Kaggle に挑む深層学習プログラミングの極意(カグルニイドムシンソウガクシュウプログラミングノゴクイ)

★最強最短の近道は、これだ!★

・画像・自然言語処理の機械学習コンテストに取り組みながら、深層学習の具体的な知識をいち早く身につけよう!
・レジェンドたちの豊富な経験に基づくスキルアップのノウハウも満載!

【主な内容】
第 1 章 機械学習コンテストの基礎知識
1.1 機械学習コンテストのおおまかな流れ
1.2 機械学習コンテストの歴史
1.3 機械学習コンテストの例
1.4 計算資源

第 2 章 探索的データ分析とモデルの作成・検証・性能向上
2.1 探索的データ分析
2.2 モデルの作成
2.3 モデルの検証
2.4 性能の向上

第 3 章 画像分類入門
3.1 畳み込みニューラルネットワークの基礎
3.2 コンテスト「 Dogs vs. Cats Redux 」の紹介
3.3 最初の学習:CNN アーキテクチャ
3.4 最初の学習:データセットの準備と学習ループ
3.5 最適化アルゴリズムと学習率スケジューリング
3.6 データ拡張
3.7 アンサンブル
3.8 さらにスコアを伸ばすために

第 4 章 画像検索入門
4.1 画像検索タスク
4.2 学習済みモデルを使ったベースライン手法
4.3 ベースラインを実装する
4.4 距離学習を学ぶ
4.5 画像マッチングによる検証
4.6 クエリ拡張を学ぶ
4.7 Kaggle コンテストでの実践

第 5 章 テキスト分類入門
5.1 Quora Question Pairs
5.2 特徴量ベースのモデル
5.3 ニューラルネットワークベースのモデル
第 1 章 機械学習コンテストの基礎知識
1.1 機械学習コンテストのおおまかな流れ
1.2 機械学習コンテストの歴史
1.3 機械学習コンテストの例
1.4 計算資源

第 2 章 探索的データ分析とモデルの作成・検証・性能向上
2.1 探索的データ分析
2.2 モデルの作成
2.3 モデルの検証
2.4 性能の向上

第 3 章 画像分類入門
3.1 畳み込みニューラルネットワークの基礎
3.2 コンテスト「 Dogs vs. Cats Redux 」の紹介
3.3 最初の学習:CNN アーキテクチャ
3.4 最初の学習:データの準備と学習ループ
3.5 最適化アルゴリズムと学習率スケジューリング
3.6 データ拡張
3.7 アンサンブル
3.8 さらにスコアを伸ばすために

第 4 章 画像検索入門
4.1 画像検索タスク
4.2 学習済みモデルを使ったベースライン手法
4.3 ベースラインを実装する
4.4 距離学習を学ぶ
4.5 画像マッチングによる検証
4.6 クエリ拡張を学ぶ
4.7 Kaggle コンテストでの実践

第 5 章 テキスト分類入門
5.1 Quora Question Pairs
5.2 特徴量ベースのモデル
5.3 ニューラルネットワークベースのモデル

Kaggle に参加してみたものの、ベースラインから先のスコア改善が伸び悩む。読者がその壁を越えるために必要な「コンペ固有のノウハウ」を体系化した実践書です。画像分類・物体検出・自然言語処理・テーブルデータなど複数のタスク領域を横断し、前処理・拡張・アンサンブル・ハイパーパラメータ探索といったテクニックを、著者陣が Kaggle で実際に用いた手法として解説します。

著者はいずれも Kaggle で上位入賞実績を持つ競技者であり、教科書的な理論の説明よりも「何をどう変えるとスコアが動くか」という実験者の視点で書かれている点が特徴です。そのため、深層学習の基礎 (損失関数、勾配降下法、 CNN/RNN の構造) は既知の前提で進みます。基礎固めが済んでいないうちに読むと消化不良になりやすいため、入門書とは明確に役割が異なります。

Kaggle に限らず、業務で深層学習モデルの精度を追い込む場面でも通用する実験設計の考え方が身につきます。「理論は分かったが、精度の出し方がわからない」というフェーズにいる人が、次のステップとして手に取る本です。