関連サイト
本書の関連ページが用意されています。
内容紹介
機械学習の知識を深めスキルを強化したい方に
・OpenCV＋scikit-learnで機械学習プログラミングを実践マスター
・統計的学習の本質的概念、決定木、サポートベクタマシン、ベイズ学習など様々なアルゴリズムとOpenCVを組み合わせて使う方法をわかりやすく解説！
1章「機械学習を味見してみよう」機械学習の分野に属する問題をいくつかのカテゴリに分類し簡単に紹介。Anaconda Pythonの環境を対象として、OpenCVやその他の重要なツールをインストールする方法について説明します。
2章「OpenCVとPythonでデータを操作する」典型的な機械学習システムにおける処理の流れがどういったものか、データはどこで利用されるのかを説明。学習データと評価データの違いについて説明し、OpenCVとPythonを利用したデータの読込、保存、操作・視覚化の方法についても説明します。
3章「教師あり学習の初歩」分類や回帰といった中核的な概念を見直すことで、教師あり学習を説明。OpenCVでの単純な機械学習アルゴリズムの実装方法、データの予測方法、モデルの評価方法について学びます。
4章「データ表現と特徴量エンジニアリング」よく知られている機械学習用データセットがどういったものか、また興味のある情報を生データから抽出する方法について説明します。
5章「医療診断をするための決定木の使用」OpenCVで決定木を構築する方法について説明し、分類や回帰問題に適用します。
6章「サポートベクタマシンによる歩行者の検出」サポートベクタマシンをOpenCVで構築し、画像中の歩行者を検出するために適用する方法を説明します。
7章「ベイズ学習を用いた迷惑メールフィルタの実装」確率論を紹介し、ベイズ推定を使用して電子メールをスパムかどうか分類する方法を紹介します。
8章「教師なし学習で隠れた構造を発見する」k-meansクラスタリングや期待値最大化などの教師なし学習アルゴリズムについて説明し、単純なラベルなしデータセットに隠れた構造を抽出する方法を示します。
9章「深層学習を用いた手書き数字分類」いまホットな深層学習の世界にお連れします。パーセプトロンから始めて多層パーセプトロンに展開し、広大なMNISTデータベースの手書き数字を分類するための深いニューラルネットワーク（Deep Neural Networks; DNN）の構築方法について説明します。
10章「異なるアルゴリズムを組み合わせてアンサンブルを作成する」個々の学習器の弱点を克服するために、複数のアルゴリズムを効果的に組み合わせてアンサンブルを作成することで、より正確で信頼性の高い予測を実現する方法について説明します。
11章「ハイパーパラメータチューニングと適切なモデルの選択」さまざまな機械学習アルゴリズムとそのパラメータの組み合わせを比較して、タスクに適したものを選ぶためのモデル選択について紹介します。
12章「仕上げ」今後の機械学習の問題に対処する方法や、より高度なトピックに関する情報を見つけるための有用なヒントをお伝えします。
書誌情報
- 著者: Michael Beyeler
- ページ数: 416ページ(PDF版換算)
- 対応フォーマット: PDF
- 出版社: マイナビ出版
対象読者
著者について
Michael Beyeler
カリフォルニア大学アーバイン校でコンピュータサイエンスの博士号、チューリッヒ工科大学で電気工学の理学士号（BSc）、バイオメディカルエンジニアリングの理修士号（MSc）を取得。ワシントン大学の神経工学とデータ科学の研究員。人工網膜を埋め込んだ患者の知覚体験改善のため、バイオニック視覚の計算モデルに取り組んでいる。著書に「OpenCV with Python Blueprints」（Packt Publishing, 2015）がある。趣味は雪山登山、バンドのコンサート、ピアノ。
目次
はしがき
まえがき
訳者より・謝辞
1章 機械学習を味見してみよう
- 1.1 機械学習ことはじめ
- 1.2 機械学習で解くことのできる問題
- 1.3 Pythonをはじめよう
- 1.4 OpenCVをはじめよう
- 1.5 インストール
- 1.6 まとめ
2章 OpenCVとPythonでデータを操作する
- 2.1 機械学習の流れを理解する
- 2.2 OpenCVとPythonを使ってデータを扱う
- 2.3 まとめ
3章 教師あり学習の初歩
- 3.1 教師あり学習を理解する
- 3.2 クラスラベルを予測するために分類モデルを使用する
- 3.3 回帰モデルを使用して連続的な数値を予測する
- 3.4 ロジスティック回帰を用いたアヤメの分類
- 3.5 まとめ
4章 データ表現と特徴量エンジニアリング
- 4.1 特徴量エンジニアリングを理解する
- 4.2 データの前処理を行う
- 4.3 次元削減を理解する
- 4.4 テキスト特徴を表現する
- 4.5 画像を表現する
- 4.6 まとめ
5章 医療診断をするための決定木の使用
- 5.1 決定木を理解する
- 5.2 乳癌診断へ決定木を用いる
- 5.3 回帰のために決定木を使用する
- 5.4 まとめ
6章 サポートベクタマシンによる歩行者の検出
- 6.1 線形SVMの理解
- 6.2 非線形決定境界の導入
- 6.3 実画像から歩行者を検出する
- 6.4 まとめ
7章 ベイズ学習を用いた迷惑メールフィルタの実装
- 7.1 ベイズ推論を理解する
- 7.2 初めてのベイズ分類器を実装する
- 7.3 Eメールを単純ベイズ分類器で分類する
- 7.4 まとめ
8章 教師なし学習で隠れた構造を発見する
- 8.1 教師なし学習を理解する
- 8.2 k-meansクラスタリングを理解する
- 8.3 期待値最大化を理解する
- 8.4 k-means法を用いて色空間を圧縮する
- 8.5 k-meansを利用して手書き数字を分類する
- 8.6 階層的クラスタリング
- 8.7 まとめ
9章 深層学習を用いた手書き数字分類
- 9.1 McCulloch-Pittsニューロンを知る
- 9.2 パーセプトロンを理解する
- 9.3 最初のパーセプトロンを実装する
- 9.4 多層パーセプトロンを理解する
- 9.5 深層学習に慣れる
- 9.6 手書き数字を分類する
- 9.7 まとめ
10章 異なるアルゴリズムを組み合わせてアンサンブルを作成する
- 10.1 アンサンブル法を理解する
- 10.2 決定木を組み合わせてランダムフォレストを作成する
- 10.3 顔認識のためにランダムフォレストを利用する
- 10.4 AdaBoostを実装する
- 10.5 複数のモデルを投票による分類器として統合する
- 10.6 まとめ
11章 ハイパーパラメータチューニングと適切なモデルの選択
- 11.1 モデルを評価する
- 11.2 交差検証法を理解する
- 11.3 ブートストラップ法を用いて頑健性を推定する
- 11.4 評価結果の有意性を検証する
- 11.5 グリッドサーチによるハイパーパラメータのチューニング
- 11.6 いろいろな指標を用いてモデルを評価する
- 11.7 パイプラインを形成するために各種アルゴリズムを連結する
- 11.8 まとめ
12章 仕上げ
- 12.1 機械学習問題へのアプローチ
- 12.2 独自の推定器の構築
- 12.3 これから
- 12.4 まとめ