機械学習のエッセンス 実装しながら学ぶＰｙｔｈｏｎ、数学、アルゴリズム （Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）

投稿元：

レビューを見る

python基礎、高校数学(線形代数、微積分)、python数値計算、機械学習アルゴリズム
機械学習アルゴリズムは写経する
この本で｢六本木で働くデータサイエンティストのブログ｣では初級編扱い、先は長い

投稿元：

レビューを見る

最初の300ページ弱は基礎的な数値計算の導入のみ。

最後の100ページで回帰(線形、リッジ、ラッソ、ロジスティック)とSVM、k-means、PCAをあまりライブラリに頼らず一から実装しているのがポイントのようだ。しっかり基本式から実装に至るまでの式変形をしてくれているので、「ゼロからDEEP」系の解説です。

前半の内容を知らない入門者が最後の100ページをしっかり理解するのは困難なのではないかと感じます。
一方、sklearnとか使えるけど、実際どんな理屈なのかよく知らない、という人にはオススメです。

投稿元：

レビューを見る

機械学習を勉強する上での入り口になり得る本であると感じた　基本的なPythonの文法や高校数学大学数学の復習をした後に、基本となる機械学習アルゴリズムの理論と実装の2つを丁寧に説明してくれている
機械学習を勉強する知人がいたらまず真っ先にこれを勧めたいと思えるレベル
しかし基本的なPythonの経験（数十行くらいのコードを読み書きした経験）や高校理系レベルの数学などの教養が前提となっていて、また後半は行列計算が大量に出てくるので頭の中で平面的立体的に考えられる力がないと理解が追いつかない部分がでてきそう
実務というよりは理論と実装だが、しかし機械学習の勉強をしていくなら最低限これくらいの教養は欲しいといった内容が込められているように感じた




1章
AnacondaなどのPython実行環境の準備について


2章
Pythonの基礎
JupyterNotebookやREPLの使い方、基礎文法、各種データ型、オブジェクト指向、クラス、モジュール作成、ファイル操作など


3章
数学基礎
高校数学の基礎や線形代数の幾何的イメージ、大学レベルの線形代数など
逆行列の求め方やランクの概念についてよく学べた　ランクは変換先が何次になるかを表せてる
その他にも直交行列や対称行列など
微積分は高校数学＋ヘッセ行列など


4章
Pythonによる数値計算
Numpyによる配列計算の基本やScipyによる数値計算の仕方、乱数の扱い、Matplotlibによるデータの可視化など
応用としてScipyのoptimizeモジュールによる数理最適化、中でも勾配降下法は重要　制約式が非線形の最適化の場合はラグランジュ
統計については基本的なレベル


5章
機械学習アルゴリズムについて
各種MLアルゴリズムがどのような数学的理論に基づくかとPythonでどう書かれるかについて
まず線形回帰について学び、その後正則化を取り入れた回帰について
その後過学習の問題について交差検証によってデータをk分割しk回訓練・評価を行うことで改善
その後分類としてロジスティック回帰（名前に注意）やSVM（分類不可能な場合もあるのである程度の許容値となるパラメータを加えチューニングする）
非線形な場合はカーネル法により次元をあげて分類し次元をまた下げる
次に教師なし学習について、k-Means（重心との距離）や主成分分析（低次元射影後の分散を最大化）などの手法の理論とアルゴリズムを学んだ
PCAの行列演算は特異値分解を行うため難しい


スケーリングの標準化が必要なのは正則化（重みが公平じゃないといけない）と勾配降下法（SVMなど）が用いられる時

投稿元：

レビューを見る

機械学習に関して学習しようと思い購入。
線形代数、微分積分の数学の基礎から、Pythonのコードを使用した回帰、k-Means法までを説明してくれている。
微分積分の量はそこまで多くないが、線形代数はしっかりと説明しており、良書だと思う。
機械学習を初めてトライする人にはちょうど良い難易度だと思います。

投稿元：

レビューを見る

30% 機械学習に必要な数学の知識
30% Pythonプログラミングの説明　特にプロットや数理最適化
30% 代表的な機械学習アルゴリズムを数個

図表をきれいに並べているので読みやすい。