概要

『Python 機械学習プログラミング PyTorch & scikit-learn 編』(原題『Machine Learning with PyTorch and Scikit-Learn』、Sebastian Raschka ほか共著、2022 年 12 月邦訳、インプレス)は、機械学習の手法全般を理論 + Python コーディングの両軸で解説する実践書。scikit-learn による古典的機械学習と、PyTorch による深層学習(自然言語処理 / グラフニューラルネット等)を 1 冊で扱う。著者の Raschka は機械学習教育の第一人者で、本書はそのシリーズの最新版。

想定読者

• Python 基礎を終え、機械学習の体系を 1 冊で押さえたい中級エンジニア
• scikit-learn は使えるが PyTorch は未経験で、深層学習に進みたいデータサイエンティスト
• 自然言語処理 / グラフニューラルネット(GNN)に興味のある研究者・学生
• 機械学習の理論(線形代数 / 確率 / 最適化)と実装の両方を学び直したい人

こんな人には向いていない

• Python の言語入門段階の読者(本書は中級者向け)
• TensorFlow 中心で学びたい読者(本書は PyTorch + scikit-learn)
• 機械学習の数学的厳密さよりも実装テクニックだけを求める読者

読了後にできるようになること

• scikit-learn で典型的な分類・回帰・クラスタリングが書ける — モデル選択 + 評価
• PyTorch で CNN / RNN / Transformer を実装できる — 深層学習の主要アーキテクチャ
• 自然言語処理(NLP)の基本フローが分かる — トークン化 / 埋め込み / Transformer
• グラフニューラルネット(GNN)の入口が見える — グラフデータの扱い方

本書のキー概念

• 第 1 部 機械学習の基礎 — パーセプトロン / 線形回帰 / ロジスティック回帰
• 第 2 部 古典的機械学習(scikit-learn) — SVM / 決定木 / ランダムフォレスト / アンサンブル
• 第 3 部 モデル評価とハイパーパラメータ調整 — 交差検証 / グリッドサーチ
• 第 4 部 ニューラルネットの基礎(PyTorch) — 計算グラフ / 自動微分 / 基本層
• 第 5 部 畳み込みニューラルネット(CNN) — 画像認識のアーキテクチャ
• 第 6 部 自然言語処理(NLP) — RNN / Attention / Transformer
• 第 7 部 強化学習 — Q-learning / Policy Gradient
• 第 8 部 グラフニューラルネット(GNN) — グラフ畳み込み・GAT

なぜ機械学習・深層学習の「日本語決定版」になりうるのか

scikit-learn と PyTorch を 1 冊で扱う和書は限定的で、本書は 古典的機械学習から最新の Transformer / GNN まで を網羅する。著者 Raschka は機械学習教育の第一人者として知られ、本書のシリーズは継続的に改訂される定本。Python + 機械学習の中級者にとって、棚に置いて何度も参照する辞書的な 1 冊。

関連書籍

• 『深層学習 改訂第 2 版』(岡谷貴之) — 深層学習の理論基盤
• 『scikit-learn、Keras、TensorFlow による実践機械学習 第 3 版』 — TF 版の決定版、本書と相互補完
• 『ゼロから作る Deep Learning ❶❷❸❹』 — フレームワークなしで実装する古典シリーズ

関連 Topic

• /topics/machine-learning — 機械学習
• /topics/python — Python
• /topics/pytorch — PyTorch
• /topics/deep-learning — 深層学習