足立悠の作品一覧
「足立悠」の「機械学習のための「前処理」入門」「ソニー開発のNeural Network Console 入門──数式なし、コーディングなしのディープラーニング」ほか、ユーザーレビューをお届けします！
- 作者をフォローする
- フォローすると、この作者の新刊が配信された際に、お知らせします。
作品一覧
-
初めてのTensorFlow──数式なしのディープラーニング
ビジネス・実用
-1巻2,200円 (税込)本書は「これからディープラーニングを学びたい」と考えているIT エンジニアの方々を対象にしています。そして、ディープラーニングの手法を理解し、自分で実装できるようになることを目指します。 ディープラーニングを初めて学ぶITエンジニアは、2つの障壁を越えねばなりません。一つは「ディープラーニングの手法」、特に、理論を説明する数式が難解なこと。もう一つは「どうやって使うのか、実装方法が分からない」ことです。 ■数式なしで理論を理解 そこで本書は、是非知っておきたい3つの手法、即ち、（１）全結合のニューラルネットワーク、（２）畳み込みニューラルネットワーク（CNN）、（３）再帰型ニューラルネットワーク（RNN）のみに話題を集中。IT エンジニアなら抵抗感なく読めるように、数式を一切使わず、気鋭のデータサイエンティストが丁寧に理論を解説します。 実装については、Google社のディープラーニング・フレームワークTeｎsorFlowに注目。TesorFlowと完全互換性があり、かつ、TesorFlowよりも初心者に適したTFLearnライブラリを使うことで、Python 3による実装を体験します。実装環境の構築方法も一から説明し、サンプルコードには逐次解説を加えました。 第1章では、機械学習とディープラーニングの概要、実装ライブラリについて説明します。 第2章では、TFLearnを使った実装環境を構築し、ツールの使い方を学びます。 第3章では、全結合のニューラルネットワークの仕組みを理解した後、手書き文字画像のMNISTデータセットを使って、画像の分類問題を解いてみます。 第4章ではCNNを解説した後、再度、MNISTデータを分類。また、JPEG等の一般的な画像の分類も行います。 第5章では、時系列データに適したRNNの仕組みを理解した後、対話テキストの分類に挑戦。ここでもMNISTの分類を行ってみます。 本書に沿って体験学習を進めれば、ディープラーニングの手法を無理なく理解でき、手を動かして実装できるようになるでしょう。 -
ソニー開発のNeural Network Console 入門【増補改訂・クラウド対応版】──数式なし、コーディングなしのディープラーニング
ビジネス・実用
-1巻2,420円 (税込)「数式が読めない」「コーディングは苦手」という一般SEや初学者のために気鋭のデータサイエンティストがニューラルネットワークを簡潔に解説し、無償のGUIツール「NNC」を使った各種体験学習で理解を深めます。 本書旧版ではWindows上でNNCアプリを動かしましたが、増補改訂版ではクラウド版のNNCを使います。演習課題も見直して、CNNによる画像分類のほか、新たにRNNによる時系列予測と異常検知、自然言語処理へと拡大。巻末付録も大幅に拡充しました。また、内容の確かさが評価され、NNC開発元のソニーによる公式な監修も受けています。 なお、Windows版NNC対応の本書旧版につきましては、単行本（ソフトカバー）完売後も、Kindle版／EPUB版電子書籍の形で販売を継続致しますので、そちらをご利用くださいませ。 -
ソニー開発のNeural Network Console 入門──数式なし、コーディングなしのディープラーニング
ビジネス・実用
