イメージでつかむ機械学習入門
~豊富なグラフ,シンプルな数学,Rで理解する~

書籍の概要

この本の概要

機械学習は,人工知能の実装を支える基盤技術として注目されています。人工知能の基盤と聞くと,難解な数学に対する素養が必要だと感じるかもしれませんが,その基礎は高校数学と大学初学年級の一部の数学が理解できていれば十分にマスターできます。本書は,理系出身ではない方,プログラムは多少作れるけれども数学はちょっと…という方を対象に,豊富なグラフとシンプルな数学により各手法のイメージをつかみながら機械学習の基礎を学んでいくことができます。ソフトはRを使っています。

こんな方におすすめ

  • 機械学習の初心者。機械学習の手法の違いを知りたい人
  • 数学をやってこなかったけれども機械学習に携わる必要があるエンジニア

この書籍に関連する記事があります!

試験点数の合否判定から学ぶ はじめての機械学習
最近の人工知能(AI)ブームから,人工知能の実装を支える基盤技術である機械学習にも注目が集まってきています。

目次

  • まえがき

第1章 はじめに

  • 1.1 機械学習とは
  • 1.2 Rを用いた実習

第2章 回帰

  • 2.1 線形回帰モデル
  • 2.2 線形回帰モデルの係数推定
    • 2.2.1 最小二乗法
    • 2.2.2 最尤法
  • 2.3 残差によるモデルの検討
  • コラム:極値と偏微分
  • 2.4 モデルの説明力?決定係数と相関係数?
  • コラム:非線形回帰モデルのフィッティング
  • 2.5 回帰モデルの限界?分類への応用?

第3章 境界による分類

  • 3.1 線形判別分析
    • 3.1.1 平面を分割する
    • 3.1.2 判別分析を実現する仕組み
    • 3.1.3 Rによる線形判別分析
  • 3.2 サポートベクターマシン
    • 3.2.1 完全に分類できる問題について
  • 3.2.2 線形分離不可能な問題について
  • 3.2.3 カーネル関数の利用
  • 3.2.4 Rによるサポートベクターマシン

第4章 確率による分類

  • 4.1 ロジスティック回帰モデル
  • 4.2 ロジスティック回帰モデルの当てはめ
  • 4.3 ロジスティック回帰モデルにおけるパラメタ推定

第5章 ニューラルネットワークによる分類

  • 5.1 フィードフォワードニューラルネットワーク
  • 5.2 3層構造のフィードフォワードニューラルネットワーク
  • 5.3 重みの推定方法?誤差逆伝播法?
  • 5.4 Rによるニューラルネットワークの推定
  • 5.5 ディープラーニングへの入口
  • 付録:神経細胞(ニューロン)とニューラルネットワーク

第6章 【実践編】説明変量の追加と予測精度の評価

  • 6.1 説明変量を増やす
    • 6.1.1 分類問題の再設定
    • 6.1.2 各分類法の適用
  • 6.2 予測精度の評価
    • 6.2.1 インサンプルとアウトサンプル
    • 6.2.2 データの意味を考えた予測の評価法
  • 6.3 まとめ
  • 参考文献
  • 索引

著者プロフィール

横内大介(よこうちだいすけ)

一橋大学大学院国際企業戦略研究科准教授,博士(工学)(慶應義塾大学)。1975年生まれ。
慶應義塾大学理工学部数理科学科卒業,慶應義塾大学大学院基礎理工学専攻数理科学専修修了,慶應義塾大学理工学部数理科学科助手を経て,現在に至る。データサイエンス,計量ファイナンス,統計的機械学習に関連する講義やゼミを担当。複数の民間企業の技術顧問に就任し,データ分析やAI開発の監修も行っている。本書では主に企画,原案の作成を担当。


青木義充(あおきよしみつ)

一橋大学大学院国際企業戦略研究科非常勤講師,博士(学術)(総合研究大学院大学)。1974年生まれ。
慶應義塾大学理工学部数理科学科卒業,慶應義塾大学大学院後期博士課程基礎理工学専攻単位取得済退学,一橋大学大学院国際企業戦略研究科助手を経たのち,総合研究大学院大学複合科学研究科統計科学専攻修了し,現在に至る。統計に必要な線形代数,微分積分,確率論などの基礎に加えて時系列データ分析,ベイズ統計学の講義を受け持つ。本書では主に執筆を担当。