[PYTHON] Einführung in datenwissenschaftliche Bücher.

Ich habe im dritten Studienjahr angefangen, Statistik zu studieren, und dieses Jahr ist mein viertes Jahr.

Da es eine große Sache ist, dachte ich, es wäre für jemanden nützlich, wenn ich das Buch vorstellen könnte, während ich zurückblicke, welche Art von Studie ich gemacht habe. Ich denke, dass es überraschend wenige Einführungen darüber gibt, wie viele Bücher Sie auf welcher Ebene lesen und wie Sie sich gefühlt haben.

Motivation für diesen Artikel

In den letzten Jahren sind auf Japanisch gute Bücher über Statistik und maschinelles Lernen erschienen, und es scheint, dass viele Gemeinschaften geboren wurden. Als ich arbeitete und Google Sensei nach "Statistikarbeit" fragte, bekam ich nicht viele anständige Informationen. Ich erinnere mich, dass es mir schwer gefallen ist, nur zu wissen, dass es einen Job als Datenwissenschaftler zu geben scheint.

Das war vor drei Jahren, also können Sie spüren, wie schnell es sich ausgebreitet hat. Ich erinnere mich, dass ich während meiner Arbeit das Wort "Datenwissenschaftler" gehört habe, obwohl ich die Geschichte zu diesem Zweck nicht gehört habe.

Im Gespräch mit Studenten der Arbeitssuche scheint sich diese Dynamik auch jetzt noch nicht verringert zu haben, und Unternehmen suchen immer noch nach Mitarbeitern, die sich mit Datenanalyse auskennen. Es scheint, dass es viele gute Bücher auf Japanisch gibt, auch weil sie in der Gesellschaft so beliebt sind.

Andererseits denke ich, dass es auch schwierig ist, das zu lesende Buch auszuwählen, weil es zu viele gute Bücher gibt.

Deshalb möchte ich dieses Mal die Bücher vorstellen, die ich von Zeit zu Zeit lese, während ich auf den Verlauf meines Statistikstudiums zurückblicke. Das Bild des Buches ist ein Link zu Amazon, daher denke ich, dass die dort verfassten Rezensionen auch hilfreich sein werden. Hier möchte ich etwas schreiben, das nicht so oft wie möglich in der Amazon-Rezension geschrieben ist.

Warum hast du überhaupt angefangen, Statistik zu studieren?

Der Grund für den Studienbeginn ist für jeden Menschen überraschend interessant.

In meinem Fall, als ich im Unterricht einfach Statistik lernte, fand ich das "interessant".

Interessant war ** Test **. Lange habe ich mich gefragt: "Wenn ich etwas messe und vergleiche, wie viel ist gleich und wo ist es anders?" Wenn Sie beispielsweise Ihre Körpergröße messen und davon sprechen, größer und kleiner als Ihre Freunde zu sein, ist der Unterschied von 0,1 mm gleich? Was ist dann mit 1 mm? Es wird gesagt, dass der Unterschied von 1 mm gleich ist, aber ist der Unterschied von 1,1 mm nicht der gleiche? Es ist eine Frage, die die Leute hassen könnten.

Ich denke, es ist in Ordnung, es den Gefühlen des anderen zu überlassen, solange sie normal leben, aber was soll ich tun, wenn ich objektiv bewerten möchte? Ich habe lange nachgedacht. Ich wusste nicht, wonach ich in Guguru suchen sollte, und die Leute schienen mich zu hassen, also fragte ich nicht und erschien dann plötzlich im Unterricht. Ich erinnere mich, dass ich ein wenig beeindruckt war.

Also habe ich angefangen, Statistik zu studieren, weil ich wissen wollte, aus welchem Grund der Unterschied bewertet wurde.

Fehler zuerst

Da ich aus der Abteilung für Managementsystemtechnik stamme, habe ich mich im Unterricht teilweise mit Statistiken befasst, beispielsweise mit der Qualitätskontrolle. In Bezug auf das Niveau hatte ich das Gefühl, dass ich das Niveau 2 des statistischen Tests verstehen konnte.

Ausgehend von dieser Stufe war ich mir nicht sicher, was ich lernen sollte, also begann ich als erstes im Bereich der statistischen Teststufe 1. Der Grund war einfach, die größte Bandbreite, die Wörter wie diese, und es schien, als könnte ich umfassendes Wissen erlangen.

Um ehrlich zu sein, denke ich, dass dies ein Fehler in Bezug auf die Verbesserung meiner Fähigkeiten war.

Trotz seiner großen Bandbreite gibt es dafür kein Lehrbuch, daher musste ich ein Lehrbuch lesen, um ein Fach zu studieren. Es ist eine Aufgabe, den Beweis zu überspringen und die Gliederung aufzunehmen. Während es aufgrund des Berges an Schulexperimenten und -aufgaben schwierig war, Zeit zu gewinnen, versuchte ich, das Ganze umfassend zu erfassen, während der Moyamoya kurz vor der Explosion stand.

Weil ich so etwas tat, konnte ich nur das flache Wissen einer Pfütze erwerben ...

Ich habe einen Fehler gemacht und dachte, ich müsste ihn richtig verstehen. Deshalb habe ich beschlossen, mit dem Lernen zu beginnen, damit ich meine Fähigkeiten stetig verbessern kann.

Zuerst von hier (1. Jahr)

Obwohl es fehlschlug, gab es eine Ernte. Zunächst scheint es, dass Sie es nicht einmal benutzen können, wenn Sie nicht Ihre Füße auf den Boden stellen und lernen. Als wichtige Voraussetzung stellte sich heraus, dass Statistiken Kenntnisse über die Wahrscheinlichkeitsverteilung erfordern. Und es fehlte mir überwiegend. Deshalb habe ich dieses Buch angefangen.

1. Wahrscheinlichkeit / Statistik der Universitätsstudenten

[Wahrscheinlichkeitsstatistik für Universitätsstudenten.jpg](https://www.amazon.co.jp/%E5%BC%B1%E7%82%B9%E5%85%8B%E6%9C%8D%E5%A4%A7%E5%AD%A6% E7% 94% 9F% E3% 81% AE% E7% A2% BA% E7% 8E% 87% E3% 83% BB% E7% B5% B1% E8% A8% 88-% E8% 97% A4% E7 % 94% B0-% E5% B2% B3% E5% BD% A6 / dp / 4489020694)

Es war eine großartige Antwort, dieses Buch zu wählen.

Das Schöne an diesem Buch ist, dass Sie während des Studiums für Prüfungen durch Übungen Wissen erwerben können.

Neben den Grundkenntnissen der Wahrscheinlichkeitsverteilung können Sie auch lernen, wie Sie die zentrale Polqualifikationstheorie und die Produktfaktor-Populationsfunktion, die variable Umwandlung der mehrdimensionalen Verteilung und die Berechnung bedingter Erwartungswerte verwenden. Sie können auch die Grundlagen stochastischer Prozesse wie der Markov-Kette und des Poisson-Prozesses üben.

Sie können diese Inhalte durch Handbewegungsberechnungen lernen. Wenn Sie nicht zu einem esoterischen Buch gehen, können Sie meiner Meinung nach genug Wissen erlangen, ohne die Wahrscheinlichkeit für eine Weile zu studieren. Es ist auch schön, grundlegende Berechnungstechniken erwerben zu können, die häufig in statistischen Nachschlagewerken usw. verwendet werden oder die zu häufig und fehlerhaft sind.

Im letzten Kapitel geht es übrigens um versicherungsmathematische Versicherungen, aber ich denke, Sie müssen es hier nicht tun.

2. Naturwissenschaftliche Statistik

[Statistik der Naturwissenschaften.jpg ](Https://www.amazon.co.jp/%E8%87%AA%E7%84%B6%E7%A7%91%E5%AD%A6%E3%81%AE%E7%B5%B1 % E8% A8% 88% E5% AD% A6-% E5% 9F% BA% E7% A4% 8E% E7% B5% B1% E8% A8% 88% E5% AD% A6-% E6% 9D% B1 % E4% BA% AC% E5% A4% A7% E5% AD% A6% E6% 95% 99% E9% A4% 8A% E5% AD% A6% E9% 83% A8% E7% B5% B1% E8 % A8% 88% E5% AD% A6% E6% 95% 99% E5% AE% A4 / dp / 4130420674)

Nachdem ich die Grundwahrscheinlichkeiten kenne, habe ich dieses Buch ausgewählt, um Statistiken zu studieren.