4.01巻2,420円 (税込)AIシステムの構築案件が急増しています。近い将来、AIなしのビジネスも生活も、考えられなくなるでしょう。データサイエンティストや先進プログラマに限らず、一般SEや理工系の学生層にまで、ディープラーニングに対する学習意欲が広がっているのは当然のことです。そうした方々にとって最初のハードルは、手法（理論）を説明する数式が難解なこと。もう1つは、実装のためのコーディングです。 そこで本書では、知っておくべき3つの手法だけを、気鋭のデータサイエンティストが丁寧に解説。数式を一切使わず、（１）全結合型・（２）畳み込み型・（３）再帰型のニューラルネットワークの手法を図で紹介します。そして、ソニーが開発した注目のディープラーニングツール「Neural Network Console」を使用。ドラッグ＆ドロップ操作でニューラルネットワークを構築し、ボタン１つで処理を実行、結果を評価できます。 本書はこの究極のAIツールを用いた初級・中級・上級の体験学習を通じ、実装に必要な最低限の知識を効率よく獲得できます。これにより、「数式が読めない」「プログラミングは苦手」という一般SEや初学者の方々に、ディープラーニングの入り口を大きく開きます。 -
機械学習のための「前処理」入門
ビジネス・実用
4.01巻3,080円 (税込)きれいに整形されたデータを使った分析の経験はあっても、「実務で扱う生データをどのように前処理すればよいのか」と、お悩みではないでしょうか。前処理は課題ごとに、都度オーダーメイドで設計・実装していくものです。本書では4種類のデータを対象とし、機械学習で予測を行う場合の前処理の基本ノウハウを学び、Pythonによる実装を体験します。本書で扱った技術は、そのまま実務にも活かせます。 機械学習における分析モデルの作成は自動化されつつありますが、その時に投入する特徴量は、人の手で前処理して作成する状況が続くでしょう。これからデータ分析に携わる方々にとって、前処理の力を高めることは、きっと大きな助けとなるでしょう。 （本書「あとがき」から抜粋・編集） ■著者プロフィール 足立 悠（あだち はるか） BULB株式会社所属のデータサイエンティスト。 過去にメーカーのSE やデータサイエンティスト、IT ベンダーのデータアナリスト等を経て現職。数々のデータ分析プロジェクトのほか、実務者教育にも従事。個人的な活動として、記事や書籍の執筆、セミナー講師なども行っている。著書に『初めてのTensorFlow』と『ソニー開発のNeural Network Console 入門』がある。 多感な時期に高専で5年間を過ごしてしまったせいか、周囲から変人や外れ値と評されている。趣味はお地蔵さんが密集している場所に佇むこと。近いうちに、日本を北から南へ移動しながら仕事し、パフォーマンスを測定してみたい。
ユーザーレビュー
-
Posted by ブクログ
機械処理・深層学習に必要な前処理の説明（機械学習、深層学習はわずかに説明あり、しかしメインではない）
今までの本では機械学習本に含まれていた処理を特化して取り上げている。
1章 データ分析・活用を始めるために
省略
2章 データ分析のプロセスと環境
本書の概要と実行環境(Google Colaboratory)の導入
データとjupyter notebook
3章 構造化データの前処理
まず、よくデータを診ましょう、データの型、個数、可視化、統計量把握など。欠損値の扱いはとても大事。
文字列データをカテゴリ変数により数値化
決定木手法で機械学習。
4章 構造化データの前処理(2)
数値を正規化（範囲変換、Z変換） してより機械学習しやすようにする。
階層型クラスタリング、非階層型クラスタリングにより教師なし学習。
5章 画像データの前学習
画像を読み込んでグレースケール化、2値化画像に変換する方法、ノイズ除去のためのモルフォロジー変換。
深層学習のためのデータ準備。画像の水増しのための画像反転、平滑化、明度変更など。
6章 時系列データの前処理
時系列データ特有の何分ごと、何時間ごとの集計作業（合計または平均など）の処理、読み取る期間をずらしながら集約するrolling関数の紹介。
k-NN法による異常検知、オートエンコーダによる異常検知。
７章 自然言語データの前処理
Janomeを使った形態素解析。単語文章行列の作成。
RNN（再帰型ニューラルネットワーク）のためのデータ準備として単語のインデックス化。
単語の共起ネットワークのためのデータ準備としてコサイン類似度の計算 -
-
