Pythonによる数理・データサイエンス・AI

Information & Computing  124

Pythonによる数理・データサイエンス・AI

理論とプログラム
定価:
2,530
(本体:2,300円+税)
難易度:入門

発行日:2023年11月25日

発行:サイエンス社

ISBN:978-4-7819-1585-2

サイズ:並製B5

ページ数:240ページ

在庫:在庫あり

内容詳細

大学や高専,企業のエンジニア研修などで幅広く活用できる,数理・データサイエンス・AIの基礎から応用までを網羅した教科書.本書を読破することで,データサイエンスや機械学習に関する文献の多くを理解し,活用できるようになる.時代に流されない「真の力」を身につけるための一冊.

大学・高専の講義・演習や社内研修・リスキリング講座の教科書として最適!

【本書の特長】
  • 数学的な基礎からPython実装までを徹底的に解説.Pythonライブラリの活用に加え,ゼロからの実装で理解を深められる.

  • 各章が約15ページで構成され,全15回の授業で無理なく進められる設計.受講者用の課題も用意.教員の授業準備の手間を軽減し,効果的な教育を支援.教科書として採用された方向けのサポート情報あり.

  • ウォーミングアップや丁寧な解説により,着実にステップアップできる.プログラムの一部を自分で補う形式を採用し,履修者が考えながら学習できるよう配慮.
【こんな方におすすめ】
  • 大学・高専等において,数理・データサイエンス・AI教育の授業を担当される教員の方.

  • 社内研修やリスキリング講座等において,理論と実践の両方を解説した教材をお探しの研修講師の方.

  • AI・データサイエンス分野で,理論とその実装に興味がある方.

目次

第1章 線形単回帰分析
  1.1 回帰分析の概要
  1.2 機械学習の概要
  1.3 線形単回帰分析
  1.4 決定係数
  1.5 ウォーミングアップ
  1.6 SciPyによる線形単回帰分析
  1.7 Pythonによる単回帰分析の実装

第2章 多項式回帰
  2.1 多項式回帰
  2.2 ヘッセ行列と極値
  2.3 訓練データとテストデータ
  2.4 過学習と正則化
  2.5 モデルの性能評価
  2.6 ウォーミングアップ
  2.7 Pythonによる多項式回帰の実装
  2.8 NumPyによる多項式回帰
  2.9 過学習と未学習の例
  2.10 scikit-learnによる多項式回帰

第3章 重回帰分析
  3.1 重回帰分析
  3.2 自由度調整済み決定係数
  3.3 多重共線性
  3.4 カリフォルニア住宅価格データセットの利用
  3.5 学習と評価
  3.6 scikit-learnによる重回帰分析
  3.7 Pythonによる重回帰分析の実装

第4章 ロジスティック回帰による2値分類
  4.1 ロジスティック回帰の原理
  4.2 オッズと結果の解釈
  4.3 statsmodelsによるロジスティック回帰
  4.4 ウォーミングアップ
  4.5 Pythonによるロジスティック回帰の実装

第5章 ソフトマックス回帰による多値分類
  5.1 One-VS-Rest
  5.2 One-VS-One
  5.3 ソフトマックス回帰
  5.4 ソフトマックス関数に関する注意
  5.5 ソフトマックス回帰の行列表現
  5.6 勾配降下法
  5.7 ウォーミングアップ
  5.8 scikit-learnによる多クラス分類
  5.9 Mlxtendによる分類結果の可視化
  5.10 散布図行列の作成
  5.11 Pythonによるソフトマックス回帰の実装

第6章 決定木
  6.1 決定木の概要
  6.2 情報利得と不純度
  6.3 ランダムフォレスト
  6.4 ブースティング
  6.5 ウォーミングアップ
  6.6 scikit-learnによる決定木の実装
  6.7 scikit-learnによるランダムフォレストの実装
  6.8 Pythonによる決定木の実装

第7章 ナイーブベイズ分類
  7.1 ナイーブベイズ分類
  7.2 文書分類
  7.3 TF-IDF 
  7.4 頻度0問題
  7.5 ガウシアンナイーブベイズ分類
  7.6 2値分類の性能評価
  7.7 ROC曲線とAUC
  7.8 多クラス分類の性能評価
  7.9 scikit-learnによるガウシアンナイーブベイズ分類器
  7.10 scikit-learnによる多項分布ナイーブベイズ分類器
  7.11 ガウシアンナイーブベイズ分類器の実装

第8章 k近傍法とk-means法
  8.1 パラメトリックモデルとノンパラメトリックモデル
  8.2 k近傍法
  8.3 k-means法
  8.4 ウォーミングアップ
  8.5 scikit-learnによるk近傍法
  8.6 scikit-learnによるk-means法
  8.7 k-means法の実装

第9章 主成分分析
  9.1 共分散行列
  9.2 主成分分析と分散
  9.3 主成分分析の方法
  9.4 寄与率
  9.5 scikit-learnによる主成分分析
  9.6 主成分分析の実装

第10章 サポートベクトルマシン(SVM)
  10.1 ハードマージンSVMの定式化
  10.2 KKT条件
  10.3 勾配降下法を用いたαの推定
  10.4 分離超平面のパラメータw,bの計算
  10.5 ソフトマージンSVM
  10.6 ウォーミングアップ
  10.7 標準化を行う際の注意点
  10.8 scikit-learnを用いた線形SVMの実装
  10.9 ハードマージン線形SVMの実装

第11章 カーネルSVM
  11.1 カーネルSVMの原理
  11.2 カーネル主成分分析(Kernel PCA)
  11.3 ハイパーパラメータの探索方法
  11.4 白色化
  11.5 ウォーミングアップ
  11.6 scikit-learnを用いたカーネルSVM
  11.7 カーネルSVMの実装

第12章 深層学習入門
  12.1 人工ニューラルネットワーク
  12.2 活性化関数
  12.3 バックプロパゲーション
  12.4 学習と確率的勾配降下法
  12.5 勾配の計算
  12.6 出力層におけるδkの計算
  12.7 順伝播と逆伝播の計算の行列表示
  12.8 勾配消失問題について
  12.9 PyTorchのインストール
  12.10 PyTorchによる深層学習の実装
  12.11 Pythonによる深層学習(分類)の実装

第13章 畳み込みニューラルネットワーク(CNN)
  13.1 CNNの概要
  13.2 畳み込み層
  13.3 プーリング層
  13.4 全結合層
  13.5 データ拡張
  13.6 学習テクニック
  13.7 CNNの学習
  13.8 CIFAR-10画像の読み込み
  13.9 PyTorchによるCNNの実装

第14章 再帰型ニューラルネットワーク(RNN)
  14.1 RNNの概要
  14.2 RNN層の順伝播
  14.3 出力層の順伝播
  14.4 RNN層の逆伝播
  14.5 出力層の逆伝播
  14.6 重みの初期値
  14.7 RNNの問題点
  14.8 PyTorchを用いたRNNの実装
  14.9 PythonによるRNN実装

課題略解
参考文献
索引

サポート情報

正誤表

関連書籍

やさしい 計算理論

丸岡 章

2,090円(税込)

入門
新・C言語のススメ

清水忠昭菅田一博

2,310円(税込)

入門
ソーシャルメディア論

土方嘉徳

2,090円(税込)

入門