[第3版]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

[第3版]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

4,400円(本体 4,000円+税10%)

品種名
書籍
発売日
2020/10/22
ページ数
688
サイズ
B5変形判
著者
Sebastian Raschka 著/Vahid Mirjalili 著/株式会社クイープ 訳/福島 真太朗 監訳
ISBN
9784295010074

世界各国で翻訳されたベストセラーの第3版!

本書は、機械学習コンセプト全般をカバーし、理論的背景とPythonコーディングの実際を解説しています。初歩的な線形回帰から始め、ディープラーニング(CNN/RNN)、敵対的生成ネットワーク、強化学習などを取り上げ、scikit-learnやTensorFlowなどPythonライブラリの新版を使ってプログラミング。第3版では13~16章の内容をほとんど刷新したほか、敵対的生成ネットワークと強化学習の章を新たに追加。機械学習プログラミングの本格的な理解と実践に向けて大きく飛躍できる一冊です。

「読者アンケートに答える」「読者プレゼントに応募」の場合もこちらをご利用ください。

アンケートに答える

書籍の内容に関するお問い合わせはこちら。お答えできるのは本書に記載の内容に関することに限ります。

学校・法人一括購入に関するお問い合わせはこちらへ。

一括購入窓口

詳細

001.jpg

著者紹介

◆著者プロフィール
◎Sebastian Raschka(セバスチャン・ラシュカ)
ミシガン州立大学博士課程で計算生物学と機械学習の複合領域において博士号を取得。
現在、ウィスコンシン州立大学マディソン校の統計学助教授で、機械学習と深層学習の研究に
焦点を当てている。Pythonコーディングの経験が長く、データサイエンス、機械学習、
ディープラーニングの実践について多数のセミナーの講師も務めている。

◎Vahid Mirjalili(ヴァヒド・ミルジャリリ)
ミシガン州立大学にて分子構造の大規模計算シミュレーションの新しい手法を開発したことにより
機械工学の博士号を取得。ミシガン州立大学のiPRoBeラボに参加し、コンピュータービジョンと
バイオメトリクスドメインに機械学習を適用。その後、3Mにリサーチサイエンティストとして入社。

◆翻訳者プロフィール
◎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、『Amazon Web Servicesインフラサービス活用大全 システム構築/自動化、
データストア、高信頼化』『Python機械学習ライブラリscikit-learn活用レシピ80+』などがある
(いずれもインプレス発行)。www.quipu.co.jp

◆監訳者プロフィール
◎福島 真太朗(ふくしま・しんたろう)
現在、企業で機械学習、データマイニングの研究開発、技術開発の業務に従事。
東京大学理学部物理学科卒業。東京大学大学院新領域創成科学研究科 複雑理工学専攻 修士課程修了。
東京大学大学院情報理工学系研究科 数理情報学専攻 博士課程修了。博士(情報理工学)。
専攻は機械学習・データマイニング・非線形力学系。

