book

Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎

by Andreas C. Muller, Sarah Guido, 中田秀基

May 2017

Intermediate to advanced

392 pages

6h 14m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

対象読者本を書いた理由本書の構成オンラインの資料表記法コードサンプルの使い方意見と連絡先謝辞AndreasよりSarahより
1.1　なぜ機械学習なのか？1.1.1　機械学習で解決可能な問題1.1.2　タスクを知り、データを知る1.2　なぜPythonなのか？1.3　scikit-learn1.3.1　scikit-learnのインストール1.4　必要なライブラリとツール1.4.1　Jupyter Notebook1.4.2　NumPy1.4.3　SciPy1.4.4　matplotlib1.4.5　pandas1.4.6　mglearn1.5　Python 2 vs. Python 31.6　本書で用いているバージョン1.7　最初のアプリケーション：アイリスのクラス分類1.7.1　データを読む1.7.2　成功度合いの測定：訓練データとテストデータ1.7.3　最初にすべきこと：データをよく観察する1.7.4　最初のモデル：k-最近傍法1.7.5　予測を行う1.7.6　モデルの評価1.8　まとめと今後の展望
2.1　クラス分類と回帰2.2　汎化、過剰適合、適合不足2.2.1　モデルの複雑さとデータセットの大きさ2.3　教師あり機械学習アルゴリズム2.3.1　サンプルデータセット2.3.2　k-最近傍法2.3.3　線形モデル2.3.4　ナイーブベイズクラス分類器2.3.5　決定木2.3.6　決定木のアンサンブル法2.3.7　カーネル法を用いたサポートベクタマシン2.3.8　ニューラルネットワーク（ディープラーニング）2.4　クラス分類器の不確実性推定2.4.1　決定関数（Decision Function）2.4.2　確率の予測2.4.3　多クラス分類の不確実性2.5　まとめと展望
3.1　教師なし学習の種類3.2　教師なし学習の難しさ3.3　前処理とスケール変換3.3.1　さまざまな前処理3.3.2　データ変換の適用3.3.3　訓練データとテストデータを同じように変換する3.3.4　教師あり学習における前処理の効果3.4　次元削減、特徴量抽出、マニフォールド学習3.4.1　主成分分析（PCA）3.4.2　非負値行列因子分解（NMF）3.4.3　t-SNEを用いた多様体学習3.5　クラスタリング3.5.1　k-Means Clustering3.5.2　凝集型クラスタリング3.5.3　DBSCAN3.5.4　クラスタリングアルゴリズムの比較と評価3.5.5　クラスタリング手法のまとめ3.6　まとめと展望
4.1　カテゴリ変数4.1.1　ワンホットエンコーディング（ダミー変数）4.1.2　数値でエンコードされているカテゴリ4.2　ビニング、離散化、線形モデル、決定木4.3　交互作用と多項式4.4　単変量非線形変換4.5　自動特徴量選択4.5.1　単変量統計4.5.2　モデルベース特徴量選択4.5.3　反復特徴量選択4.6　専門家知識の利用4.7　まとめと展望
5.1　交差検証5.1.1　scikit-learnでの交差検証5.1.2　交差検証の利点5.1.3　層化k分割交差検証と他の戦略5.2　グリッドサーチ5.2.1　単純なグリッドサーチ5.2.2　パラメータの過剰適合の危険性と検証セット5.2.3　交差検証を用いたグリッドサーチ5.3　評価基準とスコア5.3.1　最終的な目標を見失わないこと5.3.2　2クラス分類における基準5.3.3　多クラス分類の基準5.3.4　回帰の基準5.3.5　評価基準を用いたモデル選択5.4　まとめと展望
6.1　前処理を行う際のパラメータ選択6.2　パイプラインの構築6.3　パイプラインを用いたグリッドサーチ6.4　汎用パイプラインインターフェイス6.4.1　make_pipelineによる簡便なパイプライン生成6.4.2　ステップ属性へのアクセス6.4.3　GridSearchCV内のパイプラインの属性へのアクセス6.5　前処理ステップとモデルパラメータに対するグリッドサーチ6.6　グリッドサーチによるモデルの選択6.7　まとめと展望

7.1　文字列として表現されているデータのタイプ7.2　例題アプリケーション：映画レビューのセンチメント解析7.3　Bag of Wordsによるテキスト表現7.3.1　トイデータセットに対するBoW7.3.2　映画レビューのBoW7.4　ストップワード7.5　tf–idfを用いたデータのスケール変換7.6　モデル係数の調査7.7　1単語よりも大きい単位のBag-of−Words (n-グラム)7.8　より進んだトークン分割、語幹処理、見出し語化7.9　トピックモデリングと文書クラスタリング7.9.1　LDA（Latent Dirichlet Allocation）7.10　まとめと展望
8.1　機械学習問題へのアプローチ8.1.1　人間をループに組み込む8.2　プロトタイプから運用システムへ8.3　運用システムのテスト8.4　独自Estimatorの構築8.5　ここからどこへ行くのか8.5.1　理論8.5.2　他の機械学習フレームワークとパッケージ8.5.3　ランキング、推薦システム、その他の学習8.5.4　確率モデル、推論、確率プログラミング8.5.5　ニューラルネットワーク8.5.6　大規模データセットへのスケール8.5.7　名誉を得る8.6　結論