データ分析とインテリジェンス

タグ「機械学習」 の検索結果

ゼロから作るDeep Learning Pythonで学ぶディープラーニングの理論と実装

ディープラーニングに限らずだが機械学習はなんとなくやっていることの雰囲気は掴んでいるつもりで、理論の詳細は理解できなくても機械学習はアルゴリズムを使ったPDCAであるといったことは書ける。それでもやっぱり気にはなっていたのだが、初心者が気軽に手を出せるレベルでちょうど良い本があまり見当たらなかった(数式を使わないで文章だけで説明しようとする入門書はのぞく)。

この本は理論を例題を使って説明し、さらにはPythonによる実装まで解説してくれるといたれりつくせりで、ニューラルネットワークはもちろんのこと誤差逆伝播法や畳み込みニューラルネットワークについてここまで丁寧でわかりやすい解説は見たことがない。日本人が書いていることもあり非常に読みやすく、ディープラーニングをきちんと学びたい人向けの入門書として長く使われるのではないかと思われる。

>>>続きを読む

統計的学習理論

最初からさっぱり理解できず。機械学習の初心者にはどうもハードルが高すぎるみたいだけど、レベルの差が激しいこのシリーズの中でもトップクラスでは。

アペンディクスにルベーグの収束定理とかが入っててびっくり。これ知らないと読めなかったりするのだろうか。機械学習の人ってエンジニアとか物理とか「数学を道具として使う」ことに慣れている人が多い気がするけれども、測度論とかルベーグ積分もやっているのだろうか?

>>>続きを読む

事例+演習で学ぶ機械学習 ビジネスを支えるデータ活用のしくみ

識別、予測、決定木、テキストマイニング、付録ではRとよく見かける話から推薦システム、ソーシャルネットワーク、検索連動型広告とわりと珍しい話まで幅広く触れられています。特徴としては他の書籍と比べて演習問題が少ないながらも掲載されており、一般論だけでなく具体的な計算過程が見えるのはとても良いと思います。機械学習の書籍は計算の具体例が余りなくどのような計算をしているのかさっぱりわからないことが多い中ではわりとめずらしいのでは。

例えばSVMで6つの学習データを元にラグランジュの未定乗数法を使って識別境界とサポートベクトルを求めていたり、決定木では情報利得とエントロピーについて計算していたりします。

>>>続きを読む

機械学習はアルゴリズムを使ったPDCAである

機械学習の説明をする際にどうしたらいいか考えていたら、結局のところは(将来はいざしらず)普段行っていることの道具や方法が少し違うだけで本質的には何も変わりがないのでは、という結論になったのでまとめてみました。機械学習というと、なんだかさっぱりわからないから手をださないか、人工知能が何から何までやるので人間は必要なくなる、と両極端になることが多いようですが、そうではなく1つの方法に過ぎないということが伝わればより使われるようになるのではないでしょうか。

>>>続きを読む

アンサンブル学習のブースティングとバギングの違いについて

バギングとブースティングの区別がようやくつくようになってきた(気がする)がさらにそれぞれのアルゴリズムになるとまだ混乱する。というわけで、今のところの自分の認識を書いてみる。

>>>続きを読む

データ分析自動化ツールの未来

最近話題のツールと言えばやはりDataRobotだろう。まだ直接見てはいないが、どうも聞いているとすごくてやばいと絶賛の声が聞こえてくる。今後もDataRobotに限らず、データ分析・機械学習の自動化ツールが登場してくるだろうことは予想がつくが、ではそれらのツールはどうなっていくのだろうか。

>>>続きを読む

このエントリーをはてなブックマークに追加