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

TensorFlow機械学習クックブック Pythonベースの活用レシピ60+

インプレス

4,200円 2,100円+税 《特価》

新世代の数値計算ライブラリを操る! 線形回帰からCNN/RNNまで網羅的に実践。本書ではまず、変数/プレースホルダといったTensorFlowの基本や、オープンデータを扱う方法を説明。以降は、機械学習のさまざまな手法を具体的なレシピとして示していきます。線形回帰からCNN/RNNまで解説しつつ、運用環境向けの手法や連立常微分方程式も取り上げます。

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

新世代の数値計算ライブラリを操る! 線形回帰からCNN/RNNまで網羅的に実践 -- TensorFlowは、数値処理用のオープンソースライブラリ。AI分野を中心に活用が進んでいます。本書ではまず、変数/プレースホルダといったTensorFlowの基本や、オープンデータを扱う方法を説明。以降は、機械学習のさまざまな手法をレシピとして示していきます。具体的には次のとおりです。線形回帰、SVM、最近傍法、ニューラルネットワーク、自然言語処理、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、運用環境のための手法、遺伝的アルゴリズム、k-means、常微分方程式などです。

※本書は『TensorFlow Machine Learning Cookbook』の翻訳書です。

※コードの検証にPython 3.5/3.6とTensorFlow 1.1/1.2を使用(各環境/各コードの動作を完全に保証するものではありません)。

書誌情報

  • 著者: Nick McClure(著), 株式会社クイープ(訳)
  • 発行日: (紙書籍版発行日: 2017-08-14)
  • 最終更新日: 2017-08-14
  • バージョン: 1.0.0
  • ページ数: 392ページ(PDF版換算)
  • 対応フォーマット: EPUB
  • 出版社: インプレス

対象読者

機械学習やPythonプログラミングについてある程度経験のある方。TensorFlowに興味のあるプログラマー、データアナリスト、データサイエンティスト、研究者/学生など。

著者について

Nick McClure

ワシントン州シアトルを拠点とする PayScale, Inc.のシニアデータサイエンティスト。以前は、ZillowとCaesar's Entertainmentに勤務。モンタナ州立大学とセントベネディクト/セントジョーンズ大学で応用数学の学位を取得。ニックはアナリティクス、機械学習、人工知能の習得と提唱に情熱を抱いている。折を見て、思いや考えをブログに綴ったり(http://fromdata.org/)、ツイートしたりしている(@nfmcclure)。

株式会社クイープ

1995年、米国サンフランシスコに設立。コンピュータシステムの開発、ローカライズ、コンサルティングを手がけている。2001年に日本法人を設立。主な訳書に、『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』『Scala関数型デザイン & プログラミング―Scalazコントリビューターによる関数型徹底ガイド』『CUDA Cプロフェッショナルプログラミング』『Cisco ACIポリシーベースのデータセンター アーキテクチャ/コンセプト/メソドロジー』などがある(いずれもインプレス発行)。http://www.quipu.co.jp

目次

Copyright/商標/正誤表について

謝辞

第1章 TensorFlowの仕組みと基本事項を押さえる

  • 1.1 はじめに
  • 1.2 TensorFlowの仕組み<Recipe 1>
  • 1.3 テンソルを設定する<Recipe 2>
  • 1.4 プレースホルダと変数を使用する<Recipe 3>
  • 1.5 行列を操作する<Recipe 4>
  • 1.6 演算を設定する<Recipe 5>
  • 1.7 活性化関数を実装する<Recipe 6>
  • 1.8 データソースを操作する<Recipe 7>
  • 1.9 その他のリソース<Recipe 8>

第2章 TensorFlowスタイル―演算/層の追加、損失関数やモデル評価などの実装

  • 2.1 はじめに
  • 2.2 計算グラフでの演算<Recipe 9>
  • 2.3 入れ子の演算を階層化する<Recipe 10>
  • 2.4 複数の層を操作する<Recipe 11>
  • 2.5 損失関数を実装する<Recipe 12>
  • 2.6 バックプロパゲーションを実装する<Recipe 13>
  • 2.7 バッチトレーニングと確率的トレーニングを使用する<Recipe 14>
  • 2.8 分類を行うための要素を組み合わせる<Recipe 15>
  • 2.9 モデルを評価する<Recipe 16>

