これならわかる機械学習入門
内容紹介
膨大な観測データから普遍的な法則を抽出する手法とは？ 高校数学レベルから始まり、Python入門、TensorFlowによる実装、最新の論文まで踏み込む入門書。
目次
第1章 データとサイエンス
1.1 物理学とデータサイエンス
1.2 最小2乗法とオーバーフィット
1.3 テイラー展開と振り子の等時性
Column 武谷の三段階論
第2章 行列と線形変換
2.1 ベクトル、行列と線形変換
2.2 変換としての行列
2.3 行列に関するいろいろ
Column 計算量のオーダー
第3章 確率論と機械学習
3.1 確率の基礎事項
3.2 教師あり学習と教師なし学習、強化学習
3.3 確率変数と経験的確率、大数の法則
3.4 大数の弱法則の証明
3.5 カルバックライブラーダイバージェンス
3.6 尤度と赤池情報量基準、汎化
3.7 ロジスティック回帰
第4章 ニューラルネットワーク
4.1 ニューラルネットワークの概論
4.2 万能近似定理
Column 新しい道具と新理論
第5章 トレーニングとデータ
5.1 ニューラルネットワークの入出力と学習
5.2 誤差関数と汎化、過学習
5.3 誤差関数の最適化・学習
Column 次元の呪い
第6章 Python入門
6.1 Pythonによるプログラミング入門
6.2 Pythonと他言語の比較
6.3 NumPyとMatplotlib
6.4 Pythonでのクラス
第7章 TensorFlowによる実装
7.1 TensorFlow/Kerasとは
7.2 データやライブラリのロード
7.3 データの分割とニューラルネットワークの設計
7.4 学習
7.5 結果の評価
Column 量子化という用語
第8章 最適化、正則化、深層化
8.1 最適化法の改良
8.2 過学習を防ぐ
8.3 多層化にむけて
第9章 畳み込みニューラルネットワーク
9.1 フィルター
9.2 畳み込みニューラルネット
Column 知能と飛行機
第10章 イジング模型の統計力学
10.1 イジング模型
10.2 イジング模型のモンテカルロ法
10.3 熱浴法のPythonコードとデータの準備
Column 統計力学と場の量子論
第11章 Nature Physicsの論文を再現しよう
11.1 論文について
11.2 データの前処理
11.3 実験
付録
A.1 多変数関数の積分
A.2 ガンマ関数
A.3 n次元球の体積