書籍概要

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～

著者
発売日
更新日

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

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

サポート

ダウンロード

本書で使用する演習用のRDATAファイルがダウンロードできます。
圧縮ファイルをダウンロードしていただき，適宜解凍してご利用ください。
ダウンロードデータの詳細はP.10「1.2　Rを用いた実習」をご参照ください。
また，P.105「4.2　ロジスティック回帰モデルの当てはめ」で定義する関数sigmoid をあらかじめ同梱しています。

ダウンロード
Samples.zip

正誤表

本書の以下の部分に誤りがありました。ここに訂正するとともに，ご迷惑をおかけしたことを深くお詫び申し上げます。

（2018年12月27日最終更新）

P.118 一番下の行　「定数項」

誤

誤

正

正

P.119　図5.2の下にある式

誤

誤

正

正

商品一覧