概要

Excelで主要な機械学習アルゴリズムの仕組みを手を動かして理解する

想定読者

AIの仕組みをアルゴリズムレベルで把握したい、プログラミング経験のない入門者・非エンジニア職の学習者

こんな人には向いていない

• PythonやRでモデルを実装・運用したいエンジニア志望者(本書はExcelによる概念検証に特化しており、コーディングスキルの習得には別書が必要)
• TransformerやAttention機構など2020年代以降の深層学習アーキテクチャを学びたい人(2019年刊行で扱う範囲は基礎的なNN・RNN・DQNまで)
• 業務でのモデル選定・ハイパーパラメータ調整・MLOps運用を即戦力として習得したい実務者(本書はアルゴリズムの原理理解が主眼であり実運用ノウハウは対象外)

この本で身につくこと

• 教師あり学習・教師なし学習・強化学習の区別と各手法の代表的な用途を言葉で説明できる
• 最小二乗法・勾配降下法・ラグランジュ緩和法などの最適化アルゴリズムをExcelのセル計算で手順を追いながら確認できる
• SVMの分類境界(サポートベクター)と双対問題の考え方を数値例から直感的に把握できる
• 誤差逆伝播法(バックプロパゲーション)の計算ステップをスプレッドシートで展開し、勾配更新の流れを定量的に検証できる
• Q学習・DQNの報酬最大化ロジックを数値テーブルで追い、強化学習の基本的な仕組みを体感できる
• RNNとBPTTにおける時系列方向の誤差伝播を、静的なExcelシートで段階的に展開して確認できる

ハイライト(外部からの言及)

具体例にはExcelを利用するため、難しい前提知識なしで、機械学習のさまざまな手法を体験することができます — 出典

プログラミング環境不要で主要アルゴリズムを網羅的に体験できるという本書の核心的な差別化ポイントが端的に表れている箇所

章立て

第1章 機械学習の基本

教師あり/なし学習・深層学習の位置づけを整理するオリエンテーション章。短く読めるため先に通読して全体像をつかむと良い

第2章 機械学習のための基本アルゴリズム

勾配降下法・ベイズの定理・遺伝的アルゴリズムなど汎用的な最適化手法を網羅。以降の全章の土台となる最重要章

第3章 回帰分析

重回帰をExcelで実装する最初の演習章。2章の内容を手で確認するのに最適

第4章 サポートベクターマシン（SVM）

双対問題・カーネル法の数学的直感を養う。理論が難解に感じたら付録の行列・微分知識を先に参照

第5章 ニューラルネットワークとディープラーニング

誤差逆伝播法をExcelで追体験できる本書のハイライト。PyTorch/TensorFlow利用前の原理理解に有効

第6章 RNNとBPTT

時系列モデルの誤差伝播を静的シートで可視化。LSTMやTransformerへ進む前の基礎固めとして位置づけられる

第7章 Q学習

強化学習入門として7〜8章のみ独立して読める。強化学習に先に関心がある場合は1〜2章の後に前倒しで着手する選択肢がある

第8章 DQN

Q学習にニューラルネットを組み合わせた発展形。7章直後に続けて読むと流れが自然

第9章 ナイーブベイズ分類

スパムフィルタ等の古典的ユースケースを通じてベイズ推論の実用感を掴める独立章

学習のヒント

• 2章(基本アルゴリズム)を丁寧に読んだ後は、関心の高い手法の章(SVM・NN・Q学習など)に直接跳んでも理解が続く構成になっているため、興味ドリブンで読み進めやすい
• 付録C〜Fの数学補足(行列・微分・多変数近似)は通読用ではなく、本文で数式に詰まったときに辞書的に参照する使い方が効率的
• ExcelのソルバーアドインをB付録の手順に従ってあらかじめインストールしておくと、演習章で手が止まらずに進められる
• 7〜8章(Q学習・DQN)は強化学習の独立した入門として機能するため、強化学習分野に先に関心がある場合は1〜2章の直後に7章へ前倒しで読む読み順も有効

前提知識

• 高校数学レベルの行列・微分の基礎知識(本書付録C〜Fで補完可能だが、事前知識があると読み進めが速い)
• Excelの基本操作(関数入力・グラフ作成・ソルバーアドインの利用)

次に読む本

ゼロから作るDeep Learning

本書でExcelにより概念確認した誤差逆伝播法・ニューラルネットワークをPythonでスクラッチ実装し、実装スキルに昇華させる定番の次ステップ

Python機械学習プログラミング

scikit-learnを使った実務レベルのML実装を学ぶ。本書で理解したSVM・回帰・ナイーブベイズの実装版として補完関係がある

強化学習(AlphaGoを超えた技術)

本書7〜8章で学んだQ学習・DQNの先にある深層強化学習の理論と応用をさらに掘り下げる際の参照先