Pythonで学ぶ機械学習

「機械学習」（machine learning）とは、人間が経験的に行なっているさまざまな学習活動を、コンピュータで実現するための技術です。 　本書では、機械学習のさまざまなアルゴリズムの、「原理」と「計算式」を解説。 　また、「scikit-learn」「Keras」※などのライブラリを使った実装や、応用例として「Webアプリ化」の方法も解説しています。 ※scikit-learn（サイキット・ラーン）：オープンソースの機械学習ライブラリ。どんなアルゴリズムでも同じような書き方が可能。 Keras（ケラス）：オープンソースの「ニューラル・ネットワーク」用ライブラリ。他のライブラリ上で動作し、それらのライブラリより簡単に使える。 第1章 機械学習の原理 1.1 「機械学習」とは 1-2 【教師あり学習（回帰）】 線形回帰（単回帰・重回帰） 1-3 ロジスティック回帰 1-4 【SVM】「サポート・ベクター・マシン」の原理と計算式 1-5 「ニューラル・ネットワーク」 基本原理と「単純パーセプトロン」の学習計算 1-6 【ニューラル・ネットワーク】 「多層パーセプトロン」（MLP）の原理と計算式 1-7 【深層学習入門】 「ディープラーニング」のアルゴリズムと原理 1-8 【CNN】「畳み込みニューラル・ネットワーク」の原理と仕組み 1-9 【強化学習入門】原理とアルゴリズム 1-10 【k-means法】クラスタリングの原理と計算式 1-11 【Python/NumPy】コサイン類似度の計算 1-12 【Python】「DTW」（動的時間伸縮法）で サンプル数が異なる「時系列データ」の類似度計算 第2章 機械学習の実装 2-1 開発環境の構築 (Python、Scikit-learn、Keras) 2-2 【Python/scikit-learn】「重回帰分析」の使い方（過学習の改善・防止） 2-3 【Python/scikit-learn】「ロジスティック回帰」の使い方（L1・L2正則化で過学習の改善・防止） 2-4 【Scikit-learn】「サポート・ベクタ・マシン」(SVM)で教師あり学習（分類器作成） 2-5 「ニューラル・ネットワーク」の実装 2.6 ディープラーニングの実装 第3章 応用例ーーWebアプリ化 3-1 【Python】「flask」のインストール 3-2 画像分類アプリ作成 3-3 【Python/Flask】作成したアプリを「Heroku」で公開する方法（Windows、Mac編）