Es ist ein sogenanntes blaues Buch, aber viele Leute ** [rotes Buch](https://www.amazon.co.jp/%E7%B5%B1%E8%A8%88%E5%AD%A6% E5% 85% A5% E9% 96% 80-% E5% 9F% BA% E7% A4% 8E% E7% B5% B1% E8% A8% 88% E5% AD% A6% E2% 85% A0-% E6% 9D% B1% E4% BA% AC% E5% A4% A7% E5% AD% A6% E6% 95% 99% E9% A4% 8A% E5% AD% A6% E9% 83% A8% E7% B5% B1% E8% A8% 88% E5% AD% A6% E6% 95% 99% E5% AE% A4 / dp / 4130420658 / ref = asc_df_4130420658 /? Tag = jpgo-22 & linkCode = df0 & hvadid = 295668542764 & hvw = & = 5071693128671812832 & hvpone = & hvptwo = & hvqmt = & hvdev = c & hvdvcmdl = & hvlocint = / hvlocphy = 100009255 & hvtargid = pla-524368023110 & psc = 1 & th = 1 & psc = 1 ** Als ich mich fragte, ob ich ein rotes Buch machen sollte, dachte ich, dass ich mit der Wahrscheinlichkeit, die ich zuvor angesprochen habe, und dem Inhalt, den ich im Unterricht gemacht habe, nicht viel unter dem Buch leiden würde, also habe ich es übersprungen, aber es sieht aus wie ein gutes Buch, also ist es gut, dies zu tun Ich denke.

Natürlich war die Wahl von Aomoto auch die richtige Antwort. Zuallererst war es gut, dass ich einige Kenntnisse über lineare Modelle hatte. In der Einführung in das maschinelle Lernen ging die Fehlerverteilung irgendwie nicht in den Test ein, daher war es wertvoll, hier studieren zu können.

Auch wenn das Niveau der Testgeschichte nicht zu hoch ist, wurde sie relativ gut geschrieben, so dass es eine großartige Lernerfahrung war. Ich mag den Fluss von der wahrscheinlichsten Methode zum Test. Wenn Sie eine Frage wie "Es gibt einen XX-Test, warum ist dieser Test gut?" Haben, kann dies enttäuschend sein.

Übrigens, als ich dieses Buch studierte, erkannte ich die Bedeutung des Wissens über lineare Algebra und überprüfte auch die lineare Algebra.

Multivariate Kernel-Analyse

Multivariate Kernelanalyse.jpg

Ich habe gehört, dass SVM erstaunlich ist. Als ich meinen Lehrer fragte, empfahl ich dieses Buch.

Zu dieser Zeit hatte ich das Konzept des Raums in der Mathematik überhaupt nicht, daher war ich verwirrt, weil verschiedene Räume wie Merkmalsraum, Probenraum und regenerativer nuklearer Hilbert-Raum herauskamen. Ich erinnere mich daran. Auch in der High School und im ersten Jahr College-Mathematik denke ich, dass Sie oft Eigenschaften lernen, die im Allgemeinen gelten, aber für Dinge, die solche Eigenschaften haben, solche rudimentären Dinge Ich erinnere mich, dass ich oft gestolpert bin.

Ich denke, es ist ein bisschen schwierig, wenn Sie kein bestimmtes Niveau an Mathematik haben, aber ich denke, der Inhalt des Buches ist ziemlich leicht zu verstehen. Das Lesen dieses Buches zu diesem Zeitpunkt wird zu diesem Zeitpunkt nicht empfohlen, aber es wird jedem empfohlen, der eines Tages etwas über Kernel-Methoden lernen möchte.

Multivariate statistische Analysemethode

[Multivariate statistische Analysemethode.jpg ](Https://www.amazon.co.jp/%E5%A4%9A%E5%A4%89%E9%87%8F%E7%B5%B1%E8%A8%88%E8%A7%A3 % E6% 9E% 90% E6% B3% 95-% E7% 94% B0% E4% B8% AD-% E8% B1% 8A / dp / 476870154X / ref = sr_1_1? __ mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E5% A4% 9A% E5% A4% 89% E9% 87% 8F% E7% B5% B1% E8% A8% 88 % E8% A7% A3% E6% 9E% 90% E6% B3% 95 & qid = 1605949253 & sr = 8-1)

Es ist ein ziemlich altes Buch (1983), aber ich mag es sehr. Sie lernen grundlegende multivariate Analysemethoden kennen (Regressionsanalyse, Hauptkomponentenanalyse, Diskriminanzanalyse, Quantifizierungsmethode, Faktoranalyse, Graphanalysemethode, Clusteranalyse). Die Einführung begann mit der Geschichte der Motivation, konkrete Datenbeispiele zu kennen und was Sie anhand dieser Daten wissen möchten, anstatt wie üblich die Theorie als Ganzes zu erklären und dann konkrete Beispiele und dann die Theorie und konkrete Daten. Da die obigen Berechnungen parallel ablaufen, können Sie mit dem gleichen Gefühl studieren, als würden Sie die Daten tatsächlich analysieren.

Wenn ich es mir jetzt anschaue, denke ich, dass das Gespräch und die Berechnungen zu spezifisch sind, aber ich war sehr dankbar für die Spezifität zu dieser Zeit.

Zusätzlich zur multivariaten Analyse "[Aktuelle Datenanalyse](https://www.amazon.co.jp/%E3%83%87%E3%83%BC%E3%82%BF%E8%A7%" A3% E6% 9E% 90% E3% 81% AE% E5% AE% 9F% E9% 9A% 9B% E2% 80% 95% E5% A4% 9A% E6% AC% A1% E5% 85% 83% E5% B0% BA% E5% BA% A6% E6% B3% 95% E3% 83% BB% E5% 9B% A0% E5% AD% 90% E5% 88% 86% E6% 9E% 90% E3% 83% BB% E5% 9B% 9E% E5% B8% B0% E5% 88% 86% E6% 9E% 90-% E5% A5% A5-% E5% 96% 9C% E6% AD% A3 / dp / 4863451814 / ref = sr_1_2? __ mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E3% 83% 87% E3% 83% BC% E3% 82% BF% E8% A7% A3% E6% 9E% 90% E3% 81% AE% E5% AE% 9F% E9% 9A% 9B & qid = 1605949876 & sr = 8-2) ”, aber dies ist auch das erste Mal Empfohlen für Wissenschaftler. Ich weiß nicht viel über Bücher, die sich mit mehrdimensionaler Skalierung befassen, deshalb denke ich, dass es wertvoll ist.

Zusammenfassung des 1. Jahres

Im ersten Jahr habe ich einen Fehler gemacht und darüber nachgedacht, wobei ich mich auf grundlegende Wahrscheinlichkeitskenntnisse, statistische Ideen und das Studium verwendbarer Methoden wie der multivariaten Analyse konzentriert habe. Ich hatte das Wort "Messtheorie" gehört, aber ich denke, es war die richtige Antwort, dass ich es nicht angefasst habe, weil ich dachte, es sei auf der Ebene unmöglich.

Außerdem wurde mir klar, dass das Wissen über lineare Algebra und kleinere Integration, das ich in meinem ersten Studienjahr gelernt hatte, wichtig war, und es war gut, dass ich es überprüfen konnte, ohne es seitlich tragen zu müssen. Ich denke, dass es wichtig ist, weiter zu lernen, deshalb bin ich froh, dass ich die körperliche Kraft erwerben konnte, um in diesem Sinne weiter zu lernen, da ich seitdem am Leben bin.

