改訂新版　Pythonでプログラミングして理解する機械学習アルゴリズム

関連サイト

本書の関連ページが用意されています。

• 改訂新版　Pythonでプログラミングして理解する機械学習アルゴリズム（近代科学社ウェブサイト）

内容紹介

本書は機械学習や深層学習の基礎となるアルゴリズムを「Pythonを用いて実装し理解する」ことに重きを置いています。改訂版ではPyTorchを採用し、生成AIの核心となるアルゴリズムを新たに追加しました。数式の意味から実践的なプログラム作成まで、理論と実装をバランスよく習得したい方に最適の一冊です。

書誌情報

• 著者: 神野 健哉
• 発行日: 2026-07-03
• 最終更新日: 2026-07-03
• バージョン: 1.0.0
• ページ数: 200ページ(PDF版換算)
• 対応フォーマット: PDF, EPUB
• 出版社: 近代科学社Digital

対象読者

著者について

神野 健哉

神野 健哉（じんの けんや）
1991年 法政大学工学部電気工学科卒業
1996年 法政大学大学院工学研究科博士後期課程電気工学専攻修了　博士(工学)
1996年 上智大学理工学部電気電子工学科助手
1999年 日本工業大学工学部電気電子工学科講師
2002年 日本工業大学工学部電気電子工学科助教授
2011年 日本工業大学工学部電気電子工学科教授
2018年 東京都市大学知識工学部情報通信工学科教授
2020年 電子情報通信学会フェロー
現在 東京都市大学情報工学部知能情報工学科教授
専門は非線形工学、人工ニューラルネットワーク、機械学習など
著書「基本からわかる信号処理」（共著 オーム社）「電気回路 独解テキスト」（共著 オーム社）「わかりやすい電気回路」（共著 コロナ社）「Pythonによるアルゴリズム設計」（単著 コロナ社）

目次

第1章 データに基づいた解析・機械学習とは

• 1.1 機械学習とは
• 1.2 機械学習の種類
• 1.3 機械学習の実装

第2章 データの標準化・主成分分析

• 2.1 標準化
• 2.2 データの関係性
• 2.3 Pythonによる計算、データの可視化
• 2.4 主成分分析
• 2.5 scikit-learnによる主成分分析

第3章 線形回帰

• 3.1 回帰とは
• 3.2 線形回帰(単回帰)
• 3.3 多項式回帰
• 3.4 Pythonによる実装

第4章 過剰適合

• 4.1 過剰適合と交差検証
• 4.2 正則化

第5章 最尤推定法

• 5.1 最尤推定法
• 5.2 MAP推定法

第6章 カーネル法

• 6.1 一般関数の線形和
• 6.2 ガウス関数による近似
• 6.3 カーネル関数
• 6.4 正則化

第7章 線形判別

• 7.1 分類問題
• 7.2 線形分離
• 7.3 Fisherの線形判別分析法

第8章 サポートベクターマシン

• 8.1 ハードマージン SVM
• 8.2 ソフトマージン SVM
• 8.3 scikit-learnによるSVMの実装
• 8.4 カーネルSVM

第9章 パーセプトロンとロジスティック回帰

• 9.1 パーセプトロン
• 9.2 ロジスティック回帰

第10章 多層ニューラルネットワーク

• 10.1 多層ニューラルネットワーク
• 10.2 誤差逆伝播法
• 10.3 多層ニューラルネットワークの実装

第11章 深層学習

• 11.1 勾配消失
• 11.2 ReLU関数
• 11.3 scikit-learnによる多層ニューラルネットワークの実装

第12章 畳み込みニューラルネットワーク

• 12.1 畳み込みニューラルネットワーク (CNN)
• 12.2 PyTorchによる多層ニューラルネットワークの実装
• 12.3 PyTorchによるCNNの実装

第13章 オートエンコーダ

• 13.1 オートエンコーダ
• 13.2 転置畳み込み
• 13.3 PyTorchによるオートエンコーダの実装
• 13.4 ノイズ除去オートエンコーダ
• 13.5 変分オートエンコーダ

第14章 敵対的生成ネットワーク

• 14.1 敵対的生成ネットワーク
• 14.2 Deep Convolutional GAN
• 14.3 GANの学習の難しさ
• 14.4 拡散モデル

付録A 各章の演習解答