初心者と専門家のための機械学習に関するベスト 10 書籍

機械学習を学びたいですか? まずはこの 10 冊の本から始めましょう。

[[374789]]

> 機械学習に関する初心者、初級者、専門家向けのトップ 10 書籍

機械学習とは何ですか? Wikipedia - 機械学習 (ML) は、経験によって自動的に改善されるコンピューター アルゴリズムの研究です。これは人工知能のサブセットであると考えられています。機械学習アルゴリズムは、明示的にプログラムすることなく予測や決定を行うために、サンプル データ (「トレーニング データ」と呼ばれる) に基づいてモデルを構築します。機械学習アルゴリズムは、電子メールのフィルタリングやコンピューター ビジョンなど、目的のタスクを実行するための従来のアルゴリズムを開発することが困難または不可能なさまざまなアプリケーションで使用されます。

機械学習のトップ 10 アプリケーション:

• 画像認識
• 音声認識
• 製品の推奨事項
• 自動運転車
• メールスパムとマルウェアフィルタリング
• バーチャルパーソナルアシスタント
• オンライン詐欺検出
• 自動言語翻訳
• 医療診断
• 製品の推奨事項

機械学習に関するベストブックのトップ 10 を紹介します。

1. 初心者のための機械学習：わかりやすい英語入門

> 初心者のための機械学習：わかりやすい英語入門

著者 — オリバー・テオバルド

ページ数 — 162

対象 — まったくの初心者

説明 - この本は英語で説明付きで書かれており、コーディングの経験は必要ありません。 Oliver Theobald がコアアルゴリズムを紹介し、わかりやすい説明をし、自宅で簡単に学習できるように直感的な例を加えています。

この本では、ステップごとにガイドし、次のことを学びます。

• 無料データセットをダウンロードする方法
• 必要なツールと機械学習ライブラリ
• ワンホットエンコーディング、マージ、欠損データの処理などのデータクリーニング技術
• k-fold検証を含む分析用データの準備
• トレンドラインを作成するための回帰分析
• クラスタリング（新しい関係を見つけるためのk-Meansクラスタリングを含む）
• ニューラルネットワークの基礎
• 機械学習モデルを改善するためのバイアス/分散
• 決定木デコード分類
• Python を使用して住宅価格を予測する最初の機械学習モデルを構築する方法

2. 100ページの機械学習の本

> 100ページの機械学習の本

著者 - Peter Norvig、Google の研究ディレクター、AIMA の共著者。 Aurélien Géron 氏はシニア AI エンジニアであり、ベストセラー書籍『Hands-On Machine Learning with Scikit-Learn and TensorFlow』の著者です。 Amazon のデータサイエンス責任者、Karolis Urbonas 氏。 eBay のエンジニアリング責任者、Sujeet Varakhedi 氏。

ページ数 — 160

初心者向け

説明 — 教師あり学習と教師なし学習、サポート ベクター マシン、ニューラル ネットワーク、アンサンブル法、勾配降下法、クラスター分析と次元削減、オートエンコーダーと転移学習、特徴エンジニアリング、ハイパーパラメータ チューニング! 数学、直感、イラストがすべて 100 ページに詰まっています!

3. 初心者のための機械学習（Python と R 版）

> 初心者のための機械学習（Python と R で）

著者 — John Mueller はフリーランスのライター兼テクノロジー編集者です。

ページ数 — 399

初心者向け

説明 - この本は、すぐに始めるための簡単な方法です。開始方法の説明、基礎となるアルゴリズムの仕組みに関する詳細な説明、Python や R などの言語を使用した機械学習の実現、一般的なアルゴリズムの実際の使用方法の指定などについて説明します。

本の内容:

• AIの真実
• R と Python コーディング
• 統計の役割
• ビッグデータの管理
• 数学の謎を解く
• 線形モデルの使用
• ニューラルネットワークの役割
• 画像の処理方法
• さらに多くのツールが利用可能

4. ハッカーのための機械学習: ケーススタディとアルゴリズム入門

> ハッカーのための機械学習: 始めるためのケーススタディとアルゴリズム

著者—ドリュー・コンウェイとジョン・マイルズ

ページ数 — 340

初心者向け

説明 - データ処理に関心のある経験豊富なプログラマーの場合、この本は、コンピューターが有用なタスクを自動的に実行できるように自己トレーニングできるようにするアルゴリズムの機械学習ツールキットの使用を開始するのに役立ちます。著者の Drew Conway と John Myles White は、従来の煩雑な講義ではなく、一連の実践的なケーススタディを通じて、機械学習と統計ツールの理解をサポートします。

各章では、分類、予測、最適化、推奨など、機械学習における特定の問題に焦点を当てています。 R プログラミング言語を使用して、サンプル データセットを分析し、簡単な機械学習アルゴリズムを記述する方法を学習します。 「ハッカーのための機械学習」は、ビジネス、政府、学術研究など、あらゆるバックグラウンドを持つプログラマーに適しています。

この本では、次のことを学びます。

• 電子メールのテキストのみに基づいて電子メールがスパムであるかどうかを判断するための単純ベイズ分類器を開発します。
• 線形回帰を使用して、上位 1,000 の Web サイトのページビューを予測します。
• 学習最適化では、単純なアルファベットコードを解読することでこれらの手法を実装します。
• 上院議員の投票記録に基づいて統計的に比較対照します。

5. 機械学習

> 機械学習

著者—トム・M・ミッチェル

432ページ

初心者向け

説明 - この教科書は、機械学習の主要な手法を単一のソースから紹介しています。このコースは、上級の学部生、大学院生、およびこの分野の開発者や研究者を対象としています。人工知能や統計学に関する事前の知識は必要ありません。この本で説明されているいくつかの重要なアルゴリズム、日付設定の例、およびプロジェクト指向の宿題は、World Wide Web 経由でアクセスできます。