Einführung in das maschinelle Lernen (2. Jahr)

In meinem zweiten Jahr war ich im vierten Studienjahr und wurde dem Labor für Angewandte Statistik zugewiesen. Ich hatte aus finanziellen Gründen nicht vor, zur Graduiertenschule zu gehen, also dachte ich, dass das Studium auch nach meinem Job noch nützlich sein würde. Als ich den Lehrer fragte: „Ich möchte mehr als nur forschen, ist das in Ordnung?“ Als er sich für ein Labor entschied, akzeptierte er es gerne. (Nach der Recherche stellte ich fest, dass diese Idee falsch war und dass das, was ich aus der Recherche gewonnen hatte, weiterhin nützlich sein würde, aber ich bin dem Lehrer dankbar, der es wagte, zuzustimmen, ohne sich darauf einzulassen.)

Ich habe gehört, dass KI als maschinelles Lernen bezeichnet wird, deshalb habe ich mich entschlossen, zuerst maschinelles Lernen zu studieren.

Grundlagen des statistischen Lernens

[Grundlagen des statistischen Lernens.jpg ](Https://www.amazon.co.jp/%E7%B5%B1%E8%A8%88%E7%9A%84%E5%AD%A6%E7%BF%92%E3%81%AE % E5% 9F% BA% E7% A4% 8E-% E2% 80% 95% E3% 83% 87% E3% 83% BC% E3% 82% BF% E3% 83% 9E% E3% 82% A4% E3% 83% 8B% E3% 83% B3% E3% 82% B0% E3% 83% BB% E6% 8E% A8% E8% AB% 96% E3% 83% BB% E4% BA% 88% E6% B8% AC% E2% 80% 95-Trevor-Hastie / dp / 432012362X)

Dieses Buch wurde vorgestellt, nachdem der Lehrer um Empfehlungen für das Studium des maschinellen Lernens gebeten worden war.

Dies ist ein sehr beliebtes Buch, da es sich umfassend mit den grundlegenden Methoden des maschinellen Lernens befasst und den theoretischen Hintergrund mit statistischen Ideen ausführlich erklärt. Ich benutze es immer noch oft als Wörterbuch.

Da es dick ist, werden die Verbindungen und Vergleiche jeder Methode detailliert beschrieben. Persönlich mag ich den Fluss vom Absacken zu zufälligen Wäldern und die Entwicklung von segmentalen Polynomen zu Splines.

Es gibt nur wenige Bücher, die eine breite Palette von Themen wie unbeaufsichtigtes Lernen und Regularisierung abdecken. Es wird daher auch empfohlen, diese zu behandeln. Außerdem kenne ich nur dieses Buch, das die Grundlagen für die Förderung von Geschichten enthält, die in Kaggle beliebt sind. Daher empfehle ich diesen Punkt ebenfalls. (Da ich einen Artikel geschrieben habe, der nur den Raum zwischen den Zeilen zum Boosten ausfüllte, werde ich nur ** [Link] posten (https://qiita.com/greatonbi/items/1f0dd4c8b9473610eaa7) **.)

Es war sehr schwer (in vielerlei Hinsicht), insbesondere war es sehr schwierig, den Zeilenabstand der Formeltransformation zu füllen, und als ich versuchte, den Zeilenabstand zu füllen und ihn dem Lehrer zu bringen, sagte er: "Der Zeilenabstand ist gefüllt, aber ich verstehe nicht Ich habe viele Erinnerungen, zum Beispiel, dass ich zurückkommen soll.

Es gibt so viele Referenzen, und sie werden mit der Erklärung eingeführt, dass es sich um solche Dokumente handelt. Deshalb habe ich auch diejenigen gelesen, die ich nicht verstanden habe. Hier werden nur gute Papiere vorgestellt, daher war es eine gute Praxis, die Papiere vor dem Eintritt in die Graduiertenschule zu lesen.

Konzept des Wahrscheinlichkeitsmodells

Grundlagen des probabilistischen Modells.jpg

Ich habe nicht das ganze gelesen, ich habe nur den Teil des stochastischen Prozesses gelesen.

Ich denke, es war ein relativ leicht verständliches Buch, aber ich hatte danach keine Chance, den stochastischen Prozess anzuwenden, deshalb erinnere ich mich nicht viel daran. .. .. Ich erinnere mich, dass ich den Eindruck hatte, die grundlegende Geschichte des stochastischen Prozesses verstehen zu können.

Robuste Statistik: Umgang mit Ausreißern

![Umgang mit Statistiken außerhalb der Grenzen.jpg](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/296113/49d3b28e-075f-6771-3025- f76f172969d1.jpeg)

Das Thema meiner Abschlussforschung war robuste Statistik, deshalb habe ich zuerst in diesem Buch studiert. Ich denke eher, dass es wahrscheinlich nur dieses japanische Buch über robuste Statistiken gibt. (Das andere, was ich weiß, ist "[Hartnäckige Regressionsschätzung (Minotani)]] (https://www.amazon.co.jp/%E9%A0%91%E5%81%A5%E5%9B%9E%E5%B8%B0%E6%8E%A8%E5%AE%9A- % E7% B5% B1% E8% A8% 88% E3% 83% A9% E3% 82% A4% E3% 83% 96% E3% 83% A9% E3% 83% AA% E3% 83% BC-% E8% 93% 91% E8% B0% B7-% E5% 8D% 83% E5% 87% B0% E5% BD% A6 / dp / 4254128371) ”. )

Dieses Buch von Professor Fujisawa ist wahnsinnig leicht zu verstehen und sehr zu empfehlen. Ich erinnere mich, dass ich das Gefühl hatte, dass Gott da war, weil es leicht zu verstehen war, obwohl es nur ein Buch gab, das ich auf Japanisch lesen konnte.

Obwohl es sich um ein ausländisches Buch handelt, lese ich über Robust Statistics "Robust Statistics: Theorie und Methoden (Maronna, Martin, Yohai). / hatena-blog-22 /) “und„ [Robust Statistics (Huber, Ronchetti)](https://www.amazon.co.jp/Robust-Statistics-Wiley-Probability/dp/0470129905/ref=pd_sbs_14_2/356 -3755802-2699304? _encoding = UTF8 & pd_rd_i = 0470129905 & pd_rd_r = 33c41826-0716-411d-9320-aa56f2cbbeba & pd_rd_w = K1XTl & pd_rd_wg = g7OpW & pf_rd_p = c295905f-82f9-4d73-8142-c393a4211258 & pf_rd_r = 7CFK72Z048WTV0C0HVYJ & psc = 1 & refRID = 7CFK72Z048WTV0C0HVYJ) „ist, denke ich. Danach hatte ich das Gefühl, viele Papiere gefangen zu haben. Ich hatte einige Gedanken über robuste Statistiken, aber ich werde diese Geschichte weglassen, weil sie lang sein wird.

Grundlagen der mathematischen Statistik

[Grundlagen der mathematischen Statistik.jpg ](Https://www.amazon.co.jp/%E6%95%B0%E7%90%86%E7%B5%B1%E8%A8%88%E5%AD%A6%E3%81%AE % E5% 9F% BA% E7% A4% 8E-% E9% 87% 8E% E7% 94% B0-% E4% B8% 80% E9% 9B% 84 / dp / 4320014529 / ref = sr_1_5? E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E6% 95% B0% E7% 90% 86% E7% B5% B1% E8% A8% 88 % E5% AD% A6% E3% 81% AE% E5% 9F% BA% E7% A4% 8E & qid = 1605955749 & s = books & sr = 1-5)

Erworben mit dem Wunsch, statistische Grundkenntnisse durch Abschlussforschung zu erwerben. Der Inhalt ist nicht leicht, aber ich bin froh, dass ich ein umfassendes Statistikwissen erworben habe. Von allen Büchern über mathematische Statistik ist dies mein bisheriges Lieblingsbuch.

Inhaltlich ist die Geschichte der Wahrscheinlichkeit unkompliziert und enthält Einzelheiten zu statistischen Modellen, Konvergenz, Tests und Schätzungen. Ich denke, die allgemeine Geschichte über mathematische Statistik wurde geschrieben. Ich denke, der Ausdruck "ein vollwertiges Einführungsbuch" passt gut.

