Pythonで動かして学ぶ！あたらしい機械学習の教科書第2版【PDF版】

伊藤真（著）

商品番号: 161410
販売状態: 発売中
納品形態: 会員メニューよりダウンロード
発売日: 2019年07月18日
ISBN: 9784798161419
データサイズ: 約25.0MB
制限事項: 印刷可・テキストのコピー可
キーワード: 人工知能 Python 電子書籍【PDF版】数学機械学習 AI & TECHNOLOGY

2,948円（税込）（本体2,680円＋税10％）
送料無料

268pt (10%)
ポイントの使い方はこちら

初回購入から使えるポイント500円分プレゼント

紙の書籍はこちら本書には新版がございます
新版はこちら

お気に入り

※1点の税込金額となります。複数の商品をご購入いただいた場合のお支払金額は、単品の税込金額の合計額とは異なる場合がございますので、予めご了承ください。

本製品は電子書籍【PDF版】です。
ご購入いただいたPDFには、購入者のメールアドレス、および翔泳社独自の著作権情報が埋め込まれます。
PDFに埋め込まれるメールアドレスは、ご注文時にログインいただいたアドレスとなります。
Amazon Payでのお支払いの場合はAmazonアカウントのメールアドレスが埋め込まれます。
本製品を無断で複製、転載、譲渡、共有および販売を行った場合、法律により罰せられる可能性がございます。
ご購入の前に必ずPDF利用案内をお読みください。

数学の基礎知識とPythonコードを紐づけて機械学習の基本を学べる！

【本書の目的】
現在、人工知能関連のプロダクト・サービスが数多く見受けられるようになりました。
人工知能関連の開発に機械学習の基礎知識は必須です。
本書はそうした機械学習の基礎知識を学びたいエンジニアに向けた書籍です。

【本書の特徴】
本書は機械学習の基本について、数学の知識をもとに、
実際にPythonでプログラムしながら学ぶことができる書籍です。
・最新のPython 3.7に対応
・学習内容を「要点整理」で復習
・数式とコードをつなげたわかりやすい解説

【読者が得られること】
本書を読み終えた後には、機械学習のしくみとプログラミング手法を理解できます。

【対象読者】
機械学習の基礎を学びたい理工学生・エンジニア

【目次】
第1章　機械学習の準備
第2章　Pythonの基本
第3章　グラフの描画
第4章　機械学習に必要な数学の基本
第5章　教師あり学習：回帰
第6章　教師あり学習：分類
第7章　ニューラルネットワーク・ディープラーニング
第8章　ニューラルネットワーク・ディープラーニングの応用（手書き数字の認識）
第9章　教師なし学習
第10章　要点のまとめ

PDF版のご利用方法

ご購入後、SEshopにログインし、会員メニューに進みます。
ご購入電子書籍およびデータ＞ [ご購入電子書籍およびダウンロードデータ一覧]をクリックします。
購入済みの電子書籍のタイトルが表示されますので、リンクをクリックしてダウンロードしてください。
PDF形式のファイルを、お好きな場所に保存してください。
端末の種類を問わず、ご利用いただけます。

本書の特徴

数式とコードをつなげたわかりやすい解説

機械学習の基本について、数学の知識をもとに実際にPythonでプログラムしながら学べます。

学習内容を「要点のまとめ」で復習

本書の内容を最短で確認するために、重要な概念と式を最終章にまとめています。学習後の早見表としても使えます。

Python3.7に対応

Pythonのサンプルは翔泳社のサイトでダウンロードできます。

第1章　機械学習の準備
　1.1　機械学習について
　1.2　Pythonのインストール
　1.3　Jupyter Notebook
　1.4　KerasとTensorFlowのインストール

第2章　Pythonの基本
　2.1　四則演算
　2.2　変数
　2.3　型
　2.4　print文
　2.5　list（リスト、配列変数）
　2.6　tuple（タプル）
　2.7　if文
　2.8　for文
　2.9　ベクトル
　2.10　行列
　2.11　行列（ndarray）の四則演算
　2.12　スライシング
　2.13　条件を満たすデータの書き換え
　2.14　Help
　2.15　関数
　2.16　ファイル保存

第3章　グラフの描画
　3.1　2次元のグラフを描く
　3.2　3次元のグラフを描く

第4章　機械学習に必要な数学の基本
　4.1　ベクトル
　4.2　和の記号
　4.3　積の記号
　4.4　微分
　4.5　偏微分
　4.6　行列
　4.7　指数関数と対数関数

第5章　教師あり学習：回帰
　5.1　1次元入力の直線モデル
　5.2　2次元入力の面モデル
　5.3　D次元線形回帰モデル
　5.4　線形基底関数モデル
　5.5　オーバーフィッティングの問題
　5.6　新しいモデルの生成
　5.7　モデルの選択
　5.8　まとめ

第6章　教師あり学習：分類
　6.1　1次元入力2クラス分類
　6.2　2次元入力2クラス分類
　6.3　2次元入力3クラス分類

第7章　ニューラルネットワーク・ディープラーニング
　7.1　ニューロンモデル
　7.2　ニューラルネットワークモデル
　7.3　Kerasでニューラルネットワークモデル

第8章　ニューラルネットワーク・ディープラーニングの応用（手書き数字の認識）
　8.1　MNISTデータベース
　8.2　2層フィードフォワードネットワークモデル
　8.3　ReLU活性化関数
　8.4　空間フィルター
　8.5　畳み込みニューラルネットワーク
　8.6　プーリング
　8.7　ドロップアウト
　8.8　集大成のMNIST認識ネットワークモデル

第9章　教師なし学習
　9.1　2次元入力データ
　9.2　K-means法
　9.3　混合ガウスモデル

第10章　要点のまとめ
　要点のまとめ

各種問い合わせは以下のリンクからご連絡ください