わけがわかる機械学習 ── 現実の問題を解くために、しくみを理解する [単行本]

わけがわかる機械学習 ── 現実の問題を解くために、しくみを理解する の 商品概要

• 要旨（「BOOK」データベースより）

  機械学習は何を学習しているのか？確率／ベイズ確率は何を表しているのか？回帰／分類モデルはなぜこんな形をしているのか？良いモデルはどう選べばよいのか？モデルの「なぜ」を知れば機械学習がもっと役に立つ。

• 目次

  第0章：はじめに
  0.1：本書の対象読者と構成
  0.2：謝辞
  
  第1章：機械学習ことはじめ
  1.1：機械学習とは
  1.2：モデルとは
  1.3：深層学習とは
  1.4：人工知能とは
  
  第2章：確率
  2.1：「起きやすさ」を数値で表す方法
  2.2：確率
  2.3：確率変数と確率分布
  2.4：同時確率と条件付き確率
  2.5：確率の周辺化と積の公式
  2.6：3個以上の確率変数
  2.7：確率の独立性
  2.8：ベイズ公式
  
  第3章：連続確率と正規分布
  3.1：連続確率
  3.2：確率密度関数
  3.3：複数変数の連続確率
  3.4：確率の平均と分散
  3.5：二項分布
  3.6：正規分布
  3.7：中心極限定理
  3.8：多次元正規分布
  
  第4章：線形回帰
  4.1：最小二乗法
  4.2：最小二乗法の4つの仮定
  4.3：線形回帰
  4.4：線形回帰の解き方
  4.5：過学習と不良設定問題
  4.6：正則化
  4.7：正則化項あり線形回帰の解き方
  4.8：ガウス基底を使った線形回帰
  
  第5章：ベイズ確率
  5.1：確率の確率
  5.2：ベイズ確率
  5.3：ベイズ事前分布
  
  第6章：ベイズ線形回帰
  6.1：ノイズの分布
  6.2：最尤推定
  6.3：ベイズ線形回帰
  6.4：ベイズ予測分布
  
  第7章：分類問題
  7.1：ナイーブベイズ分類器
  7.2：パーセプトロン
  7.3：2種類のエラー
  7.4：ロジスティック回帰
  7.5：多値ロジスティック回帰
  
  第8章：最適化
  8.1：勾配法
  8.2：勾配法の性質
  8.3：確率的勾配降下法
  8.4：ロジスティック回帰の学習
  
  第9章：モデル選択
  9.1：モデルの汎化性能
  9.2：交差検証
  9.3：モデル選択と正則化
  
  第10章：おわりに
  10.1：機械学習を使わないという選択肢
  
  付録A：本書で用いる数学
  A.1：線形代数
  A.2：解析

• 内容紹介

  機械学習が話題に上ることも増えてきましたが、実際には手っ取り早くできるものではなく、ライブラリを使うだけではやりたいことをうまく実現できません。もとになる考えかたや基礎的なモデルを知っていなければ、パラメータの意味がわからなかったり、目の前の問題に対してまったく向いていないモデルを使ってしまうからです。こういった状況に対し本書では、機械学習の理論を知ることで、機械学習を実際に活用していくための基礎をきっちりと固めることを目的とします。

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  中谷 秀洋(ナカタニ シュウヨウ)
  サイボウズ・ラボ（株）所属。子供のころからプログラムと小説を書き、現在は機械学習や自然言語処理、ＶＲを中心とした研究開発に携わる

• 著者について

  中谷秀洋 (ナカタニシュウヨウ)
  サイボウズ・ラボ（株）所属。子供のころからプログラムと小説を書き、現在は機械学習や自然言語処理、VRを中心とした研究開発に携わる。著書に『［プログラミング体感まんが］ぺたスクリプト ── もしもプログラミングできるシールがあったなら』（技術評論社）がある。

わけがわかる機械学習 ── 現実の問題を解くために、しくみを理解する の商品スペック