Wenn der Raum zwischen den Zeilen nicht ausgefüllt ist, lesen Sie "Theorie der Punktoptimierung". Ich denke. Obwohl es auf Englisch ist, hat es mir gefallen, weil die Erklärung und der Schreibstil leicht zu verstehen waren. Insbesondere denke ich, dass der Teil der apokalyptischen Theorie sehr detailliert geschrieben wurde. Ich möchte eines Tages alles lesen, aber ich glaube nicht, dass ich es tun werde. .. ..

(Übrigens wurde die Theorie der Punktoptimierung vom Lehrer empfohlen, oder diese Buchbesprechung (pdf direkter Link) Ich glaube, ich habe es gelesen und einen Blick darauf geworfen. Es lohnt sich zu lesen, da es ausführlich besprochen wurde.)

(Für die Theorie der Punktoptimierung war das PDF meiner Meinung nach im Internet.)

Ich habe auch die Zeitung gelesen

Ich habe über die Grundlagen des statistischen Lernens geschrieben, aber ich habe einige Artikel gelesen. Es war nicht, weil ich viel gelesen habe, aber ich dachte, es wäre hilfreich zu schreiben, dass ich die Bücher danach las, als ich dieses Niveau erreichte. .. ..

Zurück zur Geschichte: Die Artikel, die auf der Grundlage des statistischen Lernens in den Referenzen erwähnt wurden, waren glücklicherweise leicht zu lesen, daher war dies eine gute Praxis. Zuerst lese ich die Artikel, die als Referenzen in Büchern usw. aufgenommen werden, und folge dann wieder den dort geschriebenen Referenzen. Es ist interessant, mein Verständnis der Ideen zu vertiefen, die zu jeder Methode und Theorie geführt haben, der Probleme, die gelöst wurden usw. Es war. Es war auch gut, dass ich die Verbreitung und den Zusammenhang erkennen konnte, indem ich die Papiere las, die in den Referenzen in den Papieren aufgeführt sind.

Die Papiere, die ich für meine Abschlussforschung las, waren nicht immer leicht zu lesen, aber ich war mir nicht bewusst, dass ich sie alle lesen musste, und ich hatte eine gewisse Toleranz, also war es ziemlich viel. Der Lehrer hat mir natürlich sehr geholfen, aber ich finde es großartig, dass ich die Dissertation nach Abschluss der Grundschule relativ stressfrei lesen konnte.

Zusammenfassung des zweiten Jahres

So habe ich mein zweites Studienjahr beendet. Grob gesagt scheint es, dass in der ersten Hälfte maschinelles Lernen und in der zweiten Hälfte robuste Statistiken und mathematische Statistiken durch Abschlussforschung studiert wurden. Übrigens habe ich MATLAB an der Graduiertenschule benutzt. Ich mochte es wirklich.

Das Wachstum im vergangenen Jahr war enorm und als ich das erste Jahr studierte, konnte ich mich jenseits meiner Vorstellungskraft stärken.

Es ist nicht wegen meiner eigenen Bemühungen, sondern wegen der Lehrer im Labor. Es war großartig, dass er mich richtig erzogen hat, damit ich es verstehen konnte. Ich werde bei einer anderen Gelegenheit über die Details sprechen, aber ich hatte das Gefühl, dass so etwas Bildung genannt wird. Neben der akademischen Beratung wurde ich auch über die grundlegenden Ideen und Einstellungen aufgeklärt, die als Person oder als Mitglied der Gesellschaft notwendig sind. Dies ist ein großer Vorteil bei der Arbeit. (Irgendwie ist das Gefühl, "Ich wurde erzogen" zu sagen, nicht sehr gut, aber Anleitung und Training reichen nicht in Worten aus, und das Wort "Erziehung" ist perfekt.)

Ich wurde Mitglied der Gesellschaft (3. Jahr)

Mein drittes Jahr war mein erstes Jahr als Mitglied der Gesellschaft, und ich begann als Datenwissenschaftler zu arbeiten. Ich bin kein Ingenieur für maschinelles Lernen, sondern ein Datenwissenschaftler auf der Unternehmensseite, und ich habe viel Beratungsarbeit. Der erste Job, den ich machte, war Marketingberatung. Als Student habe ich mich auf Anwendungen im Unterricht konzentriert (ich habe früher über Anwendungen gesprochen, weil es Management Engineering war), und in meiner eigenen Studie habe ich mich auf Theorie konzentriert, aber selbst als ich Mitglied der Gesellschaft wurde, war dieses Gleichgewicht Ich lernte mit dem Bewusstsein, das ich aufrechterhalten wollte.

Bei der Arbeit musste ich hart arbeiten, um eher Domänenwissen als Statistik zu erwerben, und das Studium der Statistik wurde bescheiden. Das war ein bisschen enttäuschend, aber ich denke, es wäre von Vorteil, wenn ich diese Arbeit fortsetzen könnte.

Mustererkennung und maschinelles Lernen (allgemein bekannt als PRML)

[PRML.jpg](https: //www.amazon.co.jp/%E3%83%91%E3%82%BF%E3%83%BC%E3%83%B3%E8%AA%8D%E8%AD%98%E3%81 % A8% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92-% E4% B8% 8A-CM-% E3% 83% 93% E3% 82% B7% E3 % 83% A7% E3% 83% 83% E3% 83% 97 / dp / 4621061224) ![PRML unten.jpg](https: //qiita-image-store.s3.ap-northeast-1.amazonaws. com / 0/296113 / 4c68e87f-4c0e-57b9-7193-fe43033127b7.jpeg)

Nachdem ich die Grundlagen des statistischen Lernens gelesen habe, lese ich PRML, ein weiteres Buch, das man unbedingt lesen muss. Es fühlte sich an wie in Bay Bay Bays und es war schwierig, der Transformation der Formel zu folgen. Da es sich jedoch um ein berühmtes Buch handelt, gibt es viele Websites, Blogs und Folien, die als Referenz bei der Online-Suche verwendet werden können. Es fiel mir schwer, weil die Grundlagen des statistischen Lernens klein sind, aber PRML war in dieser Hinsicht leicht zu studieren.

Insbesondere diese Seite wird empfohlen. Das PDF wird kostenlos verteilt, aber ich habe eine [Papierversion] davon gekauft (http://ankokudan.org/d/d.htm?detail093-detailread-j.html). Ich bin sehr dankbar für diesen Inhalt für 556 Yen. Ernsthafter Gott.

Persönlich ziehe ich die Grundlagen des statistischen Lernens PRML vor.

Wie bei den Grundlagen des statistischen Lernens denke ich, dass es beim Lernen so wichtig ist, die Hände ehrlich zu bewegen. Natürlich ist es mein Niveau, also kenne ich nicht das Gefühl von jemandem, der stärker ist als ich, aber ...

Textanalyse

[Text Analytics.jpg](https //www.amazon.co.jp/%E3%83%86%E3%82%AD%E3%82%B9%E3%83%88%E3%82%A2%E3%83%8A%E3% 83% AA% E3% 83% 86% E3% 82% A3% E3% 82% AF% E3% 82% B9-% E7% B5% B1% E8% A8% 88% E5% AD% A6One-Point-% E9% 87% 91-% E6% 98% 8E% E5% 93% B2 / dp / 432011261X / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E3% 83% 86% E3% 82% AD% E3% 82% B9% E3% 83% 88% E3% 82% A2% E3% 83% 8A% E3% 83% AA% E3 % 83% 86% E3% 82% A3% E3% 82% AF% E3% 82% B9 & qid = 1606048673 & s = englische Bücher & sr = 1-1)

Ich habe es gekauft, weil es so aussah, als würde ich mich bei der Arbeit oft mit Textdaten beschäftigen. Der Inhalt selbst war gut, aber um ehrlich zu sein, war es nicht das, was ich erwartet hatte. Aber der Inhalt war gut.

Anstatt höflich mit jeder Methode umzugehen, konnte ich aus der Vogelperspektive sehen, wie es einen solchen Ansatz für die Analyse von Textdaten gibt.

