機械学習のための「前処理」入門

◆◆機械学習の成否を分かつ「前処理」◆◆ ◆◆実務に直結するテクニックを習得◆◆ データ分析技術の中心には、分析アルゴリズムやモデリング手法があります。 しかし実務の現場では、むしろ「前処理」の重要性に直面します。 その方法は「分析目標」と「データ形式」によって異なり、 そこからどのように特徴量を作り出すかで、機械学習の成否が左右されます。 本書では、構造化データ、画像データ、時系列データ、自然言語について、 機械学習における前処理の手順を紹介。 演習問題を経て、Pythonによる実装までを体験します。 データ分析のフレームワークCRISP-DMに沿って実装を進めるので、 実務に近い形で前処理のテクニックが身に付きます。 ◆◆本書の主な構成◆◆ 第1章　データ分析・活用を始めるために 1 データドリブンな時代へ 2 データ分析プロジェクトに必要な要素 3 データ分析人材のスキル 第2章　データ分析のプロセスと環境 1 ビジネス理解 2 データ理解 3 データ準備 4 モデル作成 5 評価 6 展開・共有 7 データ分析環境の選択 8 Jupyter Notebook の使い方 第3章　構造化データの前処理 1 データ理解 2 データ準備 3 モデル作成 4 再びデータ準備へ 5 再びモデル作成へ 練習問題の解答 第4章　構造化データの前処理（2） 1 顧客の特性を知る 2 顧客のグループ化 3 潜在ニーズの抽出 第5章　画像データの前処理 1 データ理解 2 機械学習のためのデータ準備 3 深層学習のためのデータ準備 練習問題の解答 第6章　時系列データの前処理 1 データ理解 2 データ準備 3 教師データの作成 練習問題の解答 第7章　自然言語データの前処理 1 データ理解 2 機械学習のためのデータ準備 3 深層学習のためのデータ準備 4 トピック抽出のためのデータ準備 付録 1 JupyterLab ローカル環境の構築 2 画像認識モデルの作成 3 記事分類モデルの作成 4 記事トピックの抽出 5 様々な可視化ツール