試験公開中

このエントリーをはてなブックマークに追加

機械学習

近代科学社

8,800円 4,400円 (4,000円+税) 《特価》

原著は中国の数多くの大学や高専で使われている機械学習の標準教科書にして、2016年の刊行以来2020年11月までの発行数が54万部を超えるベストセラー書籍。本書は大まかに基礎,具体的手法、先進的理論からなり、少ない数学的知識で読めて各章が短いという教科書的配慮がなされている。

【注意】本書のEPUB版は固定レイアウト型になっております。文字の大きさの変更や検索、引用などはお使いいただけません。画面の大きい端末でご利用ください。

関連サイト

本書の関連ページが用意されています。

内容紹介

原著は中国の数多くの大学や高専で使われている機械学習の標準教科書にして、2016年の刊行以来2020年11月までの発行数が54万部を超えるベストセラー書籍。

本書は大まかに基礎,具体的手法、先進的理論からなり、少ない数学的知識で読めて各章が短いという教科書的配慮がなされている。「スイカを切らずにその良し悪しを機械学習でどう判断するか?」が本書の骨子になっており、書影に描かれたスイカは本書のトレードマークとなっている。

中国はいかにして機械学習の分野をリードするに至ったか、そのエッセンスを紐解く一冊。

書誌情報

  • 著者: 周 志華(著), 大和田 勇人, 玄 光男, 下川 朝有, 郝 新厂, 張 聞強
  • 発行日: (紙書籍版発行日: 2022-10-22)
  • 最終更新日: 2022-10-22
  • バージョン: 1.0.0
  • ページ数: 454ページ(PDF版換算)
  • 対応フォーマット: PDF, EPUB
  • 出版社: 近代科学社

対象読者

AI,機械学習,ディープラーニング,回帰分析,決定木,ニューラルネットワーク,サポートベクターマシン,ベイズ分類器,アンサンブル学習,クラスタリング,次元削減,距離学習,特徴選択,スパースモデリング,半教師あり学習,確率的グラフィカルモデル,規則学習,強化学習に興味がある人

著者について

周 志華

大和田 勇人

1983年 東京理科大学理工学部 経営工学科 卒業
1988年 東京理科大学大学院博士課程 理工学研究科経営工学専攻 修了 工学博士
1988−現在 東京理科大学理工学部経営工学科 助手、講師、助教授、教授
専門分野 人工知能、機械学習、帰納論理プログラミング

玄 光男

1969−1974年 工学院大学電子工学科 卒業、 同大院博士課程 電気工学専攻 修了 工学博士(1975)
2006 年 京都大学大学院博士後期課程 情報学研究科 博士(情報学)
1975−2003年 足利工業大学経営システム工学科 講師、助教授、教授
1999.8−2000.3 University of California、Berkeley、大学院IEOR Seminar 298-4 担当 客員教授
2003−2010年 早稲田大学大学院情報生産システム研究科 教授
2004−現在 一般財団法人 ファジィシステム研究所 評議員(2004−2010)、客員研究員(2010−2011)、特別研究員(2011−現在)
2010−2014 年 韓国:UNIST 大学院、漢陽大学大学院、台湾:国立清華大学大学院 客員教授
2014−現在 東京理科大学 特命教授(2014−2015)、客員教授
専門分野 進化計算、強化学習、生産物流スケジューリング

下川 朝有

2010年 東京理科大学理学部 第二部数学科 卒業
2015年 東京理科大学大学院博士後期課程 理学研究科数学専攻 修了 博士(理学)
2015−現在 東京理科大学理学部 第二部数学科 助教、講師
2018.4−2018.8 Columbia University, 統計学科 訪問研究員
専門分野 生存時間解析、アンサンブル学習、木構造モデル

郝 新厂

1999年 鄭州大学コンピュータ科学科 卒業
2016年 早稲田大学大学院博士後期課程 情報生産システム研究科 修了 博士(工学)
2007−2008 年 株式会社NTT データ システムエンジニア
2018−現在 常州工学院アート・デザイン科学部 デジタルメディア芸術学科 助教授
専門分野 企業プロセス最適化、デジタルツイン、進化計算

張 聞強

1999年 鄭州大学コンピュータ科学科 卒業
2011年 早稲田大学大学院博士後期課程 情報生産システム研究科 修了 博士(工学)
2004−2006 年 株式会社JANA ソリューション システムエンジニア
2012−現在 河南工業大学情報科学・工程学院 ユビキタスネットワーク工学科 副教授
専門分野 進化計算、強化学習、生産スケジューリング

