ブック・インサイド―『Python機械学習プログラミング』学び方ガイド

Python機械学習プログラミング
達人データサイエンティストによる理論と実践

機械学習をPythonで実装できる！

本書の構成

本書の章立ては以下のようになっています。

• 第1章 「データから学習する能力」をコンピュータに与える
• 第2章 分類問題 -- 機械学習アルゴリズムのトレーニング
• 第3章 分類問題 -- 機械学習ライブラリscikit-learnの活用
• 第4章 データ前処理 -- よりよいトレーニングセットの構築
• 第5章 次元削減でデータを圧縮する
• 第6章 モデル評価とハイパーパラメータのチューニングのベストプラクティス
• 第7章 アンサンブル学習 -- 異なるモデルの組み合わせ
• 第8章 機械学習の適用1 -- 感情分析
• 第9章 機械学習の適用2 -- Webアプリケーション
• 第10章 回帰分析 -- 連続値をとる目的変数の予測
• 第11章 クラスタ分析 -- ラベルなしデータの分析
• 第12章 ニューラルネットワーク -- 画像認識トレーニング
• 第13章 ニューラルネットワーク -- 数値計算ライブラリTheanoによるトレーニングの並列化

第1章は導入にあたり、前半では機械学習が「教師あり学習」「教師なし学習」「強化学習」の3種類に大別されること、そしてそれぞれの概要が説明されています。本書では、「教師あり学習」と「教師なし学習」について扱われます。また、本章の後半では使用する数学的な記法、PythonやAnacondaの導入等について説明されています。

2章以降の章をカテゴライズしてそれぞれの章の依存関係を図1に示します。

図1：本書の各章の関係

図1では、本書の内容を以下の4つの観点でカテゴライズしています。なお、5章については、機械学習のパイプラインと教師なし学習のアルゴリズムの双方に分類しています。

1. 機械学習のパイプライン(4章、5章、6章、および「2. 教師なし学習のアルゴリズム」の該当章)
2. 教師あり学習のアルゴリズム(2章、3章、7章、10章、12章、13章)
3. 教師なし学習のアルゴリズム(5章、11章)
4. 機械学習の応用(8章、9章)

以上では、機械学習のアルゴリズムを「教師あり学習」と「教師なし学習」で分類しました。本書では、「教師あり学習」として「分類」と「回帰」の2つのタスク、「教師なし学習」として「次元削減」と「クラスタリング」の2つのタスクを扱っています。

1. 機械学習のパイプラインに該当する章では、分類や回帰により教師あり学習のモデルを構築し評価するときに必要な処理を説明しています。これは、実務で機械学習を適用する際に必要となる実践的な内容です。4章ではデータの前処理、5章では次元削減、6章ではハイパーパラメータのチューニングや予測の評価等について説明されています。これらの章は順番に読んでいくとよいでしょう。また、機械学習のパイプラインで現れる「学習アルゴリズム」を知るには、「2. 教師あり学習のアルゴリズム」の該当する章を参照する必要があります。なお、5章の次元削減で扱われる主成分分析や判別分析の式の詳細な導出を知りたい場合は、以下の書籍等を参照されることをお勧めします。