Pythonではじめる機械学習 の商品レビュー

アンドレアス・C.ミュラー(著者),サラ・グイド(著者),中田秀基(訳者)

2024/04/03

・参考図書指定科目：「AIプログラミング」

＜OPAC＞
https://opac.jp.net/Opac/NZ07RHV2FVFkRq0-73eaBwfieml/j3aYOw8ALjDsRKyHyGYgPo9c15/description.html

2023/12/15

特徴量エンジニアリングを詳説
分析モデルのライブラリの紹介にとどまらず、
ハイパーパラメータをいくつか変えて予測精度を評価している。
他の分析モデルと比較して優劣を解説している

翻訳者が読みやすい文章にしてくれている。
分析モデルの数式の解説は最低限。

P87 勾配ブースティング
P91 カーネル法
P95 カーネルトリック
P159 t-SNE
P343 LDA

2020/07/23

Pythonで使える機械学習を網羅的に書いた本
様々な機械学習について書いてあって良い

これ一冊で機械学習の範囲はある程度抑えられると思う

2020/05/24

機械学習、DNNの実装に興味を持ち、購入
pythonはある程度読めるようになっていた前提で読んだが、前から読むと教師ありなし学習について
実際のソースコードを開示しながら解説してくれているので、非常に有用な本
特に理論というより実務向けで、その前提で購入するのが良いと思います。実装向けであり、かなり細かく書いてくれている部類に入ります。
また、Gitからjupyternotebookをダウンロードして追いながら読むと良いと思います

2019/08/12

　scikit-learnを使った特徴量機械学習の手法を学ぶための本で多くのことが学べるが、深層学習について別の本が必要。また機械学習のなかの分類(classification)と予測(regression)である。推薦、ランキングなどの話題は入っていない。非常に実用的な本である。常に手元においておきたい本。

1章 はじめに
　省略
2章 教師あり学習
　k-最近傍法、線形法、決定木、決定木を用いたアンサンブル学習、SVCを説明している。
3 章 教師なし学習と前処理
　前処理としてスケール変換の説明がある。主成分分析、NMF、クラスタリングの説明。
4章 データ表現と特徴量エンジニアリング
　この章がとても役に立った。
　カテゴリ変換、ビニングなどなど特徴量を作り出す手法について説明
5章 モデルの評価と改良
　交差検証、最適パラメータの決定に必要なグリットサーチ、評価基準とスコア
6章 アルゴリズムチェーンとパイプライン
　パイプラインを用いて学習をスッキリ記述する方法を説明。
7章 テキストデータの処理
　Bow表現、n-gram表現について説明
8章 おわりに
　機械学習の運用面とこの本で紹介された方法では処理できないほどのデータを処理する方法を紹介されている。

2019/06/24

sklearnの使い方を勉強。Pythonはバイオインフォマティクスで主に使用してきたが、インターン先でsklearnによる機械学習をやることとなり本書で基礎を身につけた。

2019/06/12

自分にはかなり難しい。ただ、教師有り無しの機械学習をするためのアプローチの仕方はなんとなくわかった。

2019/01/01

副題の通り、scikit-learnで機械学習をやってみたいという人におすすめです。
具体的な手法を学ぶことができます。

ただし、機械学習の一冊目だと難易度が高いと思いますので、初学者の方は別の入門的な本でまずは学習されることをおすすめします。