目次

第1章 緒論

  • 1.1 まえがき
  • 1.2 基本用語
  • 1.3 仮説空間
  • 1.4 帰納バイアス
  • 1.5 開発の過程
  • 1.6 応用の状況
  • 1.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第2章 モデルの選択と評価

  • 2.1 経験誤差と過学習
  • 2.2 評価方法
  • 2.3 評価指標
  • 2.4 比較検定
  • 2.5 バイアスと分散
  • 2.6 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第3章 線形モデル

  • 3.1 基本形式
  • 3.2 線形回帰
  • 3.3 ロジスティック回帰
  • 3.4 線形判別分析
  • 3.5 多クラス分類学習
  • 3.6 クラス不均衡問題
  • 3.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第4章 決定木

  • 4.1 処理の流れ
  • 4.2 分割選択
  • 4.3 枝刈り方法
  • 4.4 連続値および欠損値
  • 4.5 多変量決定木
  • 4.6 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第5章 ニューラルネットワーク

  • 5.1 ニューロンモデル
  • 5.2 パーセプトロンと多層ネットワーク
  • 5.3 誤差逆伝播法
  • 5.4 大域的最小値と局所的最小値
  • 5.5 その他の一般的なニューラルネットワーク
  • 5.6 ディープラーニング
  • 5.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第6章 サポートベクターマシン

  • 6.1 マージンとサポートベクターマシン
  • 6.2 双対問題
  • 6.3 カーネル関数
  • 6.4 ソフトマージンと正則化
  • 6.5 サポートベクター回帰
  • 6.6 カーネル法
  • 6.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第7章 ベイズ分類器

  • 7.1 ベイズ決定理論
  • 7.2 最尤推定
  • 7.3 単純ベイズ分類器
  • 7.4 半単純ベイズ分類器
  • 7.5 ベイジアンネットワーク
  • 7.6 EM アルゴリズム
  • 7.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第8章 アンサンブル学習

  • 8.1 個別学習とアンサンブル学習
  • 8.2 ブースティング
  • 8.3 バギングとランダムフォレスト
  • 8.4 結合法
  • 8.5 多様性
  • 8.6 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第9章 クラスタリング

  • 9.1 クラスタリング問題
  • 9.2 性能尺度
  • 9.3 距離計算
  • 9.4 プロトタイプクラスタリング
  • 9.5 密度クラスタリング
  • 9.6 階層的クラスタリング
  • 9.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第10章 次元削減と距離学習

  • 10.1 k 近傍法
  • 10.2 低次元埋め込み
  • 10.3 主成分分析
  • 10.4 カーネル主成分分析
  • 10.5 多様体学習
  • 10.6 距離学習
  • 10.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第11章 特徴選択とスパースモデリング

  • 11.1 特徴サブセットの選択と評価
  • 11.2 フィルター法
  • 11.3 ラッパー法
  • 11.4 埋め込み法とL1 正則化
  • 11.5 スパース表現と辞書学習
  • 11.6 圧縮センシング
  • 11.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第12章 計算論的学習理論

  • 12.1 基本知識
  • 12.2 PAC 学習
  • 12.3 有限仮説空間
  • 12.4 VC 次元
  • 12.5 Rademacher 複雑さ
  • 12.6 安定性
  • 12.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第13章 半教師あり学習

  • 13.1 ラベルなしサンプル
  • 13.2 生成法
  • 13.3 半教師ありSVM
  • 13.4 グラフに基づく半教師あり学習
  • 13.5 相違に基づく方法
  • 13.6 半教師ありクラスタリング
  • 13.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第14章 確率的グラフィカルモデル

  • 14.1 隠れマルコフモデル
  • 14.2 マルコフ確率場
  • 14.3 条件付き確率場
  • 14.4 学習と推論
  • 14.5 近似推論
  • 14.6 トピックモデル
  • 14.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第15章 ルール学習

  • 15.1 基本概念
  • 15.2 逐次カバーリング
  • 15.3 枝刈り最適化
  • 15.4 一階ルール学習
  • 15.5 帰納論理プログラミング
  • 15.6 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

第16章 強化学習

  • 16.1 タスクと報酬
  • 16.2 K-アームバンディット
  • 16.3 モデルベース学習
  • 16.4 モデルなし学習
  • 16.5 価値関数近似
  • 16.6 模倣学習
  • 16.7 文献ノート
  • 演習問題 / 参考文献 / 休憩コラム

付録A 行列

付録B 最適化

付録C 確率分布