見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑(ミテタメシテワカルキカイガクシュウアルゴリズムノシクミ キカイガクシュウズカン)

機械学習アルゴリズムの違いが見てわかる!

「機械学習アルゴリズムは種類が多く、複雑で何をしているのかわかりにくい」と思ったこと、ありませんか?本書は、そのような機械学習アルゴリズムをオールカラーの図を用いて解説した機械学習の入門書です。
いままで複雑でわかりにくかった機械学習アルゴリズムを図解し、わかりやすく解説しています。アルゴリズムごとに項目を立てているので、どのアルゴリズムがどのような仕組みで動いているのか比較をしやすくしています。
これから機械学習を勉強する方だけでなく、実際に機械学習を業務で使用している方にも新しい気付きを得られるのでお勧めの 1 冊です。

【本書の特徴】
・複雑な機械学習アルゴリズムの仕組みを 1 冊で学べる
・オールカラーの図をたくさん掲載
・各アルゴリズム毎に Scikit-Learn を使用したコードを記載しているので、見るだけでなく試すこともできる
・仕組みだけでなく、実際の使い方や注意点もわかる

【本書で紹介するアルゴリズム】
01 線形回帰
02 正則化
03 ロジスティック回帰
04 サポートベクトルマシン
05 サポートベクトルマシン (カーネル法)
06 ナイーブベイズ
07 ランダムフォレスト
08 ニューラルネットワーク
09 kNN
10 PCA
11 LSA
12 NMF
13 LDA
14 k-means
15 混合ガウス
16 LLE
17 t-SNE

第 1 章 機械学習の基礎
1.1 機械学習の概要
1.2 機械学習に必要なステップ

第 2 章 教師あり学習
01 線形回帰
02 正則化
03 ロジスティック回帰
04 サポートベクトルマシン
05 サポートベクトルマシン (カーネル法)
06 ナイーブベイズ
07 ランダムフォレスト
08 ニューラルネットワーク
09 kNN

第 3 章 教師なし学習
10 PCA
11 LSA
12 NMF
13 LDA
14 k-means 法
15 混合ガウス分布
16 LLE
17 t-SNE

第 4 章 評価方法および各種データの扱い
4.1 評価方法
4.2 文書データの変換処理
4.3 画像データの変換処理

第 5 章 環境構築
5.1 Python3 のインストール
5.2 仮想環境
5.3 パッケージインストール

機械学習の教科書を開くと 数式の壁 にぶつかり、コード中心の本を読むとアルゴリズムがブラックボックスのまま残る。『機械学習図鑑 見て試してわかる機械学習アルゴリズムの仕組み』は、その中間を図の力で埋める入門書です。秋庭伸也氏・杉山阿聖氏・寺田学氏の著、加藤公一氏の監修で、翔泳社から 2019 年 4 月 17 日に発売されました。 B5 変型判で図はすべてフルカラー。機械学習を専門としない人が理解しやすいように、なるべく少ない数式で図を中心に解説する方針が版元から明言されています。

収録 17 アルゴリズム: 図鑑形式で比較する

収録するアルゴリズムは 17 項目です。線形回帰、正則化、ロジスティック回帰から、サポートベクトルマシン (カーネル法も独立の項目) 、ナイーブベイズ、ランダムフォレスト、ニューラルネットワーク、 kNN と教師あり学習の主要どころを押さえ、後半は PCA 、 LSA 、 NMF 、 LDA 、 k-means 、混合ガウス、 LLE 、 t-SNE と教師なし学習の手法群が並びます。アルゴリズムごとに独立した項目を立てる図鑑形式なので、手法同士を見比べて「どういう仕組みの違いがあるのか」を比較しやすいのが構成上の持ち味です。終盤には評価方法と文書・画像データの変換処理を扱う章、 Python 3 の環境構築の章が置かれ、各アルゴリズムには scikit-learn を使ったコードが付くため、図で掴んだ仕組みをその場で動かして確かめられます。

効き目: 手法を選ぶ判断力の源になる図

この本の設計は、機械学習の学び方の急所を突いています。手法の名前と scikit-learn の呼び出し方だけ覚えても、データや課題が変わったときにどの手法へ切り替えるべきかは判断できません。その判断力の源は「各アルゴリズムがデータをどう見て、どう境界や構造を作るのか」という幾何学的なイメージで、これは数式の行間からは掴みにくく、良い図が一枚あるだけで腑に落ちる 種類の理解です。教師なし学習の次元削減やクラスタリングまで図解でカバーしている入門書は貴重で、版元が業務で機械学習を使っている人にも新しい気付きがあると勧めるのは、この「イメージの棚卸し」効果を指しています。

守備範囲外のことと 2019 年刊の注意

一方で、図鑑という性格上、一つの手法を深く使いこなすための理論展開やパラメータ調整の各論は守備範囲外です。ニューラルネットワークも 17 項目の 1 つとして扱われるため、深層学習の各論 を求めるなら専門書へ進む必要があります。また 2019 年刊のため scikit-learn の API 詳細は変わり得ますが、本書の中心である仕組みの図解は手法そのものが変わらない限り古びません。版元公式ページに正誤表が公開されている点も、学習書として安心材料です。

向いている読者: 最初の一冊と手元の地図

数学に苦手意識があって機械学習の 最初の一冊を探している人、資格や講義で名前だけ知った手法のイメージを固めたい人、そして業務でモデルを選ぶ立場になったエンジニアの手元の地図として、本書は長く使えます。全体像を図で頭に入れてから専門書へ降りる二段構えの、最初の一段に据える価値のある一冊です。