ページイメージ

クリックすると大きい画像でご覧いただけます

目次

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
データを知識に変える「知能機械」
3種類の機械学習
基本用語と表記法
……
第2章 分類問題―単純な機械学習アルゴリズムの訓練
人工ニューロン―機械学習の前史
パーセプトロンの学習アルゴリズムをPythonで実装する
……
第3章 分類問題―機械学習ライブラリscikit-learnの活用
分類アルゴリズムの選択
scikit-learn活用へのファーストステップ:パーセプトロンの訓練
ロジスティック回帰を使ってクラスの確率を予測するモデルの構築
……
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
欠測データへの対処
カテゴリデータの処理
データセットを訓練データセットとテストデータセットに分割する
……
第5章 次元削減でデータを圧縮する
主成分分析による教師なし次元削減
線形判別分析による教師ありデータ圧縮
……
第6章 モデルの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
パイプラインによるワークフローの効率化
k分割交差検証を使ったモデルの性能の評価
学習曲線と検証曲線によるアルゴリズムの診断
……
第7章 アンサンブル学習―異なるモデルの組み合わせ
アンサンブルによる学習
多数決による分類器の結合
アンサンブル分類器の評価とチューニング
……
第8章 機械学習の適用1―感情分析
IMDbの映画レビューデータセットでのテキスト処理
BoWモデルの紹介
……
第9章 機械学習の適用2―Webアプリケーション
学習済みのscikit-learn推定器をシリアライズする
データストレージとしてSQLiteデータベースを設定する
……
第10章 回帰分析―連続値をとる目的変数の予測
線形回帰
Housingデータセットの探索
最小二乗線形回帰モデルの実装
……
第11章 クラスタ分析―ラベルなしデータの分析
k-means法を使った類似度によるオブジェクトのグループ化
クラスタを階層木として構成する
……
第12章 多層人工ニューラルネットワークを一から実装
人工ニューラルネットワークによる複雑な関数のモデル化
手書きの数字を分類する
……
第13章 ニューラルネットワークの訓練をTensorFlowで並列化する
TensorFlowと訓練の性能
TensorFlow:最初のステップ
tf.dataを使った入力パイプラインの構築:TensorFlow Dataset API
……
第14章 TensorFlowのメカニズム
TensorFlowの主な特徴
TensorFlowの計算グラフ:TensorFlow 2.xへの移行
……
第15章 画像の分類―ディープ畳み込みニューラルネットワーク
畳み込みニューラルネットワークの構成要素
畳み込みニューラルネットワークを実装する
……
第16章 系列データのモデル化―リカレントニューラルネットワーク
系列データ
リカレントニューラルネットワーク:シーケンスモデルの構築
……
第17章 新しいデータの合成―敵対的生成ネットワーク
敵対的生成ネットワーク
敵対的生成ネットワークを一から実装する
……
第18章 複雑な環境での意思決定―強化学習
はじめに:経験からの学習
強化学習の理論的基礎
……

ダウンロード

お詫びと訂正

誤記のためにご迷惑をおかけし、誠に申し訳ございません。

  • 22ページ 式2.1.11
    • [誤]
      (i)を4か所、削除
    • [正]
    • 【 第2刷にて修正 】
  • 28ページ 罫枠内のコード。Windowsの場合は、os.path.join()を実行すると、URLが円記号でつながれてしまうので、以下のようにします。
    • [誤]
      >>> import os
      >>> import pandas as pd
      >>> s = os.path.join('https://archive.ics.uci.edu', 'ml',
      ... 'machine-learning-databases', 'iris','iris.data')
      >>> print('URL:', s)
    • [正]
      >>> import pandas as pd
      >>> from posixpath import join as urljoin
      >>> s = urljoin('https://archive.ics.uci.edu', 'ml',
      ... 'machine-learning-databases', 'iris','iris.data')
      >>> print('URL:', s)
    • 備考:

       Windowsはデフォルトの区切り文字として円記号(\)を使います。これはos.sepを実行すると確認できます。その際に\\と表示されるのはエスケープしているためです。os.path.join()を実行するとURLが円記号でつながれてしまうので、1つの解決策は、上記のようにos.path.join()ではなくposixpath.join()を使うことです。あるいは、次のような解決策もあります。

       
       
      >>> import os
      >>> import pandas as pd
      >>> join = lambda *args: os.path.join(*args).replace("\\", "/")
      >>> s = join('https://archive.ics.uci.edu', 'ml',
      ... 'machine-learning-databases', 'iris','iris.data')
      >>> print('URL:', s)
       