第3章 線形回帰―逆行列/分解法からロジスティック回帰まで

  • 3.1 はじめに
  • 3.2 逆行列法を使用する<Recipe 17>
  • 3.3 行列分解法を実装する<Recipe 18>
  • 3.4 TensorFlowでの線形回帰の実装パターン<Recipe 19>
  • 3.5 線形回帰の損失関数を理解する<Recipe 20>
  • 3.6 デミング回帰を実装する<Recipe 21>
  • 3.7 LASSOとリッジ回帰を実装する<Recipe 22>
  • 3.8 Elastic Net回帰を実装する<Recipe 23>
  • 3.9 ロジスティック回帰を実装する<Recipe 24>

第4章 サポートベクトルマシン―線形SVMの操作・次元縮約、非線形SVM/多クラスSVMの実装など

  • 4.1 はじめに
  • 4.2 線形SVMを操作する<Recipe 25>
  • 4.3 線形回帰への縮約<Recipe 26>
  • 4.4 TensorFlowでカーネルを操作する<Recipe 27>
  • 4.5 非線形SVMを実装する<Recipe 28>
  • 4.6 多クラスSVMを実装する<Recipe 29>

第5章 最近傍法―編集距離、距離関数の組み合わせ、最近傍法の画像認識など

  • 5.1 はじめに
  • 5.2 最近傍法を使用する<Recipe 30>
  • 5.3 編集距離を計測する<Recipe 31>
  • 5.4 距離関数を組み合わせて計算する<Recipe 32>
  • 5.5 アドレスマッチング処理の例<Recipe 33>
  • 5.6 画像認識に最近傍法を使用する<Recipe 34>

第6章 ニューラルネットワーク―論理ゲート、単層/多層ニューラルネットワークの実装など

  • 6.1 はじめに
  • 6.2 論理ゲートを実装する<Recipe 35>
  • 6.3 論理ゲートと活性化関数を操作する<Recipe 36>
  • 6.4 単層ニューラルネットワークを実装する<Recipe 37>
  • 6.5 さまざまな層を実装する<Recipe 38>
  • 6.6 多層ニューラルネットワークを使用する<Recipe 39>
  • 6.7 線形モデルの予測を改善する<Recipe 40>
  • 6.8 三目並べを学習する<Recipe 41>

第7章 自然言語処理―BoW/TF-IDF/スキップグラム/CBOWなど

  • 7.1 はじめに
  • 7.2 BoWモデルを操作する<Recipe 42>
  • 7.3 TF-IDFの手法を実装する<Recipe 43>
  • 7.4 スキップグラムモデルを操作する<Recipe 44>
  • 7.5 CBOWモデルを操作する<Recipe 45>
  • 7.6 Word2vecを使って予測を行う<Recipe 46>
  • 7.7 感情分析にDoc2vecを使用する<Recipe 47>

第8章 畳み込みニューラルネットワーク―単純なCNN/高度なCNN/モデルの再トレーニングなど

  • 8.1 はじめに
  • 8.2 単純なCNNを実装する<Recipe 48>
  • 8.3 高度なCNNを実装する<Recipe 49>
  • 8.4 既存のCNNモデルを再びトレーニングする<Recipe 50>
  • 8.5 Stylenetを適用する<Recipe 51>
  • 8.6 DeepDreamを実装する<Recipe 52>

第9章 リカレントニューラルネットワーク―LSTM/Sequence-to-Sequence/Siamese Similarity法

  • 9.1 はじめに
  • 9.2 スパムの確率を予測するためにRNNを実装する<Recipe 53>
  • 9.3 LSTMモデルを実装する<Recipe 54>
  • 9.4 複数のLSTM層を積み重ねる<Recipe 55>
  • 9.5 Sequence-to-Sequenceモデルを作成する<Recipe 56>
  • 9.6 Siamese Similarity法のトレーニング<Recipe 57>

第10章 TensorFlowを運用環境で使用する

  • 10.1 はじめに
  • 10.2 ユニットテストを実装する<Recipe 58>
  • 10.3 複数のプロセッサを使用する<Recipe 59>
  • 10.4 TensorFlowを並列化する<Recipe 60>
  • 10.5 TensorFlowを運用環境で使用するための準備<Recipe 61>
  • 10.6 例:TensorFlowを運用環境で使用する<Recipe 62>

第11章 TensorFlowをさらに活用する―遺伝的アルゴリズム/連立常微分方程式など

  • 11.1 はじめに
  • 11.2 TensorBoardで計算グラフを可視化する<Recipe 63>
  • 11.3 遺伝的アルゴリズムを操作する<Recipe 64>
  • 11.4 k-means法を使ったクラスタ分析<Recipe 65>
  • 11.5 連立常微分方程式を解く<Recipe 66>

索引

著者プロフィール/スタッフリスト

Home 書籍一覧 TensorFlow機械学習クックブック Pythonベースの活用レシピ60+ ▲ ページトップへ戻る