はっきりわかるデータサイエンスと機械学習

まえがき

目次

1 データサイエンス入門

• 1.1 データにもとづく帰納的な推論
• 1.2 エンジニアリングとサイエンスの違い
• 1.3 データリテラシー
• 1.3.1 矩形データ
• 1.3.2 ドメインとデータベクトルの属性
• 1.3.3 リレーショナルデータの属性
• 1.3.4 データ浄化
• 1.4 モデリング
• 1.5 モデリングの2つのアプローチ
• 1.6 過剰適合
• 1.7 モデリングのためのソフトウェア環境

2 データサイエンスによるモデリング

• 2.1 Kyphosisデータ
• 2.2 データブラウジング
• 2.2.1 箱ひげ図
• 2.2.2 条件付き箱ひげ図による分類の診断
• 2.2.3 散布図における平滑化の活用
• 2.3 一般化線形モデルを使ったモデリングの検討
• 2.3.1 一般化線形モデルの基礎
• 2.3.2 Rによる一般化線形モデルのあてはめ
• 2.3.3 最尤推定法における代表的な残差
• 2.4 セミパラメトリックなモデルの検討
• 2.4.1 一般化加法モデル
• 2.4.2 Rによる一般化加法モデルの当てはめ
• 2.5 さらなるモデルの検討

3 教師あり機械学習の基礎

• 3.1 ロジスティック判別
• 3.1.1 ロジスティック判別の基礎
• 3.1.2 Rによるロジスティック判別の実行
• 3.1.3 学習器の性能評価と検証法
• 3.2 サポートベクターマシン
• 3.2.1 サポートベクターマシンの基礎
• 3.2.2 Rによるサポートベクターマシンの実行
• 3.3 決定木
• 3.3.1 分類木の基礎
• 3.3.2 Rによる分類木の生成
• 3.3.3 決定木の問題点
• 3.4 バギングとブースティング
• 3.4.1 ブートストラップ法とバギングの基礎
• 3.4.2 Rによるバギングの実行
• 3.4.3 ブースティングとアダブーストの基礎
• 3.4.4 Rによるアダブーストの実行
• 3.5 ランダムフォレスト
• 3.5.1 ランダムフォレストの基礎
• 3.5.2 Rによるランダムフォレストの実行
• 3.5.3 ランダムフォレストの並列化

4 教師なし機械学習の基礎

• 4.1 クラスタリング
• 4.1.1 階層的クラスタリング
• 4.1.2 K-means法
• 4.1.3 混合分布によるクラスタリング
• 4.2 主成分分析
• 4.2.1 次元の削減
• 4.2.2 主成分分析と主軸変換
• 4.2.3 中心化と尺度基準化
• 4.2.4 主成分分析
• 4.2.5 特異値分解
• 4.2.6 主成分分析の解釈

5 ニューラルネットワーク入門

• 5.1 はじめに
• 5.2 層の追加～フィードフォワードニューラルネットワークの導入～
• 5.3 3層構造のニューラルネットワーク
• 5.4 活性化関数の変更
• 5.5 基本的なニューラルネットワークの導入
• 5.6 重みの推定方法～勾配降下法と誤差逆伝播法～
• 5.6.1 勾配降下法
• 5.6.2 誤差逆伝播法
• 5.7 Rによるニューラルネットワークの利用
• 5.8 分類問題とニューラルネットワーク
• 5.8.1 ロジスティック回帰との比較
• 5.8.2 分析例
• 5.9 発展：多層型ネットワーク～ディープラーニングに向けて～
• 5.10 付録：跳びのあるネットワーク

A 本書の付録

• A.1 Rのセットアップ
• A.2 階層的クラスタリング
• A.2.1 尺度と分類手法
• A.2.2 距離の公理
• A.2.3 重心法の(4.1)式
• A.2.4 ワルド法の(4.2)式
• A.2.5 ワルド法による更新(4.3)式
• A.3 主成分分析
• A.3.1 ラグランジュの未定乗数法のイメージ
• A.3.2 主成分導出の一般化

参考文献

索引

著者紹介