内容紹介

（概要）

機械学習を基礎から理論的に学びたい、そんなITエンジニアに向けて執筆された本です。初版から約5年が経過し、全面カラー化して「改訂新版」としました。Pythonのコーディング環境もGoogle Colaboratoryに刷新、これまで5回にわたる重版で修正した内容に加え、最新の書き下ろし修正でアップデートしました。初版から内容は古びておらず、逆に、機械学習を学ぶうえで重要な理論がほぼカバーされていますので、まさに入門の定番書になりました。カラー化によりグラフも見やすくなり、理解が進むのもお勧めするポイントです。

（こんな方におすすめ）

・機械学習について興味があるITエンジニア、大学生、専門学校生、高専生など

（目次）

第1章　データサイエンスと機械学習

1.1 ビジネスにおけるデータサイエンスの役割

1.2 機械学習アルゴリズムの分類

1.3 本書で使用する例題

1.4 サンプルコード実行環境の準備

第2章　最小二乗法：機械学習理論の第一歩

2.1 多項式近似と最小二乗法による推定

2.2 オーバーフィッティングの検出

2.3 付録 ー ヘッセ行列の性質

第3章　最尤推定法：確率を用いた推定理論

3.1 確率モデルの利用

3.2 単純化した例による解説

3.3 付録 ー 標本平均／標本分散の一致性と不偏性

第4章　パーセプトロン：分類アルゴリズムの基礎

4.1 確率的勾配降下法のアルゴリズム

4.2 パーセプトロンの幾何学的な解釈

第5章　ロジスティック回帰とROC 曲線：分類アルゴリズムの評価方法

5.1 分類問題への最尤推定法の応用

5.2 ROC 曲線による分類アルゴリズムの評価

5.3 付録 ー IRLS法の導出

第6章　k平均法：教師なし学習モデルの基礎

6.1 k平均法によるクラスタリングと応用例

6.2 怠惰学習モデルとしてのk近傍法

第7章　EMアルゴリズム：最尤推定法による教師なし学習

7.1 ベルヌーイ分布を用いた最尤推定法

7.2 混合分布を用いた最尤推定法

第8章　ベイズ推定：データを元に「確信」を高める手法

8.1 ベイズ推定モデルとベイズの定理

8.2 ベイズ推定の回帰分析への応用