AIエンジニアを目指す人のための機械学習入門　実装しながらアルゴリズムの流れを学ぶ

（概要）

機械学習はAI（人工知能）の基礎技術です。今後AIの利活用が進むにつれて、機械学習をコンピュータシステムに組み込んでビジネスに活用できる人材（本書ではAIエンジニアと呼称します）がますます求められます。

機械学習には目的に応じたいくつかの手法が存在します。それらの手法を正しく使えるようになるために、本書はAIエンジニアが理解しておきたいレベルの深さで、各手法のアルゴリズム（動作原理）を丁寧に解説します。とくにアルゴリズムの目的や意味を理解できることをめざします。（アルゴリズムの背景にある高度な数学・統計学の理論についての説明は必要最小限にとどめ、）まずはプログラムを書いて動かし、その結果を見ながらアルゴリズムの長所・短所や、性能をチューニングするためのコツを学びます。

機械学習プログラムの作成には、プログラミング言語「Python」と機械学習ライブラリ「scikit-learn」を使用します。作成したプログラムは、クラウドサービス「Google Colaboratory」や手元のパソコンに構築する「Jupyter Notebook」の環境で簡単に動かせます。


（こんな方におすすめ）

・機械学習・AI（人工知能）技術を学ぶエンジニアや学生

・これから機械学習システムの開発に携わる人


（目次）

第1章　機械学習の概要と本書の進め方

　　1.1　本章の目的と概要

　　1.2　機械学習の概要と3つの分類

　　1.3　機械学習の各手法の動作原理（アルゴリズム）を学ぶ意義

　　1.4　機械学習の勉強方法

　　1.5　本書で使用するライブラリと実行環境

第2章　実装しながら学ぶアルゴリズムのこころ・教師あり学習編

　　2.1　本章の目的と概要

　　2.2　最小二乗法による線形回帰

　　2.3　L1正則化、L2正則化による過学習の抑制

　　2.4　ロジスティック回帰によるクラス分類

　　2.5　SVCによるクラス分類

　　2.6　決定木によるクラス分類

　　2.7　ランダムフォレストによるクラス分類

　　2.8　Naive Bayesによるテキストデータの分類

第3章　実装しながら学ぶアルゴリズムのこころ・教師なし学習編

　　3.1　本章の目的と概要

　　3.2　主成分分析による次元圧縮

　　3.3　k-meansによるクラスタリングとデータ前処理

　　3.4　ガウス混合モデル（GMM）によるクラスタリング

第4章　実装しながら学ぶアルゴリズムのこころ・発展編

　　4.1　本章の目的と概要

　　4.2　勾配ブースティング決定木によるクラス分類

　　4.3　エルボー法とシルエット分析による

　　4.4　t-SNEによる次元圧縮（多様体学習）

　　4.5　異常検知（Novelty Detection、Outlier Detection）

第5章　機械学習システムの構築フローとモデルの性能評価

　　5.1　本章の目的と概要

　　5.2　ビジネス理解

　　5.3　データ加工

　　5.4　モデリング

　　5.5　デプロイと運用

付録

　　A.1　Google Colaboratoryの利用方法

　　A.2　ローカルPCに機械学習の実装・実行環境を整える方法