Fehlende Datenverarbeitung

[Fehlende Datenverarbeitung.jpg](( C%A0%E6%B8%AC%E3%83%87%E3%83%BC%E3%82%BF%E5%87%A6%E7%90%86-R%E3%81%AB%E3%82%88%E3%82%8B%E5%8D%98%E4%B8%80%E4%BB%A3%E5%85%A5%E6%B3%95%E3%81%A8%E5%A4%9A%E9%87%8D%E4%BB%A3%E5%85%A5%E6%B3%95-%E7%B5%B1%E8%A8%88%E5%AD%A6One-%E9%AB%98%E6%A9%8B-%E5%B0%86%E5%AE%9C/dp/4320112563/ref=sr_1_2?__mk_ja_JP=%E3%82%AB%E3%82%BF%E3%82%AB%E3%83%8A&dchild=1&keywords=%E6%AC%A0%E6%B8%AC%E3%83%87%E3%83%BC%E3%82%BF&qid=1606049747&s=english-books&sr=1-2)

In der Praxis (aber nicht so) handelt es sich um eine Parade fehlender Daten. Natürlich müssen Sie wissen, wie Sie mit fehlenden Daten umgehen. Also habe ich dieses Buch aufgegriffen.

Dieses Buch konzentriert sich im Wesentlichen auf die Mehrfachzuweisungsmethode, und ich war mit dem Inhalt zufrieden, da es sich mit der Mehrfachzuweisungsmethode in verschiedenen Methoden befasst, aber das letzte Kapitel "Schlussfolgerung" war sehr gut.

Außerdem war beispielsweise im Kapitel über Mehrfachzuweisungsmethoden in der logistischen Regression die Erklärung der logistischen Regression selbst (warum die logistische Regression verwendet wird) sehr gut.

Deep Learning von Grund auf neu

Deep Learning.jpg von Grund auf neu erstellt

Wenn ich in dieser Art von Arbeit bin, wird mir etwas wie "Du verstehst Deep Learning" gesagt, aber ich schäme mich zu sagen, dass ich nicht sehr daran interessiert war und bis jetzt nicht studiert habe. Aber ich fand es nicht gut, immer wieder zu sagen, dass ich es überhaupt nicht wusste, und beschloss, vorerst mit diesem Buch zu studieren.

Ich denke, es ist eine großartige Einführung, um zu sehen, wie es im Inneren funktioniert.

Feature Engineering für maschinelles Lernen

[![Feature Quantity Engineering für maschinelles Lernen.jpg](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/296113/17cbecdf-c49d-c9e9-f1d9-346f944c6797] .jpeg)](https://www.amazon.co.jp/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E3%81%AE%E3% 81% 9F% E3% 82% 81% E3% 81% AE% E7% 89% B9% E5% BE% B4% E9% 87% 8F% E3% 82% A8% E3% 83% B3% E3% 82% B8% E3% 83% 8B% E3% 82% A2% E3% 83% AA% E3% 83% B3% E3% 82% B0-% E2% 80% 95% E3% 81% 9D% E3% 81% AE % E5% 8E% 9F% E7% 90% 86% E3% 81% A8Python% E3% 81% AB% E3% 82% 88% E3% 82% 8B% E5% AE% 9F% E8% B7% B5-% E3% 82% AA% E3% 83% A9% E3% 82% A4% E3% 83% AA% E3% 83% BC% E3% 83% BB% E3% 82% B8% E3% 83% A3% E3% 83% 91% E3% 83% B3-Alice-Zheng / dp / 4873118689 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & crid = L0BJ87AUAYC7 & dchild = 1 & Stichwörter =% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92% E3% 81% AE% E3% 81% 9F% E3% 82% 81% E3% 81% AE% E7% 89% B9% E5% BE% B4% E9% 87% 8F% E3% 82% A8% E3% 83% B3% E3% 82% B8% E3% 83% 8B% E3% 82% A2% E3% 83% AA% E3% 83% B3% E3% 82% B0 & qid = 1606052771 & sprefix =% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92% E3% 81% AE % 2Caps% 2C364 & sr = 8-1)

Bis dahin habe ich, soweit ich wusste, Funktionen aus einigen Optionen erstellt. Ich habe dieses Buch aufgegriffen, weil ich dachte, das sei nicht sehr gut.

Inhaltlich scheint die Hauptmethode darin zu bestehen, Merkmalsmengen zu erstellen.

Um ehrlich zu sein, wusste ich nicht viel darüber, aber es war großartig zu lesen, was in einem Buch auf diese Weise organisiert war, weil ich es in meinem Kopf organisieren konnte. Als ich die Analyse von Textdaten studierte, hatte ich den Eindruck, dass das, was ich wissen wollte, eher in diesem Buch geschrieben war.

Bei der Analyse wird immer noch häufig auf dieses Buch Bezug genommen.

Statistische Kausalsuche

Statistische kausale Suche.jpg

Ich denke, viele Menschen möchten statistische kausale Argumente studieren. Ich dachte es mir und schlug verschiedene Bücher nach und stellte fest, dass dieses Buch gut aussah.

Ausgehend von der grundlegenden Geschichte des statistischen kausalen Denkens soll die vom Autor entwickelte Methode LiNGAM erläutert werden. Die Erklärung war leicht zu verstehen und ich konnte sie mit einem angenehmen Gefühl lesen, wie "Ich wollte diese Art von Erklärung". Ich empfehle es sehr.

Leider werden wir in der Praxis nicht oft nach einer ordnungsgemäßen Analyse gefragt, aber ich hoffe, dass wir eines Tages ihre Bedeutung erkennen werden. (Aber es wäre schwierig, dies Nicht-Analysten zu erklären ...)

Einführende Versuchsplanungsmethode

[Experimentelle Planungsmethode.jpg]( https://www.amazon.co.jp/%E5%85%A5%E9%96%80-%E5%AE%9F%E9%A8%93%E8%A8%88%E7%94%BB% E6% B3% 95-% E6% B0% B8% E7% 94% B0-% E9% 9D% 96 / dp / 4817103825 / ref = sr_1_10? adgrpid = 57126337881 & dchild = 1 & gclid = CjwKCAiAtej9BRAvEiwA0UAWXuhZeHtM8mwrwcLEZPJZ6HM__Qd0oo_KlQ9F77IAn2aoow5vJnWEZhoCwUEQAvD_BwE & hvadid = 338.530.619.916 & hvdev = c & hvlocphy = 1.009.255 & hvnetw = g & hvqmt = b & hvrand = 18019147825820991363 & hvtargid = aud-990383411460% 3Akwd-302343910705 & hydadcr = 27706_11559583 & jp-ad-ap = 0 & keywords =% E5% AE% 9F% E9% A8% 93% E8% A% % E5% 88% 86% E6% 95% A3% E5% 88% 86% E6% 9E% 90% E3% 81% AE% E3% 81% AF% E3% 81% AA% E3% 81% 97 & qid = 1606055140 & sr = 8-10 & tag = googhydr-22)

Dies ist ein Buch von Professor Nagata, der letztes Jahr den Deming Award gewonnen hat.

Ich wollte die experimentelle Planungsmethode lange studieren, da die korrekte Datenanalyse mit der Erfassung der richtigen Daten beginnt, aber ich dachte, dass dies ein wenig mühsam sein würde, und ließ es in Ruhe. .. .. Seit ich Mitglied der Gesellschaft bin, ist es schwierig geworden, mir Zeit zum Lernen zu nehmen, wie ich es als Student getan habe. Selbst wenn ich es leicht lese (ohne meine Hände fest zu bewegen und lange nachzudenken), denke ich, dass ich es verstehen kann. Die experimentelle Planungsmethode war ziemlich perfekt. Es ist ziemlich interessant zu studieren. Wenn Sie darüber nachdenken, sagt es etwas Natürliches aus, aber wenn Sie es nicht wissen, vermissen Sie es einfach.

Es enthält auch Geschichten über das Lernen und Verbindungen zu jedem Bereich, und ich denke, es ist eine sehr freundliche Struktur für diejenigen, die alleine lernen. Die Ausdrucksentwicklung ist ziemlich höflich, so dass einige Leute sie für überflüssig halten, aber ich denke, viele Leute finden sie geschätzt.

Das letzte Kapitel, ungefähr 50 Seiten, ist eine Frage und Antwort, die auch sehr gut lesbar ist.

