[PYTHON] Ich habe ein Buch geschrieben, in dem Sie maschinelle Lernimplementierungen und -algorithmen auf ausgewogene Weise lernen können.
Ich habe ein Buch geschrieben, in dem die Implementierung und die Algorithmen des maschinellen Lernens in ausgewogener Weise unter Verwendung der Scikit-Learn-Bibliothek vermittelt werden.
[Einführung in das maschinelle Lernen für diejenigen, die KI-Ingenieure werden möchten Lernen Sie den Ablauf von Algorithmen während der Implementierung (Internationaler Informationsdienst von Dentsu, Takuya Shimizu, Yutaro Ogawa, Technical Review)](https://www.amazon.co.jp/ dp / 4297112094 /) https://www.amazon.co.jp/dp/4297112094/
Es ist bereits im Verkauf.
Maschinelles Lernen ・ Implementierung verschiedener Algorithmen ・ Funktionsmechanismus jedes Algorithmus
Ich habe es für diejenigen geschrieben, die diese lernen wollen.
Wir hoffen, dass Sie davon profitieren.
Bücher, die ich letztes Jahr geschrieben habe
Es ist wie eine maschinelle Lernversion von positioniert.
In diesem Artikel ・ Motivation, dieses Buch zu schreiben ・ Überblick über dieses Buch ・ Inhalt dieses Buches I werde vorstellen.
Motivation, dieses Buch zu schreiben
Dieses Buch wurde von meinem Kollegen Shimizu und mir (Ogawa) gemeinsam verfasst.
Wir machten Geschäfte wie "Bildungsunterstützung für maschinelles Lernen und KI-Nutzung" im eigenen Haus.
Die Unzufriedenheit, die ich damals hatte, war
"Maschinelles Lernen, Implementierung von Scicit-Learn und Erklärung der Funktionsprinzipien verschiedener Algorithmen, Ich habe kein Buch, das ausgewogen schreibt. "
Es war das.
Ebenfalls, "Es ist traurig, dass es kein Buch gibt, das von Japanern in einem Buch geschrieben wurde, das sich in gewissem Maße mit Scikit-Lernen befasst." Dachte ich auch.
Zu jener Zeit
Wurde hauptsächlich verwendet.
Der Rest ist als Hilfe [2nd Edition] Python Machine Learning Programmiertheorie und -praxis von erfahrenen Datenwissenschaftlern
ist.
● Für neue Absolventen und Neueinstellungen in der Mitte der Karriere, die neu ihrem Team zugewiesen wurden (AI Technology Department) Schreiben Sie ein Buch, das Sie bestehen können: "Maschinelles Lernen: Bitte lesen Sie dieses Buch zuerst, um die Kenntnisse und Fähigkeiten des Scikit-Lernens zu erlernen"!
● Ich möchte, dass Menschen, die im Bereich Business am maschinellen Lernen beteiligt sind, dies als KI-Ingenieur berücksichtigen. Ich werde ein Buch schreiben, in dem Sie verschiedene Algorithmen implementieren und die Funktionsprinzipien verstehen können!
Ich habe dieses Buch mit der Motivation geschrieben.
Umriss dieses Buches
Die in diesem Dokument beschriebenen Algorithmen für maschinelles Lernen sind wie folgt.
In Kapitel 2 Lineare Regression, Regularisierung, logistische Regression, SVC（Support Vector Machine Classification） Entscheidungsbaum, zufälliger Wald Naive Bayes
In Kapitel 3, Hauptkomponentenanalyse, k-Mittel, Gauß-Mischmodell
In Kapitel 4, Entscheidungsbaum zur Erhöhung des Gradienten, Ellbogenmethode und Silhouettenanalyse, t-SNE, Erkennung von Anomalien Neuheitserkennung, Anomalieerkennung Ausreißererkennung
Und in Kapitel 5, Aufbau des maschinellen Lernsystems und Leistungsbewertung
Erklärt über.
Etwa 6 Seiten des Bildes auf dem Papier sind Auszüge. Die Atmosphäre ist wie folgt.
- 2 Seiten werden gepostet, aber es sind nicht 2 aufeinanderfolgende Seiten.
Für jeden Algorithmus wird ein Implementierungsbeispiel mit einem einfachen Thema gezeigt, und dann wird das Funktionsprinzip (Gefühle und Gedanken des Algorithmus) dieses Algorithmus erklärt.
Inhalt dieses Buches
Der Inhalt und das Inhaltsverzeichnis dieses Handbuchs lauten wie folgt.
Grundsätzlich für jeden Algorithmus
・ Grundlegender Ablauf und Gliederung des Algorithmus ・ Implementierung und Ausführung von Programmen ・ Detaillierte Erläuterung des Algorithmus (●● Das Herzstück des Algorithmus) · Am Ende
Es ist eine Konfiguration, die sich wiederholt.
