデータセットや問題を想定しているのであれば、その適用方法や抱えているモデルを実装し、実験する出発点として、本書がとても役に立つことでしょう。

目次 : 機械学習は常識であり、その常識を行使するのはコンピュータ：機械学習とは何か？/ 機械学習の種類/ 点の近くを通る直線を引く：線形回帰/ 訓練プロセスの最適化：学習不足、過学習、テスト、正則化/ 直線を使ってデータ点を切り分ける：パーセプトロン/ 連続するデータ点の分割：ロジスティック分類器/ 分類モデルの評価方法：正解率とその他の指標/ 確率を最大限に利用する：ナイーブベイズモデル/ 質問しながらデータを分割する：決定木/ 要素を組み合わせて性能を向上させる：ニューラルネットワーク〔ほか〕

【著者紹介】
ルイス・G.セラーノ : これまでＧｏｏｇｌｅの機械学習エンジニア、Ａｐｐｌｅのリード人工知能教育者、Ｕｄａｃｉｔｙの人工知能とデータサイエンスにおけるコンテンツ責任者を経て、現在はサパタコンピューティング社で量子人工知能のリサーチサイエンティストとして活躍中。ミシガン大学で数学の博士号を、ウォータールー大学で数学の学士号と修士号を取得し、ケベック大学モントリオール校のＬａｂｏｒａｔｏｉｒｅ　ｄｅ　Ｃｏｍｂｉｎａｔｏｉｒｅ　ｅｔ　ｄ’Ｉｎｆｏｒｍａｔｉｑｕｅ　Ｍａｔｈ´ｅｍａｔｉｑｕｅで博士研究員として勤務していたことがある。ＹｏｕＴｕｂｅで機械学習に関するチャンネルを運営し、８５，０００人以上の登録者と４００万回以上の再生回数を誇り、人工知能やデータサイエンスのカンファレンスで頻繁に講演を行っている（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）