Leider denke ich, wir sollten einen richtigen Versuchsplan erstellen, aber es ist schwierig, einen richtigen Versuchsplan in der Praxis oder in der Wirtschaft zu erstellen. .. .. Natürlich kommt es auf das Feld an.

Die Essenz des maschinellen Lernens

kikaigakusyuunoessennsu.jpg

Es war ein heißes Thema, also habe ich es gekauft, aber es war ein Buch, mit dem ich große Probleme hatte. Vorausgesetztes Wissen ist wirklich ein seltenes Buch bis zur Mathematik an der High School. Die Erklärung war auch sehr leicht zu verstehen, und ich hatte den Eindruck, dass den Anfängern große Aufmerksamkeit geschenkt wurde.

Der Inhalt ist beispiellos und etwa 270 Seiten widmen sich dem Erwerb des Wissens, das zum Erlernen des maschinellen Lernens erforderlich ist (Vorbereitung der Ausführungsumgebung, Grundlagen von Python, lineare Algebra, Feinintegration, numerische Berechnung). Die restlichen 100 Seiten bestehen aus maschinellem Lernen.

Bis dieses Buch herauskam, fing ich an, maschinelles Lernen zu studieren, aber ich hörte viele Geschichten, dass ich frustriert war, als ich das erforderliche Wissen studierte, und dachte, dass ein wirklich gutes Buch herauskam. Wenn Sie dieses Buch lesen, können Sie problemlos mit maschinellem Lernen beginnen. Ich möchte maschinelles Lernen studieren. Was soll ich tun? Ich empfehle dieses Buch ausnahmslos zu der Frage.

Ich wollte auch mit diesem Buch anfangen.

Zusammenfassung des 3. Jahres

Mein ehrlicher Eindruck ist, dass ich zu Beginn meiner Arbeit Marketing, Management, Domänenwissen usw. studiert habe, und obwohl ich nicht viel Zeit hatte, um Statistiken zu studieren, habe ich ziemlich viel gelesen. Ich denke, das lag daran, dass ich im zweiten Jahr einige Grundkenntnisse erworben hatte und es auf einem moderaten Niveau relativ reibungslos lesen konnte, aber es gab kein schmerzhaftes Buch außer PRML, und es war groß, dass es sorgfältig erklärt wurde. Überlegen. Ich habe das Gefühl, dass es hier viele gute Bücher gibt.

Ich denke, die Grundlagen des statistischen Lernens und der PRML sind immer noch beliebte Bücher, aber was ist mit ihnen? Bei so vielen guten Büchern ist es möglicherweise nicht immer notwendig, sie früh zu lesen. Ich denke, es ist in Ordnung, wenn Sie die Zusammenhänge zwischen den Methoden kennen möchten, nachdem Sie etwas Kraft gewonnen haben, oder wenn Sie eine Reihe von Methoden mit einer konsistenten Persönlichkeit studieren möchten. Ich denke, es ist ein gutes Buch, aber ich denke, es gibt einen guten Zeitpunkt, es zu lernen.

Es ist das zweite Jahr für arbeitende Menschen (viertes Jahr)

Die diesjährige Geschichte. Dieses Jahr wurde ich von einer neuen Art von Koronavirus beeinflusst, an die ich zu dieser Zeit des letzten Jahres noch nie gedacht hatte. Ich befand mich bei der Arbeit in einer Krise, daher hatte ich keine Zeit, weiter zu lernen, beispielsweise meine gesamte Zeit für die Arbeit aufzuwenden. Wie erwartet wurde mir kürzlich klar, dass ich gut auf mich selbst aufpassen musste und dass wenn ich auf diese Weise arbeite, dies einen Zwangseffekt auf andere haben könnte. Teilweise dadurch konnte ich mir durch die Rückkehr zum normalen Betrieb eine gewisse Lernzeit sichern. .. ..

Nun, das ist eine gute Geschichte, aber dieses Jahr habe ich etwas grundlegender studiert als zuvor.

Probabilistische Theorie für die Statistik darüber hinaus

[Wahrscheinlichkeitstheorie für Statistik.jpg](Https://www.amazon.co.jp/%E7%B5%B1%E8%A8%88%E5%AD%A6%E3%81%B8%E3%81%AE%E7%A2% BA% E7% 8E% 87% E8% AB% 96% E3% 80% 81% E3% 81% 9D% E3% 81% AE% E5% 85% 88% E3% 81% B8% E2% 80% 95% E3% 82% BC% E3% 83% AD% E3% 81% 8B% E3% 82% 89% E3% 81% AE% E6% B8% AC% E5% BA% A6% E8% AB% 96% E7% 9A% 84% E7% 90% 86% E8% A7% A3% E3% 81% A8% E6% BC% B8% E8% BF% 91% E7% 90% 86% E8% AB% 96% E3% 81% B8% E3% 81% AE% E6% 9E% B6% E3% 81% 91% E6% A9% 8B-% E6% B8% 85% E6% B0% B4-% E6% B3% B0% E9% 9A% 86 / dp / 4753601250 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E7% B5% B1% E8% A8% 88% E5% AD% A6% E3% 81% B8% E3% 81% AE% E7% A2% BA% E7% 8E% 87% E8% AB% 96 & qid = 1606093185 & sr = 8-1)

In verschiedenen Büchern wird häufig beschrieben, dass "Kenntnisse der messtechnischen Wahrscheinlichkeitstheorie nicht erforderlich sind". Als ich mir diese Beschreibung ansah, hatte ich das Gefühl, dass "es notwendig ist, Kenntnisse der messtechnischen Wahrscheinlichkeitstheorie zu haben?", Und ich denke, dass es viele Menschen gibt, die die Erfahrung des explosiven Todes wiederholt haben, obwohl ich versuchen werde, sie zu lernen. Natürlich wurde ich wiederholt getötet.

Dieses Buch ist perfekt für solche Leute.

Durch das Studium der Wahrscheinlichkeitstheorie zum Verständnis der mathematischen Statistik konnten wichtige Fragen der Messtheorie erlernt werden. Ich denke, dass es für diejenigen geeignet ist, die nicht die Theorie der messtechnischen Wahrscheinlichkeit selbst erwerben wollen, sondern die grundlegende Fähigkeit entwickeln wollen, der sogenannten Anwendung für das Studium der mathematischen Statistik standzuhalten.

** "Es gibt fast kein Problem, wenn Sie $ \ Omega = R ^ d $ für viele statistische Probleme setzen" ** und der Beweis des Hop-Erweiterungssatzes entfällt ** "Dieser Satz ist eine Wahrscheinlichkeit Es ist wichtig, ein Maß zu konstruieren, und um es zu beweisen, muss man noch die Maßtheorie studieren. Es wird jedoch nicht so schwierig sein, die Behauptung des Satzes zu verstehen. Wenn dieser Satz akzeptiert wird, Viele Schritte in den frühen Stadien der Messtheorie können weggelassen werden. Wenn Sie die angewandte Wahrscheinlichkeitstheorie für Statistiken usw. verstehen möchten, ist es meiner Meinung nach besser, diesen Satz zu akzeptieren und fortzufahren. "** Ich denke, dass eine solche Beschreibung den Charakter dieses Buches gut zum Ausdruck bringt.

Die Erklärungsmethode ist lehrreich und erklärt eher in einem Vortragston als in der einfachen Erklärung, die häufig in Fachbüchern zu finden ist. Was würde passieren, wenn ich die Annahmen fallen lassen würde, wozu diese Geschichte führen würde und die Anzahl der Charaktere solchen Geschichten fest gewidmet war, und es war eine sehr dankbare Erklärung für diejenigen, die selbst lernen.