Inhaltsverzeichnis
Kapitel 1 Überblick über maschinelles Lernen und Vorgehensweise in diesem Buch 1.1 Zweck und Gliederung dieses Kapitels 1.2 Überblick über maschinelles Lernen und drei Kategorien Unterschied zwischen konventionellem System künstlicher Intelligenz und maschinellem Lernsystem Drei Kategorien des maschinellen Lernens (überwachtes Lernen, unbeaufsichtigtes Lernen, verbessertes Lernen) 1.3 Bedeutung des Lernens des Funktionsprinzips (Algorithmus) jeder Methode des maschinellen Lernens 1.4 Wie man maschinelles Lernen lernt Kenntnisse und Fähigkeiten, die für maschinelles Lernen erforderlich sind Tipps zur effizienten Weiterentwicklung des Studiums des maschinellen Lernens 1.5 In diesem Handbuch verwendete Bibliotheks- und Ausführungsumgebung Einrichten einer Umgebung zur Implementierung von maschinellem Lernen
Kapitel 2 Das Herzstück der Algorithmen, die beim Implementieren / Lernen mit Lehrern gelernt wurden 2.1 Zweck und Gliederung dieses Kapitels 2.2 Lineare Regression nach der Methode der kleinsten Quadrate Grundlegender Ablauf und Überblick über den Algorithmus Programmdurchführung und -ausführung Detaillierte Erläuterung des Algorithmus (Herzstück des linearen Regressionsmodells) Am Ende (Hinweise zur Verwendung des linearen Regressionsmodells)
- Die folgenden Punkte werden weggelassen. 2.3 Unterdrückung des Überlernens durch L1-Regularisierung und L2-Regularisierung 2.4 Klassifizierung nach logistischer Regression 2.5 Klassifizierung nach SVC 2.6 Klassenklassifizierung nach Entscheidungsbaum 2.7 Klassifizierung nach zufälligen Wäldern 2.8 Klassifizierung von Textdaten durch Naive Bayes
Kapitel 3 Das Herzstück der Algorithmen, die beim Implementieren / Lernen ohne Lehrer gelernt wurden 3.1 Zweck und Gliederung dieses Kapitels 3.2 Dimensionskomprimierung durch Hauptkomponentenanalyse 3.3 Clustering mit k-Mitteln und Datenvorverarbeitung 3.4 Clustering nach Gaußschem Mischmodell (GMM)
Kapitel 4 Herz und Entwicklung von Algorithmen, die während der Implementierung gelernt wurden 4.1 Zweck und Gliederung dieses Kapitels 4.2 Klassifizierung nach Gradientenverstärkungsentscheidungsbaum 4.3 Suchen Sie nach der Anzahl der Cluster mithilfe der Ellbogenmethode und der Silhouettenanalyse 4.4 Dimensionskomprimierung durch t-SNE (Diversity Learning) 4.5 Abnormalitätserkennung (Neuheitserkennung, Ausreißererkennung)
Kapitel 5 Aufbau des maschinellen Lernsystems und Bewertung der Modellleistung 5.1 Zweck und Gliederung dieses Kapitels 5.2 Geschäftsverständnis 5.3 Datenverarbeitung 5.4 Modellierung 5.5 Bereitstellung und Betrieb
Blinddarm A.1 Verwendung von Google Colaboratory A.2 So bereiten Sie eine Implementierungs- / Ausführungsumgebung für maschinelles Lernen auf einem lokalen PC vor
schließlich
Es ist möglicherweise nicht genug für diejenigen, die knuspriges maschinelles Lernen betreiben.
aber, Für diejenigen, die von nun an die Implementierung und die Algorithmen von KI / maschinellem Lernen richtig lernen möchten! Ich habe es mit Mr. Shimizu geschrieben, damit ich es mit Zuversicht empfehlen kann.
Wir hoffen, dass Sie davon profitieren.
[Einführung in das maschinelle Lernen für diejenigen, die KI-Ingenieure werden möchten Lernen Sie den Ablauf von Algorithmen während der Implementierung (Internationaler Informationsdienst von Dentsu, Takuya Shimizu, Yutaro Ogawa, Technical Review)](https://www.amazon.co.jp/ dp / 4297112094 /)
https://www.amazon.co.jp/dp/4297112094/
● Am Ende
In meinem Fall werden Bücher grundsätzlich außerhalb der Geschäftszeiten geschrieben.
Von Zeit zu Zeit werde ich gefragt: "Wie bekommst du die Zeit, ein Buch zu schreiben?"
Ich fing an, meinen richtigen Namen in den Qiita-Artikel über meinen Arbeitsstil zu schreiben.
https://qiita.com/Yutaro_Ogawa
Wir würden uns freuen, wenn Sie diesen Artikel zusammen mit diesem Buch lesen könnten.
● Hinzufügung
Mit diesem allein wird es wie eine Buchwerbung sein, also nach diesem Buch, ** Zusammenfassung des Python-Implementierungs-Know-hows und Tipps, auf die KI-Ingenieure achten sollten ** Wird hinzugefügt werden.
Der Artikel wird zu lang sein, also werde ich ihn teilen und unten posten. Ich würde es begrüßen, wenn Sie es zusammen sehen könnten.
Vielen Dank für das Lesen der oben genannten.