内容説明
本書は、機械学習コンセプト全般をカバーし、理論的背景とPythonコーディングの実際を解説しています。初歩的な線形回帰から始め、ディープラーニング(CNN/RNN)、敵対的生成ネットワーク(GAN)、強化学習などを取り上げ、scikit‐learnやTensorFlowなどPythonライブラリの新版を使ってプログラミング。第3版では13~16章の内容をほとんど刷新したほか、敵対的生成ネットワークと強化学習の章を新たに追加。機械学習プログラミングの本格的な理解と実践に向けて大きく飛躍できる一冊です。
目次
「データから学習する能力」をコンピュータに与える
分類問題―単純な機械学習アルゴリズムの訓練
分類問題―機械学習ライブラリscikit‐learnの活用
データ前処理―よりよい訓練データセットの構築
次元削減でデータを圧縮する
モデルの評価とハイパーパラメータのチューニングのベストプラクティス
アンサンブル学習―異なるモデルの組み合わせ
機械学習の適用1―感情分析
機械学習の適用2―Webアプリケーション
回帰分析―連続値をとる目的変数の予測
クラスタ分析―ラベルなしデータの分析
多層人工ニューラルネットワークを一から実装
ニューラルネットワークの訓練をTensorFlowで並列化する
TensorFlowのメカニズム
画像の分類―ディープ畳み込みニューラルネットワーク
系列データのモデル化―リカレントニューラルネットワーク
新しいデータの合成―敵対的生成ネットワーク
複雑な環境での意思決定―強化学習
著者等紹介
ラシュカ,セバスチャン[ラシュカ,セバスチャン] [Raschka,Sebastian]
ミシガン州立大学博士課程で計算生物学と機械学習の複合領域において博士号を取得。現在、ウィスコンシン州立大学マディソン校の統計学助教授で、機械学習と深層学習の研究に焦点を当てている。Pythonコーディングの経験が長く、データサイエンス、機械学習、ディープラーニングの実践について多数のセミナーの講師も務めている
ミルジャリリ,ヴァヒド[ミルジャリリ,ヴァヒド] [Mirjalili,Vahid]
ミシガン州立大学にて分子構造の大規模計算シミュレーションの新しい手法を開発したことにより機械工学の博士号を取得。ミシガン州立大学のiPRoBeラボに参加し、コンピュータービジョンとバイオメトリクスドメインに機械学習を適用。その後、3Mにリサーチサイエンティストとして入社
福島真太朗[フクシマシンタロウ]
現在、企業で機械学習、データマイニングの研究開発、技術開発の業務に従事。東京大学理学部物理学科卒業。東京大学大学院新領域創成科学研究科複雑理工学専攻修士課程修了。東京大学大学院情報理工学系研究科数理情報学専攻博士課程修了。博士(情報理工学)。専攻は機械学習・データマイニング・非線形力学系(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)
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。