Funktionsanalyse für das Engineering

[Funktionsanalyse für engineering.jpg](Https://www.amazon.co.jp/%E5%B7%A5%E5%AD%A6%E3%81%AE%E3%81%9F%E3%82%81%E3%81% AE% E9% 96% A2% E6% 95% B0% E8% A7% A3% E6% 9E% 90-% E5% B7% A5% E5% AD% A6% E3% 81% AE% E3% 81% 9F % E3% 82% 81% E3% 81% AE% E6% 95% B0% E5% AD% A6-% E5% B1% B1% E7% 94% B0-% E5% 8A% 9F / dp / 4901683624 / ref = sr_1_1? __ mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & crid = 1CEDL53GI3D3Z & dchild = 1 & keywords =% E5% B7% A5% E5% AD% A6% E3% 81 % AE% E3% 81% 9F% E3% 82% 81% E3% 81% AE% E9% 96% A2% E6% 95% B0% E8% A7% A3% E6% 9E% 90 & qid = 1606095842 & sprefix =% E5% B7% A5% E5% AD% A6% E3% 81% AE% E3% 81% 9F% E3% 82% 81% E3% 81% AE% 2Caps% 2C291 & sr = 8-1)

Es ist kein Statistikbuch, aber ich habe viel gelernt, also werde ich es vorstellen. Insbesondere denke ich, dass sich das Verständnis vertiefen wird, wenn Sie mit dem Studium dieses Buches vor oder während des Lesens von "[Wahrscheinlichkeitstheorie für Statistik, darüber hinaus](# Wahrscheinlichkeitstheorie für Statistik, darüber hinaus)" fortfahren.

Es heißt "für Ingenieurwissenschaften", aber gibt es eine Schule an der Fakultät für Ingenieurwissenschaften, die dies tut? Es ist ein Inhalt, Angst zu haben. (Es heißt nur "für Ingenieurwesen", nicht "es an der Fakultät für Ingenieurwissenschaften tun".)

Es ist wichtig anzumerken, dass das Wort "für Engineering" ebenfalls irreführend ist, und dies bedeutet nicht, dass es nicht streng und intuitiv ist, sondern dass es sich um die im Engineering verwendete Funktionsanalyse handelt. Es bedeutet das. Daher denke ich, dass das Lesen dieses Buches Ihr Verständnis von mathematischer Statistik, Optimierung und Wahrscheinlichkeitstheorie vertiefen wird.

Zum Glück für die Ingenieure kann die Tatsache, dass es fast keinen Beweis und fast keinen Zeilenabstand gibt, als "nur für das Engineering" bezeichnet werden! Ernsthafter Gott!

Ich denke auch, dass es eine Funktion ist, bei der jedem Dokument auf der Referenzseite Kommentare hinzugefügt werden. Ich habe es nicht verfolgt, aber die Kommentare sind heiß. Wenn Sie es sich leisten können, tun Sie es bitte!

Einführung in die Effektüberprüfung

[Einführung zur Überprüfung von Effekten.jpg]( https://www.amazon.co.jp/%E5%8A%B9%E6%9E%9C%E6%A4%9C%E8%A8%BC%E5%85%A5%E9%96%80%E3 % 80% 9C% E6% AD% A3% E3% 81% 97% E3% 81% 84% E6% AF% 94% E8% BC% 83% E3% 81% AE% E3% 81% 9F% E3% 82 % 81% E3% 81% AE% E5% 9B% A0% E6% 9E% 9C% E6% 8E% A8% E8% AB% 96-% E8% A8% 88% E9% 87% 8F% E7% B5% 8C% E6% B8% 88% E5% AD% A6% E3% 81% AE% E5% 9F% BA% E7% A4% 8E-% E5% AE% 89% E4% BA% 95-% E7% BF% 94% E5% A4% AA / dp / 4297111179 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E5% 8A% B9% E6% 9E% 9C% E6% A4% 9C% E8% A8% BC% E5% 85% A5% E9% 96% 80 & qid = 1606097182 & sr = 8-1)

Ich habe es gekauft, weil es ein heißes Thema war, aber es war ein sehr gutes Buch, weil es ein heißes Thema war. Es wurde eher für geschäftliche Zwecke als für Studenten geschrieben, daher fand ich es sehr praktisch.

Die Buchbesprechungen zu den Inhalten sind an verschiedenen Stellen verfasst, daher werde ich sie hier weglassen.

Persönlich liebte ich das Vorwort und das Nachskript und schüttelte meinen Kopf wie ein roter Käfer auf und ab. Sie können sehen, dass es ein gutes Buch ist, wenn Sie hier lesen.

Praktisches maschinelles Lernen mit Scikit-learn und TensorFlow

[Tokage book.jpg](https //www.amazon.co.jp/%E5%8A%B9%E6%9E%9C%E6%A4%9C%E8%A8%BC%E5%85%A5%E9%96%80%E3% 80% 9C% E6% AD% A3% E3% 81% 97% E3% 81% 84% E6% AF% 94% E8% BC% 83% E3% 81% AE% E3% 81% 9F% E3% 82% 81% E3% 81% AE% E5% 9B% A0% E6% 9E% 9C% E6% 8E% A8% E8% AB% 96-% E8% A8% 88% E9% 87% 8F% E7% B5% 8C % E6% B8% 88% E5% AD% A6% E3% 81% AE% E5% 9F% BA% E7% A4% 8E-% E5% AE% 89% E4% BA% 95-% E7% BF% 94 % E5% A4% AA / dp / 4297111179 / ref = sr_1_1? __Mk_ja_JP =% E3% 82% AB% E3% 82% BF% E3% 82% AB% E3% 83% 8A & dchild = 1 & keywords =% E5% 8A% B9 % E6% 9E% 9C% E6% A4% 9C% E8% A8% BC% E5% 85% A5% E9% 96% 80 & qid = 1606097182 & sr = 8-1)

Bei der Arbeit hatte ich nur Excel und hatte nur wenige Möglichkeiten, R oder Python zu verwenden. Ich habe R als Student verwendet, daher verwende ich R für statistische Analysen, aber ich habe Python noch nie verwendet. Ich habe Python in [Essenz des maschinellen Lernens](# Essenz des maschinellen Lernens) und [Deep Learning from Zero](# Deep Learning from Zero) berührt, aber beide schreiben Code von Grund auf neu, sodass er in der Praxis verwendet zu werden scheint. Ich habe es gekauft, weil ich die Werkzeuge verfügbar halten wollte.

Zunächst stellte ich fest, dass Scikit-Learn in der ersten Hälfte recht einfach und bequem ist, aber es scheint, als ob es genau das ist.

Zu Beginn wird eine natürliche (und ideale) Geschichte geschrieben, und es scheint, dass in diesem Buch eine praktische Geschichte entwickelt wird. Dies ist jedoch nur der Anfang. Danach werden Erklärungen für den Algorithmus und andere Dinge entwickelt, und ich fühle mich wie "Wo hast du geübt?" Es ist schön, sich auf den Algorithmus zu konzentrieren, aber ich habe mich gefragt, ob ich etwas über die Probleme und Fehler lesen möchte, die bei der Verwendung dieses Algorithmus häufig auftreten.

Ich frage mich auch, ob ich keine Erklärung der Theorie brauchte. Wenn ja, wollte ich, dass Sie es etwas fester schreiben. Der Zweck sollte jedoch keine Theorie sein, daher wollte ich, dass Sie sich mit den oben beschriebenen Problemen befassen, während Sie nur Ideen und Umrisse als ggrks schreiben.

In Bezug auf den Code denke ich persönlich, dass der auf GitHub veröffentlichte Code ziemlich gut ist. Ich finde das wertvoll.

In diesem Buch ist die Version von TensorFlow 1, jetzt heißt sie TensorFlow2. .. ..

Es war jedoch eine großartige Ernte, die grundlegende Verwendung von Scikit-Learn zu erlernen. Obwohl ich etwas unzufrieden bin, bin ich persönlich zufrieden, weil ich mein Ziel erreichen konnte.

Zusammenfassung des 4. Jahres

Ich hatte nicht viel Zeit zum Lernen, weil ich dieses Jahr den größten Teil meiner Zeit in meine Arbeit gesteckt habe, aber ich denke, ich konnte meine Fähigkeiten verbessern. Die Ergebnisse bei der Arbeit waren großartig, daher denke ich, dass ich in Bezug auf die Gesamtpunktzahl eine gute Punktzahl erzielen werde.

