加藤公一のレビュー一覧

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

[yoshi]

わかりやすい

機械学習の書籍は数冊ではあるが、何冊か読んではいるもののあまりよく分かりませんでした。しかし、この本を読んで点と点が繋がって理解することができたのでとても良かったです。

＃タメになる

機械学習のエッセンス 実装しながら学ぶPython、数学、アルゴリズム

30% 機械学習に必要な数学の知識
30% Pythonプログラミングの説明　特にプロットや数理最適化
30% 代表的な機械学習アルゴリズムを数個

図表をきれいに並べているので読みやすい。
フレームワークを用いずnumPyだけの実装方法をしょうかいしており、E資格試験の演習問題に有用。

機械学習のエッセンス 実装しながら学ぶPython、数学、アルゴリズム

機械学習を勉強する上での入り口になり得る本であると感じた　基本的なPythonの文法や高校数学大学数学の復習をした後に、基本となる機械学習アルゴリズムの理論と実装の2つを丁寧に説明してくれている
機械学習を勉強する知人がいたらまず真っ先にこれを勧めたいと思えるレベル
しかし基本的なPythonの経験（数十行くらいのコードを読み書きした経験）や高校理系レベルの数学などの教養が前提となっていて、また後半は行列計算が大量に出てくるので頭の中で平面的立体的に考えられる力がないと理解が追いつかない部分がでてきそう
実務というよりは理論と実装だが、しかし機械学習の勉強をしていくなら最低限これくらいの教養は欲しいといった内容が込められているように感じた




1章
AnacondaなどのPython実行環境の準備について


2章
Pythonの基礎
JupyterNotebookやREPLの使い方、基礎文法、各種データ型、オブジェクト指向、クラス、モジュール作成、ファイル操作など


3章
数学基礎
高校数学の基礎や線形代数の幾何的イメージ、大学レベルの線形代数など
逆行列の求め方やランクの概念についてよく学べた　ランクは変換先が何次になるかを表せてる
その他にも直交行列や対称行列など
微積分は高校数学＋ヘッセ行列など


4章
Pythonによる数値計算
Numpyによる配列計算の基本やScipyによる数値計算の仕方、乱数の扱い、Matplotlibによるデータの可視化など
応用としてScipyのoptimizeモジュールによる数理最適化、中でも勾配降下法は重要　制約式が非線形の最適化の場合はラグランジュ
統計については基本的なレベル


5章
機械学習アルゴリズムについて
各種MLアルゴリズムがどのような数学的理論に基づくかとPythonでどう書かれるかについて
まず線形回帰について学び、その後正則化を取り入れた回帰について
その後過学習の問題について交差検証によってデータをk分割しk回訓練・評価を行うことで改善
その後分類としてロジスティック回帰（名前に注意）やSVM（分類不可能な場合もあるのである程度の許容値となるパラメータを加えチューニングする）
非線形な場合はカーネル法により次元をあげて分類し次元をまた下げる
次に教師なし学習について、k-Means（重心との距離）や主成分分析（低次元射影後の分散を最大化）などの手法の理論とアルゴリズムを学んだ
PCAの行列演算は特異値分解を行うため難しい


スケーリングの標準化が必要なのは正則化（重みが公平じゃないといけない）と勾配降下法（SVMなど）が用いられる時

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

ずるい
ココらへん苦労して学んだのにこんなにきれいに整理されているなんて
PRMLやカステラ本読んですぐ理解できる方には不要
数式を追うばかりで、あれなにやってんだっけ
となってしまう方のためにまずは旅の地図を
1アルゴリズムに数ページだからこれを読んでもすぐ使えるわけではないけど頭の整理、あるいは客先にアルゴリズムを説明する参考に非常にいいですね
つかさこの本を片手にお客様に「t-SNEはー」とか話されたら怖いね。データ分析が仕事の人は本書をサクッと読んではじパタで準備しよう

