https://github.com/tom-uchida/introduction_to_machine_learning

Machine learning private lesson.
https://github.com/tom-uchida/introduction_to_machine_learning

machine-learning scikit-learn

Last synced: about 2 months ago
JSON representation

Machine learning private lesson.

• Host: GitHub
• URL: https://github.com/tom-uchida/introduction_to_machine_learning
• Owner: tom-uchida
• Created: 2020-06-28T03:41:58.000Z (almost 6 years ago)
• Default Branch: master
• Last Pushed: 2020-07-24T13:00:35.000Z (almost 6 years ago)
• Last Synced: 2025-05-31T10:50:40.841Z (about 1 year ago)
• Topics: machine-learning, scikit-learn
• Language: Python
• Homepage: https://www.amazon.co.jp/gp/product/4297112094/ref=ppx_yo_dt_b_asin_title_o02_s00?ie=UTF8&psc=1
• Size: 620 KB
• Stars: 0
• Watchers: 0
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
## AIエンジニアを目指す人のための機械学習入門










[書籍 AIエンジニアを目指す人のための機械学習入門（清水琢也・小川雄太郎、技術評論社、20/04/13）](https://gihyo.jp/book/2020/978-4-297-11209-7)




### 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クラスタ数の探索

  - 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




### 参考リンク

- https://github.com/shimitaku/MachineLearning-Book