Python でプログラミングして理解する 機械学習アルゴリズム(パイソンデプログラミングシテリカイスルキカイガクシュウアルゴリズム)

「機械学習」を Python でプログラミングし、アルゴリズムの動きを理解しよう!

機械学習のプログラムは様々なライブラリ・モジュールを使うことで簡単に試すことができる。その反面、単にモジュールを使用するだけでは機械学習の中のアルゴリズムがブラックボックス化してしまい、計算結果の意味を正しく捉えることも難しくなってくる。
本書ではまず「機械学習」のアルゴリズムを解説し、機械学習の動きを Python で実際にプログラミングすることで、アルゴリズムの流れが理解できるよう構成している。まずは黎明期からの機械学習アルゴリズムを理解し、それを実装することが目標となる。
さらに Python 用の機械学習モジュールの使用法も解説し、これらを使用したプログラムの作成も行う。機械学習を使いこなすためのイントロダクションとなる 1 冊。
1 章 データに基づいた解析・機械学習とは
2 章 データの標準化・主成分分析
3 章 線形回帰
4 章 過剰適合
5 章 最尤推定法
6 章 カーネル法
7 章 線形判別
8 章 サポートベクターマシン
9 章 パーセプトロンとロジスティック回帰
10 章 多層ニューラルネットワーク
11 章 深層学習
12 章 畳み込みニューラルネットワーク
A Google Colaboratory
B Python 入門

scikit-learn の関数を呼べば予測は出る。しかし、その裏で何が計算されているのかを説明できるかと問われると言葉に詰まる。本書はこのギャップを埋めるために、主要な機械学習アルゴリズムを Python で一から実装しながら原理を理解していく構成です。著者の神野健哉氏は大学での講義経験を下敷きに、数式の導出とコードへの落とし込みを丁寧に並走させています。

取り上げるアルゴリズムは線形回帰、ロジスティック回帰、決定木、 SVM 、 k-means など古典的かつ実用的なものが中心です。各章で数式を確認した直後にその数式を Python コードとして書き下す流れが繰り返されるため、「数式は読めるがコードにできない」あるいは「コードは書けるが数式と結びつかない」という片方だけで止まっている状態を打破しやすくなっています。線形代数と微分の基礎知識がある大学学部後半から大学院初年度の水準が想定されます。

ディープラーニングや大規模データの処理には踏み込まないため、実務でそのまま使える実装を得る本ではありません。位置づけとしては、ライブラリのブラックボックスを開けて中身を確認する作業に近く、この経験があるとハイパーパラメータの意味や過学習の挙動が勘ではなく理屈で追えるようになります。