Pythonによるはじめての機械学習プログラミング [現場で必要な基礎知識がわかる]（技術評論社） [電子書籍]

Pythonによるはじめての機械学習プログラミング [現場で必要な基礎知識がわかる]（技術評論社） の 商品概要

• 人工知能（AI)・機械学習と言ったバズワードを見ることは多くなりましたが，まだまだデータ解析のハードルは高いと考えられています。特に機械学習の入門書には高度な理論や前提知識を必要とされることも多く，学習する過程で挫折しまうことが多いようです。
  エンジニアのみなさんにとっては，Pythonの便利なツールを用いてデータに実際にふれて，機械学習の面白さや便利さを体験することも良い学習方法の1つです。 誤解をおそれずに言えば，目の前のデータをどう扱えば役に立つのか？ を理解してからでも理論を学ぶのは遅くはありません。本書では「勉強になった」で終わることなく現場のアプリーケーションを使うための機械学習の基礎を解説します。
  

• 目次

  第1章　Pythonによる機械学習プログラミングの準備
  1.1 本書で扱う重要なPythonパッケージ
  Pandas
  scikit-learn
  Flask
  Gensim
  PyTorch
  1.2 本書の読み方
  コードおよびコマンドの表示
  importの決まりごと
  サンプルデータとサンプルコード
  1.3 Pythonのセットアップ
  本書で用いるPython環境とバージョン
  macOSへのPythonのインストール
  UbuntuへのPythonのインストール
  WindowsへのPythonのインストール
  MeCabのインストール
  Graphvizのインストール
  Pipenvによる仮想環境作成
  Pythonを記述する環境
  1.4 Visual Studio CodeによるPythonの実行
  Visual Studio Codeのインストール
  Visual Studio Codeの設定
  Visual Studio Code上でのPythonファイルの実行方法
  Visual Studio Codeを用いたPythonのデバッグ方法
  1.5 JupyterLabの基本
  JupyterLabの概要
  セットアップ
  JupyterLabの画面構成
  Notebookの基本的な使い方
  第2章　Pandasによる前処理とデータの分析
  2.1 前処理とは
  データ分析プロセスのフレームワークCRISP-DM
  2.2 irisデータの操作
  データの読み込み
  データへのアクセス
  1次元データ：Series
  データの型
  事例：型の変換
  2.3 データフレームへの変換とデータフレームからの変換
  データフレームの作り方
  CSVファイルへの書き出し
  データフレームをリストや辞書型に変換
  2.4 データフレームを用いた計算や集計
  カテゴリーデータの種類や頻度
  ランキング
  データの並び替え
  基本的な集計
  グループごとの集計
  複数の集計を計算
  2.5 その他のデータ形式の操作
  TSV形式のデータ
  Excel形式のデータ
  htmlのテーブルを読む
  メモリに乗らないデータを逐次的に読み込む
  2.6 データベースからのデータ取得
  データベースとは
  SQLite形式のデータを作る
  SQLの実行
  集計と結合
  2.7 Pandasによるデータ分析の例
  ライブラリとデータの読み込み
  カテゴリカルな列を特定
  データの整形1 - 複数回答を異なる列へ展開
  データの整形2 - 4種類の回答を3種類にまとめる
  データの整形3 - 条件に一致する行を抽出
  データの整形4 - 縦方向のデータを横方向のデータに変換
  Plotlyによる可視化
  1連の前処理を連続して記述するメソッドチェーン
  正規化と正則化
  外れ値
  データのサンプリング
  欠損を含むデータの削除
  欠損値の補完
  第3章　scikit-learnではじめる機械学習
  3.1 機械学習に取り組むための準備
  機械学習とは
  機械学習を使うメリット
  機械学習を使うデメリット
  機械学習を用いるかの判断
  3.2 scikit-learnによる機械学習の基本
  scikit-learnとは
  教師あり学習と教師なし学習
  教師あり学習における課題の取り組み方
  データの準備
  機械学習でデータを分類する
  どんな特徴量が分類に貢献しているのか？
  別のアルゴリズムを試してみる
  機械学習での予測結果に関する評価方法
  ここまでのまとめ
  3.3 Flaskとscikit-learnでAPIを構築する
  マイクロサービスの考え方
  機械学習のアプリケーションをつくるステップ
  学習と予測を分けると得られるメリット
  学習結果を保存し，読み込む
  学習結果を用いて予測APIを構築する
  Flaskを起動してみる
  学習結果をFlaskから読み込み，予測結果をAPIで返す
  まとめ
  第4章　GensimとPyTorchを使った自然言語処理
  4.1 自然言語処理とは
  分布仮説とWord2vec
  Word2vecの学習
  単語の意味ベクトルの応用
  4.2 Gensimで単語の意味ベクトルを学習する
  Word2vecのモデル
  学習データの生成
  Gensimによる学習
  学習時に指定できる主要なパラメータ
  意味ベクトルの視覚化
  4.3 類語を検索する
  類語検索のアルゴリズム
  類語検索の実装
  4.4 アナロジーの推論をする
  アナロジー推論のアルゴリズム
  アナロジー推論の実装
  4.5 PyTorchで日本語ニュース記事を分類する
  データセットの準備
  学習済み意味ベクトルのテキスト形式への変換
  データセットの読み込みと語彙の作成
  モデルの定義
  モデルの訓練とテスト
  4.6 本章のまとめと次のステップ
  

Pythonによるはじめての機械学習プログラミング [現場で必要な基礎知識がわかる]（技術評論社） の商品スペック