Während des ganzen Jahres fand ich es großartig, dass ich relativ Grundlagen lernen konnte. Und vergessen Sie nicht, dass es Bücher gibt, in denen Sie selbst Ihr Bestes geben können, auch wenn der Inhalt relativ einfach ist und es zu einer sehr dankbaren Umgebung wird.

Außerdem verwende ich es bei der Arbeit überhaupt nicht oder verstehe es beim Schreiben von Code nicht, aber das kann ich nicht mehr sagen, daher ist es ein beliebtes Python. Ich denke, es ist ein Fortschritt, dass ich angefangen habe zu studieren. (In der Graduiertenschule war die Klasse R bei MATLAB, also habe ich Python zum ersten Mal berührt, aber es sollte leicht zu verstehen sein.)

In Zukunft möchte ich weiterhin Python usw. lernen und gleichzeitig Zeitreihenanalysen, Verstärkungslernen und Bayes'sche Statistiken einführen. Der Rest denkt an meine Karriere.

Zusammenfassung

Ich glaube, ich konnte beim Lesen jedes Buches herausfinden, wie viel Wissen ich hatte und welche Eindrücke ich hatte. Ich hoffe es hilft jemandem.

Bonus: Derzeit laufendes Buch

** ① Theorie und Methode der Bayes'schen Statistik ** [Theorie und Methode der Bayes'schen Statistik.jpg](Https://www.amazon.co.jp/%E3%83%99%E3%82%A4%E3%82%BA%E7%B5%B1%E8%A8%88%E3%81% AE% E7% 90% 86% E8% AB% 96% E3% 81% A8% E6% 96% B9% E6% B3% 95-% E6% B8% A1% E8% BE% BA-% E6% BE% 84% E5% A4% AB / dp / 4339024627 / ref = sr_1_1? adgrpid = 88754979296 & dchild = 1 & gclid = CjwKCAiAtej9BRAvEiwA0UAWXvyWzwLZGNMu1qfEKd3yn16KyW57h-5alyEHjckVORcdNo6Ip_wfdBoCPpYQAvD_BwE & hvadid = 410.416.604.105 & hvdev = c & hvlocphy = 1.009.255 & hvnetw = g & hvqmt = e & hvrand = 7720280795536605024 & hvtargid = AUD-990.383.411.460% 3Akwd-889.135.189.364 & hydadcr = 27491_11564684 & jp-AD- ap = 0 & keywords =% E3% 83% 99% E3% 82% A4% E3% 82% BA% E7% B5% B1% E8% A8% 88 +% E3% 81% AE +% E7% 90% 86% E8% AB% 96 +% E3% 81% A8 +% E6% 96% B9% E6% B3% 95 & qid = 1606113928 & sr = 8-1 & tag = googhydr-22)

Gekauft, um mit der Bayes'schen Statistik zu beginnen. Es ist schwer zu sagen, wie gemunkelt, es ist schwierig, sich mit dem Wissen zu verbinden, das ich jetzt habe, und der Zeilenabstand ist ziemlich groß, so dass ich überhaupt keine Fortschritte mache. Ich denke, es ist in Ordnung, sich etwas Zeit zu nehmen, also werde ich es langsam und langsam angehen. Übrigens bekam ich den Rat, dass ich es mir aus Kapitel 7 ansehen sollte, und es war sicherlich ziemlich gut, dies zu tun. Ich denke, es ist eine gute Idee, die Kapitel 1 und 7 zu lesen, bevor Sie mit Kapitel 2 fortfahren.


** ② Python-Programmierung für maschinelles Lernen ** [![Python Machine Learning Programming.jpg](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/296113/92c772d8-a9f9-302f-11ed-14a326909f64.jpeg)](https://www.amazon.co.jp/%E7%AC%AC3%E7%89%88-Python%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF% 92% E3% 83% 97% E3% 83% AD% E3% 82% B0% E3% 83% A9% E3% 83% 9F% E3% 83% B3% E3% 82% B0-% E9% 81% 94 % E4% BA% BA% E3% 83% 87% E3% 83% BC% E3% 82% BF% E3% 82% B5% E3% 82% A4% E3% 82% A8% E3% 83% B3% E3 % 83% 86% E3% 82% A3% E3% 82% B9% E3% 83% 88% E3% 81% AB% E3% 82% 88% E3% 82% 8B% E7% 90% 86% E8% AB % 96% E3% 81% A8% E5% AE% 9F% E8% B7% B5-Impress-Gear / dp / 4295010073 / ref = sr_1_3_sspa? 82% AB% E3% 83% 8A & crid = 1LFZPTNOVY9RI & dchild = 1 & keywords = python +% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92 & qid = 1606116134 & sprefix = Python% 2Caps & 2C27 3-spons & PSC = 1 & sPLA = ZW5jcnlwdGVkUXVhbGlmaWVyPUEzVjg3REVPUlY4MzNUJmVuY3J5cHRlZElkPUEwOTQ4NDk4M0ZSN0hDTjdCRUlIWSZlbmNyeXB0ZWRBZElkPUEzQVdCWUY5Q0xCUVpBJndpZGdldE5hbWU9c3BfYXRmJmFjdGlvbj1jbGlja1JlZGlyZWN0JmRvTm90TG9nQ2xpY2s9dHJ1ZQ ==)

Ich wollte ein Buch, das mit TensorFlow2 kompatibel ist, und ich habe tatsächlich versucht, die zweite Ausgabe von [Tokage no Hon](praktisches maschinelles Lernen mit # Scikit-learn und TensorFlow) zu kaufen, aber ich habe das gleiche Buch gekauft. Ich suchte nach einem anderen Buch, weil es mich behinderte. In der Zwischenzeit sah ich, dass die dritte Ausgabe der Python-Programmierung für maschinelles Lernen herauskam, also kaufte ich sie. Ich war nicht so besorgt, weil sowohl die 1. als auch die 2. Ausgabe einen guten Ruf hatten, aber ich denke, es passt zu meinen Bedürfnissen, zu wissen, wie man es besser benutzt als die Theorie. Ich werde.

Ich habe noch keine großen Fortschritte gemacht, aber was mir an dem, was ich bisher gelesen habe, gefällt, ist so. -Der Code ist einfach und leicht zu verstehen. -Kommentare sind an jeden Code angehängt. ・ Der Kommentar hat den Punkt erreicht, an dem es schrecklich juckt. ・ Wenn Sie für eine Weile Numpy oder Scikit-Learn berührt haben, können Sie es ohne Schwierigkeiten verstehen.

Also werde ich weiterhin mein Bestes geben. Ich hoffe, ich kann den Inhalt dieser beiden Bücher bis Ende dieses Jahres lernen.

Recommended Posts

Einführung in datenwissenschaftliche Bücher.
Bücher über Datenwissenschaft, die 2020 gelesen werden sollen
Empfohlene Bücher von 3 Typen im Zusammenhang mit Python
Lernen Sie Data Science
Vorbereitung zum Versuch "Data Science 100 Knock (Strukturierte Datenverarbeitung)"
Fordern Sie 100 Data Science-Schläge heraus
Einführung von Python 2.7 in CentOS 6.6
OPT Data Science Wettbewerb
Ich habe 10 Bücher gelesen, die sich auf Zeitreihendaten beziehen, daher werde ich eine Rezension schreiben.
Implementieren von 100 Data Science-Schlägen für Anfänger in Data Science (für Windows 10 Home)
Data Science-Begleiter in Python, wie man Elemente in Pandas spezifiziert
Data Science 100 Klopfkommentar (P021 ~ 040)
Data Science 100 Klopfkommentar (P041 ~ 060)
Data Science 100 Klopfkommentar (P081 ~ 100)
Data Science Cheet Sheet (Python)
Einführung von PyMySQL in Himbeer-Pi3
Versuchen Sie "100 Schläge auf Data Science" ①
Infra_Data Science Course Output
Umgang mit Datenrahmen
Installieren Sie Networkx in der Python 3.7-Umgebung zur Verwendung in Malware Data Science-Büchern
Ich habe 13 Bücher gelesen, die Data Science mit Geschäftsergebnissen verbinden, daher werde ich eine Rezension schreiben.