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
新世代の数値計算ライブラリを操る！ 線形回帰からCNN/RNNまで網羅的に実践 -- TensorFlowは、数値処理用のオープンソースライブラリ。AI分野を中心に活用が進んでいます。本書ではまず、変数／プレースホルダといったTensorFlowの基本や、オープンデータを扱う方法を説明。以降は、機械学習のさまざまな手法をレシピとして示していきます。具体的には次のとおりです。線形回帰、SVM、最近傍法、ニューラルネットワーク、自然言語処理、畳み込みニューラルネットワーク（CNN）、リカレントニューラルネットワーク（RNN）、運用環境のための手法、遺伝的アルゴリズム、k-means、常微分方程式などです。
※本書は『TensorFlow Machine Learning Cookbook』の翻訳書です。
※コードの検証にPython 3.5/3.6とTensorFlow 1.1/1.2を使用（各環境/各コードの動作を完全に保証するものではありません）。
書誌情報
- 著者: Nick McClure(著), 株式会社クイープ(訳)
- 発行日: 2017-08-14 (紙書籍版発行日: 2017-08-14)
- 最終更新日: 2017-08-14
- バージョン: 1.0.0
- ページ数: 392ページ(PDF版換算)
- 対応フォーマット: EPUB
- 出版社: インプレス
対象読者
機械学習やPythonプログラミングについてある程度経験のある方。TensorFlowに興味のあるプログラマー、データアナリスト、データサイエンティスト、研究者/学生など。
著者について
Nick McClure
ワシントン州シアトルを拠点とする PayScale, Inc.のシニアデータサイエンティスト。以前は、ZillowとCaesar's Entertainmentに勤務。モンタナ州立大学とセントベネディクト/セントジョーンズ大学で応用数学の学位を取得。ニックはアナリティクス、機械学習、人工知能の習得と提唱に情熱を抱いている。折を見て、思いや考えをブログに綴ったり（http://fromdata.org/）、ツイートしたりしている（@nfmcclure）。
株式会社クイープ
1995年、米国サンフランシスコに設立。コンピュータシステムの開発、ローカライズ、コンサルティングを手がけている。2001年に日本法人を設立。主な訳書に、『Python機械学習プログラミング 達人データサイエンティストによる理論と実践』『Scala関数型デザイン & プログラミング―Scalazコントリビューターによる関数型徹底ガイド』『CUDA Cプロフェッショナルプログラミング』『Cisco ACIポリシーベースのデータセンター アーキテクチャ/コンセプト/メソドロジー』などがある（いずれもインプレス発行）。http://www.quipu.co.jp
目次
Copyright/商標/正誤表について
謝辞
第1章 TensorFlowの仕組みと基本事項を押さえる
- 1.1 はじめに
- 1.2 TensorFlowの仕組み<Recipe 1>
- 1.3 テンソルを設定する<Recipe 2>
- 1.4 プレースホルダと変数を使用する<Recipe 3>
- 1.5 行列を操作する<Recipe 4>
- 1.6 演算を設定する<Recipe 5>
- 1.7 活性化関数を実装する<Recipe 6>
- 1.8 データソースを操作する<Recipe 7>
- 1.9 その他のリソース<Recipe 8>
第2章 TensorFlowスタイル―演算/層の追加、損失関数やモデル評価などの実装
- 2.1 はじめに
- 2.2 計算グラフでの演算<Recipe 9>
- 2.3 入れ子の演算を階層化する<Recipe 10>
- 2.4 複数の層を操作する<Recipe 11>
- 2.5 損失関数を実装する<Recipe 12>
- 2.6 バックプロパゲーションを実装する<Recipe 13>
- 2.7 バッチトレーニングと確率的トレーニングを使用する<Recipe 14>
- 2.8 分類を行うための要素を組み合わせる<Recipe 15>
- 2.9 モデルを評価する<Recipe 16>
第3章 線形回帰―逆行列/分解法からロジスティック回帰まで
- 3.1 はじめに
- 3.2 逆行列法を使用する<Recipe 17>
- 3.3 行列分解法を実装する<Recipe 18>
- 3.4 TensorFlowでの線形回帰の実装パターン<Recipe 19>