    • 【 第5刷にて修正 】
  • 51ページ 1つ目の罫枠内のコード(6か所)
    • [誤]
      Labels counts
    • [正]
      label counts
    • 【 第2刷にて修正 】
  • 63ページ ページ中ほどの罫枠内のコード1行目
    • [誤]
      >>> X_train_01_subset = X_train[(y_train == 0) | (y_train == 1)]
    • [正]
      >>> X_train_01_subset = X_train_std[(y_train == 0) | (y_train == 1)]
    • 【 第2刷にて修正 】
  • 63ページ ページ下の画像
    • [誤]
      ★下記の画像に差し替え
    • [正]
    • 【 第2刷にて修正 】
  • 65ページ ページ下の※14
    • [誤]
      ★下記のテキストに差し替え
    • [正]
      ※14 [監注]ソースコードの5行目で現れるオブジェクトX_train_std、y_train、7行目に現れるX_combined_std、y_combinedはいずれも3.2節で作成している。X_train_stdは特徴量の各列を標準化したもの、y_trainはトレーニング用に分割したクラスラベルであり、3.2節の最初のほうのソースコードで作成している。X_combined_std、y_combinedはそれぞれ、訓練データとテストデータを連結した特徴量、クラスラベルであり、3.2節の最後のソースコードで作成している。
    • 【 第2刷にて修正 】
  • 70ページ 式3.3.23から、罫囲みコード直前の本文まで
    • [誤]
      C = 1/λ (3.3.23) ……中略…… L2 正則化パスをプロットすればよい。
    • [正]
      したがって、逆正則化パラメータC(正則化パラメータλの逆数)の値を減らすことは、正則化の強さを高めることを意味する。正則化の強さを可視化するには、2つの重み係数に対してL2正則化パスをプロットすればよい。
    • 【 第5刷にて修正 】
  • 132ページ 罫囲みのコード1行目
    • [誤]
      from sklearn.cross_validation import train_test_split
    • [正]
      from sklearn.model_selection import train_test_split

    • 【 第3刷にて修正 】
  • 143ページ 式5.2.5
    • [誤]
      転置Tの位置を最後の括弧から左側の括弧に変更
    • [正]
    • 【 第2刷にて修正 】
  • 152ページ 脚注※16の2行目の式
    • [誤]
      訂正内容は下記のとおりです。
    • [正]
    • 【 第2刷にて修正 】
  • 206ページ 1つ目の罫枠コード、上から1行目
    • [誤]
      >>> from ssklearn.model_selection import cross_val_score
    • [正]
      >>> from sklearn.model_selection import cross_val_score
  • 213ページ ページ上部の図
    • [誤]
      ★図の「分類モデル」より上の部分を訂正。以下の図に差し替え。
    • [正]
    • 【 第2刷にて修正 】
  • 319ページ ページ下のコラム。3行目
    • [誤]
      グループメンバー間の最小距離の平均に基づいて
    • [正]
      グループメンバー間の平均距離の最小値に基づいて
    • 【 第5刷にて修正 】
  • 342ページ 12.2.1項の箇条書きの下の段落、3行目。
    • [誤]
      国税調査局
    • [正]
      国勢調査局
    • 【 第5刷にて修正 】
  • 366ページ ページ下の図の[4]の式
    • [誤]
      訂正内容は下記のとおりです。
    • [正]
    • 【 第4刷にて修正 】
  • 422ページ 14.4.2項の本文の2行目
    • [誤]
      変数や他のTensorオブジェクトについは、
    • [正]
      変数や他のTensorオブジェクトについては、
    • 【 第4刷にて修正 】
  • 453ページ 図のテキスト(3つのパディングモードについて)
    • [誤]
      fullパディング  validパディング  sameパディング
    • [正]
      fullパディング  sameパディング  validパディング
    • 【 第2刷にて修正 】
  • 462ページ コラム内の本文の中ほど。コラム本文の8行目
    • [誤]
      畳み込み層ではなく全結合層を使っていた場合、この値はずっと小さくなる。
    • [正]
      畳み込み層ではなく全結合層を使っていた場合、この値はずっと大きくなる。
    • 【 第4刷にて修正 】
  • 551ページ ページ下の最後の行
    • [誤]
      学習済みのパラメータσ、
    • [正]
      学習済みのパラメータγ、
    • 【 第5刷にて修正 】
  • 567ページ ページ下の脚注※17
    • [誤]
      mage-to-Image Translation
    • [正]
      Image-to-Image Translation
    • 【 第5刷にて修正 】
  • 635ページ ページ下部の最後の式
    • [誤]
      下記のように訂正します。
    • [正]
    • 【 第5刷にて修正 】

お問い合わせ

書籍の内容に関するお問い合わせはこちら。お答えできるのは本書に記載の内容に関することに限ります。

お問い合わせフォーム