概要

機械学習の理論とPython/Wekaによる実装を段階的に習得する

想定読者

数学的背景を持ちつつ機械学習を体系的に学びたい学部・大学院生、またはアルゴリズムの理論的根拠まで踏み込みたい実務入門者

こんな人には向いていない

• ライブラリAPIの使い方だけ覚えれば十分な実務者には数式と理論の比重が大きすぎる
• Wekaを使う予定がなくPythonのみで完結させたい読者には、第2版でPython実装が増えているとはいえWeka前提の章が多い
• 深層学習・強化学習の最新フレームワーク(PyTorch/TensorFlow)の実践的な使い方を求める読者には別書が適している

読了後にできるようになること

• 識別・回帰・モデル推定の三分類でアルゴリズムを体系的に整理し、問題に応じた手法選択ができる
• サポートベクトルマシンとニューラルネットワークの数理的な導出を追い、パラメータ設定の根拠を説明できる
• Python/Wekaを使ってデータ読み込みから結果可視化まで一連の分析フローを実装できる
• 勾配ブースティング・アンサンブル学習を理論から理解し、精度改善の戦略を立てられる
• 系列データの識別、半教師あり学習、強化学習まで幅広い手法の概要と適用条件を把握できる
• パターンマイニングとモデル推定の考え方を習得し、教師なし学習タスクへの応用ができる

本書のキー概念(章解説)

• 第 1 章 はじめに
• 第 2 章 機械学習の基本的な手順
• 第 3 章 識別 — 概念学習
• 第 4 章 識別 — 統計的手法
• 第 5 章 識別 — 生成モデルと識別モデル
• 第 6 章 回帰 — 最小二乗法からカーネル回帰まで段階的に展開、数式追跡のしやすい章
• 第 7 章 サポートベクトルマシン — 数理導出を丁寧に追う。SVMの理論的な根拠を把握したい読者はここを重点的に読む価値がある
• 第 8 章 ニューラルネットワーク
• 第 9 章 深層学習 — 第2版で大幅更新、リカレントニューラルネットワークも含む
• 第 10 章 アンサンブル学習 — 勾配ブースティングが第2版で追加、実務でのXGBoost等の背景理解に直結
• 第 11 章 モデル推定
• 第 12 章 パターンマイニング
• 第 13 章 系列データの識別
• 第 14 章 半教師あり学習
• 第 15 章 強化学習 — 第2版で深層強化学習を追加。理論的な位置付けの把握に向く

ハイライト

• 分析したいデータの種類によってアルゴリズムを分類・整理して解説することで、現実で問題に直面した際に適用できるアルゴリズムが何なのかが理解でき、必要な部分から学んでいけるよう構成されています。(問題駆動で手法を選べる構成であることを示す箇所。教科書的な網羅よりも実用性を重視した編集方針が端的に出ている)
• 理論を学んだあとに、解析例をもとにデータの読み込みから結果の可視化まで1ステップずつ実装していくことで、表面的な理解にとどまらない、『現場で役立つ』知識が身につきます。(理論と実装を交互に積み上げる本書の学習サイクルが端的に表現されている箇所)

外部からの言及

• 2020年時点の機械学習入門書20選に選出されており、フリーソフトによる実データ解析と強化学習・深層学習等の応用手法の網羅性が評価されている(qiita)

編集メモ

Qiita 引用 1件 / 累計 likes 4。機械学習入門書としての認知は広いが、Qiita上での言及頻度は低い。理論重視の構成が実務系記事との相性が薄い結果と考えられる

読む前に押さえておきたいこと

• 線形代数の基礎(行列演算、固有値・固有ベクトル)と確率・統計の初歩
• Pythonによるデータ操作の基本(NumPy/Pandas/Matplotlib)を事前に触れた経験
• 教師あり学習と教師なし学習の概念的な違いを把握していること

学習のコツ

• 3〜5章(識別3章)は順番通りに読むと概念学習→統計手法→生成/識別モデルの系統が自然に繋がる。飛ばし読みより通読が効果的
• 実装章(付録C Python)は各章の理論解説と並行してコードを動かしながら読むと定着が速い
• 10章のアンサンブル学習と9章の深層学習は相互に独立しているため、業務で勾配ブースティングが急ぎの場合は10章を先読みしてよい
• Wekaを使わない読者は付録Bを飛ばし、Python実装部分だけを追っても章の論旨は完結する