Pythonによる機械学習―予測解析の必須テクニック― 

書籍情報
ISBN978-4-320-12438-7
判型B5変型 
ページ数334ページ
発売日2019年04月30日
本体価格4,500円
Pythonによる機械学習 書影
Pythonによる機械学習

新刊

 「ビッグデータ」,「データサイエンティスト」,「AI」といった言葉がよく聞かれ,日々蓄積されるさまざまなデータの利活用が推進されている昨今,「機械学習」は,これらの言葉と切っても切れない存在となっている。
 本書は,さまざまなデータから未来を予測する“回帰問題”や“分類問題”に焦点を当て,多くのPythonのコードとともに,機械学習の効率的なアルゴリズムを取り上げていく。アルゴリズムがどのように振る舞うかをプログラムから理解し,結果を適切に解釈できるよう,動作を理解するためのコードと,実践で利用する最適化されたコードの2種類を用意し,また無償で入手可能なデータセットに対してアルゴリズムを適用し,その実行結果から解釈の仕方に至るまでを丁寧に解説している。
 実際に手を動かしながら読み進めていくことで,データ解析に必要な考え方を一通り身につけることができる,データ解析の入門書として格好の1冊となろう。

[原著名:Machine Learning in Python: Essential Techniques for Predictive Analysis]

目次

第1章 予測に欠かせない二つのアルゴリズム
1.1 なぜこの二つのアルゴリズムは便利なのか?
1.2 罰則付き線形回帰とは?
1.3 アンサンブル法とは?
1.4 使用するアルゴリズムの決め方
1.5 予測モデルを構築するプロセス
1.6 章の内容と依存関係
1.7 本章のまとめ

第2章 データを理解することによって問題を理解する
2.1 新しい問題の構造
2.2 分類問題―音波探知機を使って不発の機雷を見つける
2.3 岩と機雷のデータセットの性質を可視化する
2.4 質的データで量的な予測を行う―アワビは何才か?
2.5 実数を持つ属性を使った実数の予測―ワインの味をどのように計算するか
2.6 多クラス分類問題―どんなタイプのガラスか?
2.7 本章のまとめ

第3章 予測モデルの構築―精度,複雑さ,データ量のバランス
3.1 基本的な問題―関数近似を理解する
3.2 アルゴリズムの選択を左右する要素と精度―複雑さとデータ
3.3 予測モデルの精度を測る
3.4 モデルとデータの調和を生み出す
3.5 本章のまとめ

第4章 罰則付き線形回帰
4.1 罰則付き線形回帰が有用である理由
4.2 罰則付き線形回帰―線形回帰問題に罰則項を加えて精度を高める
4.3 罰則付き線形回帰問題の解法
4.4 数値入力を伴う線形回帰への拡張
4.5 本章のまとめ

第5章 罰則付き線形回帰を用いた予測モデル構築
5.1 罰則付き線形回帰のPythonパッケージ
5.2 多変数回帰―ワインの味の予測
5.3 2クラス分類―罰則付き線形回帰を用いた不発弾の検出
5.4 多クラス分類―犯罪現場のガラスサンプルの分類
5.5 本章のまとめ

第6章 アンサンブル学習
6.1 決定木
6.2 ブートストラップ集約―バギング
6.3 勾配ブースティング
6.4 ランダムフォレスト
6.5 本章のまとめ

第7章 アンサンブル学習のモデル構築
7.1 PythonのEnsembleパッケージによる回帰問題の解決
7.2 ワインの品質データセットへのバギングの適用
7.3 非数値変数を含むデータに対するアンサンブル学習モデルの構築
7.4 2クラス分類問題へのアンサンブル学習の適用
7.5 多クラス分類問題へのアンサンブル学習の適用
7.6 アルゴリズムの比較
7.7 本章のまとめ