Machine Learning 実践の極意

出版社
出版日
ページ数
292
Machine Learning 実践の極意
ISBN10
4295002658
ISBN13
978-4295002659
目次
Part I 機械学習ワークフローの基礎 第1章 機械学習とは何か―長所と課題、データ収集から運用までのステップ、性能の改善 機械学習の仕組みを理解する データに基づく意思決定 機械学習ワークフロー:データから展開まで 高度な手法を使ってモデルの性能を改善する まとめ 本章のキーワード 第2章 現実世界のデータ―データの取得/整備、可視化 機械学習に取り組むための準備:データの収集 機械学習モデルを構築するためのデータの前処理 データビジュアライゼーションの使用 まとめ 本章のキーワード 第3章 モデルの構築と予測 基本的な機械学習モデルの構築 分類:カテゴリを予測する 回帰:数値を予測する まとめ 本章のキーワード 第4章 モデルの評価と最適化 モデルの汎化:新しいデータでの予測性能の評価 分類モデルの評価 回帰モデルの評価 チューニングパラメータによるモデルの最適化 まとめ 本章のキーワード 第5章 特徴エンジニアリングの基礎 特徴エンジニアリングはなぜ有効なのか 特徴エンジニアリングの基本的なプロセス 特徴選択 まとめ 本章のキーワード Part II 機械学習ワークフローの応用 第6章 NYCタクシーデータのケーススタディ New York City Taxi Trips/Fares データ モデルの構築 まとめ 本章のキーワード 第7章 高度な特徴エンジニアリング 高度なテキスト特徴量 画像特徴量 時系列特徴量 まとめ 本章のキーワード 第8章 高度な自然言語処理の例―映画レビューの感情分析 データとユースケースを調べる 基本的な NLP 特徴量の抽出と最初のモデルの構築 高度なアルゴリズムとモデルを展開するときの注意点 まとめ 本章のキーワード 第9章 機械学習ワークフローのスケーリング スケールアップする前に 機械学習モデル構築のスケーリング 予測値のスケーリング まとめ 本章のキーワード 第10章 デジタルディスプレイ広告のケーススタディ ディスプレイ広告 デジタル広告データ 特徴エンジニアリングとモデル構築戦略 データのサイズと形状 特異値分解( SVD ) リソースの推測と最適化 モデルの構築 実際の環境に導入するときの注意点 まとめ 本章のキーワード 本書のまとめ 付録 一般的な機械学習アルゴリズム一覧
紹介( powered by openBD

機械学習の利点/課題、乱雑なデータの処理、Python系モデル構築、モデル評価/最適化、特徴エンジニアリングのテクニック、予測速度の改善、大容量データへの対応など。有効なデータとより良いモデルを作成!