- 3.5 線形回帰の損失関数を理解する<Recipe 20>
- 3.6 デミング回帰を実装する<Recipe 21>
- 3.7 LASSOとリッジ回帰を実装する<Recipe 22>
- 3.8 Elastic Net回帰を実装する<Recipe 23>
- 3.9 ロジスティック回帰を実装する<Recipe 24>
第4章 サポートベクトルマシン―線形SVMの操作・次元縮約、非線形SVM/多クラスSVMの実装など
- 4.1 はじめに
- 4.2 線形SVMを操作する<Recipe 25>
- 4.3 線形回帰への縮約<Recipe 26>
- 4.4 TensorFlowでカーネルを操作する<Recipe 27>
- 4.5 非線形SVMを実装する<Recipe 28>
- 4.6 多クラスSVMを実装する<Recipe 29>
第5章 最近傍法―編集距離、距離関数の組み合わせ、最近傍法の画像認識など
- 5.1 はじめに
- 5.2 最近傍法を使用する<Recipe 30>
- 5.3 編集距離を計測する<Recipe 31>
- 5.4 距離関数を組み合わせて計算する<Recipe 32>
- 5.5 アドレスマッチング処理の例<Recipe 33>
- 5.6 画像認識に最近傍法を使用する<Recipe 34>
第6章 ニューラルネットワーク―論理ゲート、単層/多層ニューラルネットワークの実装など
- 6.1 はじめに
- 6.2 論理ゲートを実装する<Recipe 35>
- 6.3 論理ゲートと活性化関数を操作する<Recipe 36>
- 6.4 単層ニューラルネットワークを実装する<Recipe 37>
- 6.5 さまざまな層を実装する<Recipe 38>
- 6.6 多層ニューラルネットワークを使用する<Recipe 39>
- 6.7 線形モデルの予測を改善する<Recipe 40>
- 6.8 三目並べを学習する<Recipe 41>
第7章 自然言語処理―BoW/TF-IDF/スキップグラム/CBOWなど
- 7.1 はじめに
- 7.2 BoWモデルを操作する<Recipe 42>
- 7.3 TF-IDFの手法を実装する<Recipe 43>
- 7.4 スキップグラムモデルを操作する<Recipe 44>
- 7.5 CBOWモデルを操作する<Recipe 45>
- 7.6 Word2vecを使って予測を行う<Recipe 46>
- 7.7 感情分析にDoc2vecを使用する<Recipe 47>
第8章 畳み込みニューラルネットワーク―単純なCNN/高度なCNN/モデルの再トレーニングなど
- 8.1 はじめに
- 8.2 単純なCNNを実装する<Recipe 48>
- 8.3 高度なCNNを実装する<Recipe 49>
- 8.4 既存のCNNモデルを再びトレーニングする<Recipe 50>
- 8.5 Stylenetを適用する<Recipe 51>
- 8.6 DeepDreamを実装する<Recipe 52>
第9章 リカレントニューラルネットワーク―LSTM/Sequence-to-Sequence/Siamese Similarity法
- 9.1 はじめに
- 9.2 スパムの確率を予測するためにRNNを実装する<Recipe 53>
- 9.3 LSTMモデルを実装する<Recipe 54>
- 9.4 複数のLSTM層を積み重ねる<Recipe 55>
- 9.5 Sequence-to-Sequenceモデルを作成する<Recipe 56>
- 9.6 Siamese Similarity法のトレーニング<Recipe 57>
第10章 TensorFlowを運用環境で使用する
- 10.1 はじめに
- 10.2 ユニットテストを実装する<Recipe 58>
- 10.3 複数のプロセッサを使用する<Recipe 59>
- 10.4 TensorFlowを並列化する<Recipe 60>
- 10.5 TensorFlowを運用環境で使用するための準備<Recipe 61>
- 10.6 例：TensorFlowを運用環境で使用する<Recipe 62>
第11章 TensorFlowをさらに活用する―遺伝的アルゴリズム/連立常微分方程式など
- 11.1 はじめに
- 11.2 TensorBoardで計算グラフを可視化する<Recipe 63>
- 11.3 遺伝的アルゴリズムを操作する<Recipe 64>
- 11.4 k-means法を使ったクラスタ分析<Recipe 65>
- 11.5 連立常微分方程式を解く<Recipe 66>