ＩＴエンジニアのための機械学習理論入門「改訂新版」

機械学習のしくみを学びデータサイエンスの本質を理解する。実行結果が直感的にわかるオールカラーレイアウト。

機械学習を基礎から理論的に学びたい、そんなITエンジニアに向けて執筆された本です。初版から約5年が経過し、全面カラー化して「改訂新版」としました。Pythonのコーディング環境もGoogle Colaboratoryに刷新、これまで5回にわたる重版で修正した内容に加え、最新の書き下ろし修正でアップデートしました。初版から内容は古びておらず、逆に、機械学習を学ぶうえで重要な理論がほぼカバーされていますので、まさに入門の定番書になりました。カラー化によりグラフも見やすくなり、理解が進むのもお勧めするポイントです。

※お届け日が変更になりました
7月17日→7月20日

目次

■第1章　データサイエンスと機械学習
1.1 ビジネスにおけるデータサイエンスの役割
1.2 機械学習アルゴリズムの分類
1.3 本書で使用する例題
1.4 サンプルコード実行環境の準備

■第2章　最小二乗法：機械学習理論の第一歩
2.1 多項式近似と最小二乗法による推定
2.2 オーバーフィッティングの検出
2.3 付録 ― ヘッセ行列の性質

■第3章　最尤推定法：確率を用いた推定理論
3.1 確率モデルの利用
3.2 単純化した例による解説
3.3 付録 ― 標本平均／標本分散の一致性と不偏性

■第4章　パーセプトロン：分類アルゴリズムの基礎
4.1 確率的勾配降下法のアルゴリズム
4.2 パーセプトロンの幾何学的な解釈

■第5章　ロジスティック回帰とROC 曲線：分類アルゴリズムの
評価方法
5.1 分類問題への最尤推定法の応用
5.2 ROC 曲線による分類アルゴリズムの評価
5.3 付録 ― IRLS法の導出

■第6章　k平均法：教師なし学習モデルの基礎
6.1 k平均法によるクラスタリングと応用例
6.2 怠惰学習モデルとしてのk近傍法

■第7章　EMアルゴリズム：最尤推定法による教師なし学習
7.1 ベルヌーイ分布を用いた最尤推定法
7.2 混合分布を用いた最尤推定法

■第8章　ベイズ推定：データを元に「確信」を高める手法
8.1 ベイズ推定モデルとベイズの定理
8.2 ベイズ推定の回帰分析への応用

本の帯に関して

帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。

版・表紙について

版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。