アート・オブ・機械学習 Ｒハンズオンから本質をつかむ
発売日：2026年5月
- ページ数
- ３００ｐ
- ISBN
- 978-4-320-12597-1
- 著者情報
- マトロフ，ノーマン（マトロフ，ノーマン）（Ｍａｔｌｏｆｆ，Ｎｏｒｍａｎ）
博士は、カリフォルニア大学デービス校（ＵＣ Ｄａｖｉｓ）の計算機科学の教授であり、以前は同大学の統計学の教授を務めていた。ロサンゼルスで生まれ、イーストロサンゼルスおよびサンガブリエル・バレーで育ち、カリフォルニア大学ロサンゼルス校で数学のＰｈＤを取得。現在の研究分野は、機械学習、公正なＡＩ、並列処理、統計計算、そして欠測データを扱うための統計的方法論である。国連のもとで設立された、データベースソフトウェアのセキュリティに関する国際委員会であるＩＦＩＰ Ｗｏｒｋｉｎｇ Ｇｒｏｕｐ １１．３の任命メンバーを務めたことがある。また、ＵＣ Ｄａｖｉｓ統計学部の創設メンバーであり、計算機科学部の設立にも携わった。ＵＣ Ｄａｖｉｓにおける全学優秀教育賞および優秀公共奉仕賞を受賞している。Ｒ Ｊｏｕｒｎａｌの編集長、および、Ｊｏｕｒｎａｌ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｓｏｆｔｗａｒｅの編集委員を務め、複数の教科書を刊行してきた。Ｒを用いた著書Ｓｔａｔｉｓｔｉｃａｌ Ｒｅｇｒｅｓｓｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ： Ｆｒｏｍ Ｌｉｎｅａｒ Ｍｏｄｅｌｓ ｔｏ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇで、２０１７年にＺｉｅｇｅｌ賞を受賞した
ヤン ジャクリン（ヤン ジャクリン）
東京大学大学院理学系研究科物理学専攻 博士課程修了。博士（理学）。現在は企業にてシニア・データアナリストおよび講師として活動している。主にＴａｂｌｅａｕ、Ｐｙｔｈｏｎを活用し、数多くの講座も制作してきた
セブン-イレブン受取り(送料無料)
発送目安
発売日（発売日以降は当日）～2日で発送
宅配（送料¥550税込）
発送目安
発売日（発売日以降は当日）～2日で発送
交通状況・天候の影響や注文が集中した場合等、お届けにお時間をいただく場合がございます。
商品説明
本書は、「機械学習はサイエンスではなくアートである」という理念のもと、単なる分析手法の使い方を超えた、実務で役立つ知識を丁寧に伝える。機械学習を効果的に活用するための細やかなデータ加工やモデルの調整、例えば、データ分析において頻繁に直面する「過学習」や「不均衡なデータ」への対処法、ハイパーパラメータのチューニングなど、現場の経験に基づく知見をハンズオン形式で伝授する。本書では機械学習の最も重要な概念に焦点を当て、それぞれの手法をＲ言語によって実装する。κ近傍法から始まり、回帰、分類、ランダムフォレスト、ニューラルネットワーク、時系列解析など、幅広い手法を段階的に紹介。数学的な内容はできるだけ直感的に、グラフや図を通じた視覚的な説明に留められており、数式に不安のある読者でも無理なく読み進めることができる。また、機械学習の各手法をｑｕｉｃｋかつｅａｓｙに実装するために原著者が開発したｑｅＭＬパッケージを活用し、最小限のコードで学習・予測・評価・可視化できる点も魅力。実務での応用を見据え、初学者であっても機械学習を本質から理解することができる。分析の落とし穴を回避し、予測を成果に変える実践的ガイドである。
機械学習はアートである
分析の落とし穴を回避し、予測を成果に変える実践的ガイド
本書は、「機械学習はサイエンスではなくアートである」という理念のもと、単なる分析手法の使い方を超えた、実務で役立つ知識を丁寧に伝える。機械学習を効果的に活用するための細やかなデータ加工やモデルの調整、例えば、データ分析において頻繁に直面する「過学習」や「不均衡なデータ」への対処法、ハイパーパラメータのチューニングなど、現場の経験に基づく知見をハンズオン形式で伝授する。
本書では機械学習の最も重要な概念に焦点を当て、それぞれの手法をR言語によって実装する。直感的なビジュアル解説と共に、k近傍法から始まり、回帰、分類、ニューラルネットワーク、時系列解析など、幅広い手法を段階的に紹介。数学的な内容はできるだけ直感的に、グラフや図を通じた視覚的な説明に留められており、数式に不安のある読者でも無理なく読み進めることができる。
また、機械学習の各手法をquickかつeasyに実装するために原著者が開発したqeMLパッケージを活用し、最小限のコードで学習・予測・評価・可視化できる点も魅力。実務での応用を見据え、初学者であっても機械学習を本質から理解したい読者に最適な実践書である。
［原著］The Art of Machine Learning: A Hands-On Guide to Machine Learning with R， No Starch Press， 2024
目次
イントロダクション
PART I 導入および近傍法ベースの手法
第1章 回帰モデル
1.1 例：バイクシェアのデータセット
1.2 機械学習と予測について
1.3 k近傍法(kNN)の導入
1.4 ダミー変数とカテゴリカル変数
1.5 qeKNN()を用いた分析
1.6 回帰関数：機械学習の基礎
1.7 バイアスとバリアンスのトレードオフ
1.8 例：mlbデータセット
1.9 kNNとカテゴリカル特徴量
1.10 スケーリング
1.11 ハイパーパラメータを選ぶ
1.12 ホールドアウト・セット
1.13 落とし穴：p値ハッキングとハイパーパラメータ選択
1.14 落とし穴：長期トレンド
1.15 落とし穴：汚いデータ
1.16 落とし穴：欠損データ
1.17 regtoolsのkNNコード
1.18 まとめ
第2章 分類モデル
2.1 回帰の一種としての分類タスク
2.2 例：Telco Churnデータセット
2.3 例：脊椎データ
2.4 落とし穴：誤差率がほとんど改善しない
2.5 混同行列
2.6 不均衡データのクリーニング
2.7 ROC曲線とAUC
2.8 まとめ
第3章 バイアス，バリアンス，過学習，交差検証法
3.1 過学習と学習不足
3.2 交差検証法
3.3 まとめ
第4章 特徴量が多いときの対処法
4.1 落とし穴：大きいデータに伴う計算コストの問題
4.2 次元削減の導入
4.3 次元削減の手法
4.4 次元の呪い
4.5 次元削減の他の手法
4.6 計算に関する発展的な機能
4.7 まとめ
PART II 決定木ベースの分析手法
ほか
商品詳細
- 出版社名
- 共立出版
- サイズ
- ２１ｃｍ
- 対象年齢
- 一般
- フォーマット
- 単行本
- 原題
- 原タイトル：Ｔｈｅ Ａｒｔ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ
注意事項
- 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。