特徴：

• この本は、さまざまな分野の概念と技術を統一的にカバーしています。
• 遺伝的アルゴリズム、強化学習、帰納的論理プログラミングの最新のトピックをカバーします。
• 文章のスタイルは明快で、説明的で、正確です。

6. Scikit-Learn、Keras、Tensor Flow を使用した実践的な機械学習: 概念、ツール、テクニック

> Scikit-Learn、Keras、Tensor Flow を使用した実践的な機械学習: 概念、ツール、テクニック

著者 — Aurelian Geron は機械学習のコンサルタント兼トレーナーです。

ページ数 — 848

すべての人のために

説明 - 単純な線形回帰からディープ ニューラル ネットワークに至るまで、さまざまな手法を学習します。各章には、学習した内容を応用するための演習が用意されているので、必要なのはプログラミングの経験だけです。

この本では、次のことを学びます。

• 機械学習、特にニューラルネットワークの可能性を探る
• Scikit-Learn を使用して、機械学習プロジェクトの例をエンドツーエンドで実行します。
• サポートベクターマシン、決定木、ランダムフォレスト、アンサンブル法など、いくつかのトレーニングモデルを探索します。
• TensorFlow ライブラリを使用してニューラル ネットワークを構築およびトレーニングする
• 畳み込みネットワーク、再帰型ネットワーク、深層強化学習などのニューラルネットワークアーキテクチャについて詳しく学びます。
• ディープニューラルネットワークのトレーニングとスケーリングのテクニックを学ぶ

7. Pythonによるディープラーニング

> Python によるディープラーニング

著者 — François Chollet、Google AI 研究者、Keras の作成者。

ページ数 — 384

すべての人のために

説明 - Python 言語と強力な Keras ライブラリを使用したディープラーニングの分野を紹介します。 Keras の作成者であり Google AI 研究者でもある François Chollet が執筆したこの本は、直感的な説明と実用的な例を通じて理解を深めることができます。

目次：

• パート 1 - ディープラーニングの基礎
• ディープラーニングとは何ですか?
• 始める前に: ニューラルネットワークの数学的基礎
• ニューラルネットワーク入門
• 機械学習の基礎
• パート 2 - ディープラーニングの実践
• コンピュータビジョンのためのディープラーニング
• テキストとシーケンスのディープラーニング
• 高度なディープラーニングのベストプラクティス
• 生成的ディープラーニング
• 結論は
• 付録 A — Ubuntu への Keras とその依存関係のインストール
• 付録 B — EC2 GPU インスタンスでの Jupyter Notebook の実行

Amazonから購入してください。

8. ディープラーニング（アダプティブコンピューティングと機械学習シリーズ）

> ディープラーニング（適応型コンピューティングと機械学習シリーズ）

著者 - Ian Goodfellow は、Google の研究科学者です (Generative Adversarial Networks (GAN) の発明者)。ヨシュア・ベンジオは、モントリオール大学のコンピューターサイエンスの教授（チューリング賞受賞者）。アーロン・クールヴィルは、モントリオール大学のコンピューターサイエンスの助教授です。

ページ数 — 800

対象 - 初心者/中級者

説明 - この本では、数学的および概念的背景、業界で使用されているディープラーニング技術、研究の視点など、ディープラーニングの幅広いトピックを紹介しています。

テスラとスペースXのCEO、イーロン・マスク氏のコメント: 「この分野の専門家3人によって書かれた『ディープラーニング』は、このテーマに関する唯一の包括的な本です。」

9. パターン認識と機械学習（情報科学と統計）

> パターン認識と機械学習（情報科学と統計）

著者: Chris Bishop は、Microsoft Research Cambridge の著名な科学者兼研究室ディレクターです。

ページ数 — 738

対象：中級者/上級者

説明 - これは、パターン認識に関するベイズの視点を紹介する最初の教科書です。この本では、正確な答えが得られない場合に、近似的な答えを素早く提供できる近似推論アルゴリズムを紹介しています。他の書籍では機械学習にグラフィカル モデルを適用していませんが、この本ではグラフィカル モデルを使用して確率分布を記述しています。パターン認識や機械学習の概念に関する事前の知識は必要ありません。多変数微積分と基本的な線形代数に精通していることが求められます。また、本書には基本的な確率理論の独立した入門書が含まれているため、確率に関するある程度の経験があると役立ちますが、必須ではありません。

10. 統計学習の要素: データマイニング、推論、予測、第 2 版

> 統計学習の要素: データマイニング、推論、予測、第 2 版

著者のトレバー・ハスティー、ロバート・ティブシラニ、ジェローム・フリードマンはスタンフォード大学の統計学教授です。

ページ数 — 745

対象：中級者/上級者

説明 - この本では、医学、生物学、金融、マーケティングなど、さまざまな分野の重要なアイデアを、共通の概念的枠組みの中で説明しています。アプローチは統計的ですが、数学よりも概念に重点が置かれています。カラフルなグラフィックを多用した例が示されています。これは、統計学者や科学や産業におけるデータマイニングに関心のある人にとって非常に貴重なリソースです。この本は、教師あり学習（予測）から教師なし学習まで、幅広い範囲をカバーしています。ニューラル ネットワーク、サポート ベクター マシン、分類ツリー、ブースティングなど、多くのトピックが取り上げられています。この本は、このテーマを包括的に扱った初めての書籍です。

オリジナルリンク:

https://medium.com/datadriveninvestor/top-10-books-on-machine-learning-for-absolute-beginners-beginners-and-experts-88cfcb94ccce)