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

　凝った統計の延長として機械学習を使うことが多く、教師ありの回帰モデルばかりを使ってきました。ここいらでもう少し自分のできることの範囲を広げるべく、まず最初の一冊としてグラフィカルに主要な手法が説明された本書を手に取りました。
　本書は「図」鑑の名前の通り、教師あり/なしのいくつかの機械学習手法に関して図説をメインに説明したテキストです。データを分類する過程を典型的なデータで示し、各手法の直観的な理解が進みやすくなっています。エッセンスの部分だけアルゴリズムの説明も書いてあり、これだけで済むわけではないでしょうが数式に抵抗がなければこちらも理解の助けになります。取り扱われる全手法にコード例も付いているので実際にトライしてみることもできます（ほとんどやっておらず、すみません。）。
　本書で少し惜しいなと思われる点は、図より文字による説明の方が多く、「図鑑」というには少し教科書に寄りすぎていることです。イラストやグラフが多い教科書として読むこともできますが、それにしてはアルゴリズムの詳細の説明が薄めです。もうちょっと図鑑に徹した方が好みだったなと思う次第です。

機械学習のエッセンス 実装しながら学ぶPython、数学、アルゴリズム

機械学習に関して学習しようと思い購入。
線形代数、微分積分の数学の基礎から、Pythonのコードを使用した回帰、k-Means法までを説明してくれている。
微分積分の量はそこまで多くないが、線形代数はしっかりと説明しており、良書だと思う。
機械学習を初めてトライする人にはちょうど良い難易度だと思います。

機械学習のエッセンス 実装しながら学ぶPython、数学、アルゴリズム

最初の300ページ弱は基礎的な数値計算の導入のみ。

最後の100ページで回帰(線形、リッジ、ラッソ、ロジスティック)とSVM、k-means、PCAをあまりライブラリに頼らず一から実装しているのがポイントのようだ。しっかり基本式から実装に至るまでの式変形をしてくれているので、「ゼロからDEEP」系の解説です。

前半の内容を知らない入門者が最後の100ページをしっかり理解するのは困難なのではないかと感じます。
一方、sklearnとか使えるけど、実際どんな理屈なのかよく知らない、という人にはオススメです。

データサイエンティスト養成読本 機械学習入門編

前半の、さらに前半（２章）は、昨今流行りの人工知能・機械学習について、なぜ流行ったのかと原理の話、後半２章はやはり流行りの教師あり学習教師なし学習の実例のようなものをサラッと。

これまで読んできたいくつもの機械学習・人工知能の本に出てきた話が次々出てきて綺麗に並んでいて関係が解りやすかったし、それらの本でskipされてたところがマメに埋めてあって大変親切だった。

前半の後半２章はそれぞれ流行りの「機械学習」と「深層学習」でイントロダクションで、機械学習については実例ベースで著名な手法の紹介、深層学習は基礎になっている素過程の紹介である。

後半（第２部）はソフトの紹介で、R, Python(scikit-learn), julia, MLlib(Spark)と有名だったり最先端のツールによる、よく聞く例題の解答例のようになっている。

実例についても、このような問題をこのようにして解くということが判ってよかった。
ただし、あくまでイントロダクションなので、サラッと書いてあって分かった気になることが目的の文章である。

分野外の人間が機械学習の世界に入っていくためのイントロダクションとして大変優秀。１年前に読みたかった。

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

機械学習のアルゴリズムが一通り紹介されている。
分類過程のイメージや学習結果について、グラフや図が豊富に載っているので、それぞれのアルゴリズムの違いをつかみやすい。
細かい計算式は載っていないので、この本でアルゴリズムのイメージを掴んでから、もっと詳しい本で個々のアルゴリズムの詳細を勉強するのがいいと思う。

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

機械学習のアルゴリズムに関して、Pythonの実コードを示しながら書いてくれている本
アルゴリズムの数学的記述ではなく、あくまでコードで図解して示してくれているので
Jupyter notebookなどを使ってコードを書きながら読むのが良い
紙で購入したが、電子で購入を推奨したい
この1冊ではあまり理解は深まらないが、手を動かす良いきっかけになる

データサイエンティスト養成読本 機械学習入門編

全体観を掴むためにパラ見。

用語のつながりをなんとなく掴むにはよかった。
ただまあやはりこの手の本はターゲットが分かりにくい。

データサイエンティスト養成読本 機械学習入門編

全体像を掴むには良い

機械学習の初心者が全体を俯瞰するには適している本だと思います。

この本を読んで興味を持った分野があれば他の本でさらに学習していくのが良いのではないでしょうか。