カステラ本は機械学習を勉強するなら必見の1冊です。
しかしカステラ本は書店に行っても置いてないお店が多く、通販で買うにしても中身のわからない本に15,000円も出すのは気が引けますよね。
そこで当記事では、
について解説します。
カステラ本の中身を少しでも知って、統計学・機械学習のエキスパートに近づく手助けになれれば幸いです。
では、行きましょう！
・機械学習や統計モデリングのプログラミング！
・一部講座は専門実践教育訓練給付制度の対象！
・ご満足できないても8日以内の申し出で全額返金！
カステラ本
第１章 序章
序章では本書の概要や、統計学、機械学習の位置づけ、社会での活用方法などについて語られています。
サラッと読む程度で大丈夫でしょう。
第２章 教師あり学習の概要
教師あり学習について解説している章です。
教師あり学習の基礎を学びましょう。
２.２ 変数の種類と用語
２.３ 予測のための二つの簡単なアプローチ：最小２乗法と最近傍法
２.４ 統計的決定理論
２.５ 高次元での局所的手法
２.６ 統計モデル，教師あり学習，関数近似
２.７ 構造化回帰モデル
２.８ 制限付き推定法
２.９ モデル選択と，バイアスと分散のトレードオフ
第３章 回帰のための線形手法
線形回帰について解説している章です。
線形回帰の基礎と応用を学びましょう。
３.２ 線形回帰モデルと最小２乗法
３.３ 変数選択
３.４ 縮小推定
３.５ 入力に対して線形変換を行う方法
３.６ 考察：選択法と縮小法の比較
３.７ 複数の目的変数の縮小推定と変数選択
３.８ ｌａｓｓｏと関連する解追跡アルゴリズムに関する詳細
３.９ 計算上考慮すべき事柄
第４章 分類のための線形手法
分類・パターン認識について解説している章です。
分類・パターン認識の基礎や、ロジスティック回帰について学びましょう。
４.２ 指示行列の線形回帰
４.３ 線形判別分析
４.４ ロジスティック回帰
４.５ 分離超平面
第５章 基底展開と正則化
基底や正規化について解説している章です。
基底や正規化の概念や解析方法を学びましょう。
５.２ 区分的多項式とスプライン
５.３ フィルタリングと特徴抽出
５.４ 平滑化スプライン
５.５ 平滑化パラメータの自動選択
５.６ ノンパラメトリックロジスティック回帰
５.７ 多次元スプライン
５.８ 正則化と再生核ヒルベルト空間
５.９ ウェーブレット平滑化
第６章 カーネル平滑化法
カーネル平滑化法について解説している章です。
カーネル平滑化法の基礎を学びましょう。
６.２ カーネル幅の選択
６.３ Ｒｐにおける局所回帰
６.４ Ｒｐにおける構造化局所回帰モデル
６.５ 局所尤度およびその他の手法
６.６ カーネル密度推定と識別
６.７ 動径基底関数とカーネル
６.８ 密度推定と識別のための混合モデル
６.９ 計算上考慮すべき事柄
第７章 モデルの評価と選択
モデルの評価と選択方法について解説している本です。
モデルをどのように評価し、選択していけば良いか学びましょう。
７.２ バイアス，分散，モデルの複雑度
７.３ バイアス−分散分解
７.４ 訓練誤差の最善度
７.５ 訓練標本外誤差の推定
７.６ 有効パラメータ数
７.７ ベイズ法とベイズ情報量規準
７.８ 最小記述長
７.９ バプニック＝チェルボネンキス次元
７.１０ 交差確認
７.１１ ブートストラップ法
７.１２ 条件付きテスト誤差か期待テスト誤差か
第８章 モデル推論と平均化
モデル推論と平均化について解説している章です。
ベイズや最尤推定、MCMCなど、統計モデリングの基礎を学びましょう。
８.２ ブートストラップと最尤推定法
８.３ ベイズ法
８.４ ブートストラップ法とベイズ推論の関係
８.５ ＥＭアルゴリズム
８.６ 事後確率分布から標本抽出するためのＭＣＭＣ
８.７ バギング
８.８ モデルの平均と統合
８.９ 確率的探索：バンピング
第９章 加法的モデル，木，および関連手法
加法的モデルや木モデルなど、統計学の関連手法について解説している章です。
統計的な諸手法について学びましょう。
９.２ 木に基づく方法
９.３ 抑制的規則導出法
９.４ 多変量適応的回帰スプライン
９.５ 階層的エキスパート混合モデル
９.６ 欠損データ
９.７ 計算上考慮すべき事柄
第１０章 ブースティングと加法的木
ブースティング法について解説している章です。
ブースティング法の基礎と他手法への活用方法について学びましょう。
１０.２ ブースティングによる加法的モデル当てはめ
１０.３ 前向き段階的加法的モデリング
１０.４ 指数損失とアダブースト
１０.５ なぜ指数損失関数か
１０.６ 損失関数とロバスト性
１０.７ データマイニングの「万能」手法
１０.８ 例：スパムデータ
１０.９ ブースティング木
１０.１０ 勾配ブーステイングによる数値最適化
１０.１１ ブースティングのための木の適切な大きさ
１０.１２ 正則化
１０.１３ 説明性
１０.１４ 具体例
第１１章 ニューラルネットワーク
ニューラルネットワークについて解説している本です。
ニューラルネットワークの概念や構造、アルゴリズムについて学びましょう。
１１.２ 射影追跡回帰
１１.３ ニューラルネットワーク
１１.４ ニューラルネットワークの当てはめ
１１.５ ニューラルネットワークを訓練するときのいくつかの問題
１１.６ 例：試行データ
１１.７ 例：郵便番号データ
１１.８ 考察
１１.９ ベイズニューラルネットワークとＮＩＰＳ ２００３チャレンジ
１１.１０ 計算上考慮すべき事柄
第１２章 サポートベクトルマシンと適応型判別
サポートベクトルマシン（SVM）について解説している章です。
SVMの基礎と応用について学びましょう。
１２.２ サポートベクトル分類器
１２.３ サポートベクトルマシンとカーネル
１２.４ 線形判別分析の一般化
１２.５ 適応型判別分析
１２.６ 罰則付き判別分析
１２.７ 混合判別分析
１２.８ 計算上考慮すべき事柄
第１３章 プロトタイプ法と最近傍探索
プロトタイプ法、最近傍探索について解説している本です。
ベクトル探索について学びましょう。
１３.２ プロトタイプ法
１３.３ ｋ最近傍分類器
１３.４ 適応的最近傍法
１３.５ 計算上考慮すべき事柄
第１４章 教師なし学習
教師なし学習について解説している本です。
教師なし学習の各手法について学びましょう。
１４.２ 相関ルール
１４.３ クラスタ分析
１４.４ 自己組織化マップ
１４.５ 主成分分析と主曲線・主曲面
１４.６ 非負値行列分解
１４.７ 独立成分分析と探索的射影追跡
１４.８ 多次元尺度構成法
１４.９ 非線形次元削減と局所多次元尺度構成法
１４.１０ Ｇｏｏｇｌｅページランクのアルゴリズム
第１５章 ランダムフォレスト
ランブルフォレストについて解説している本です。
ランダムフォレストの定義、詳細、解析方法について学びましょう。
１５.２ ランダムフォレストの定義
１５.３ ランダムフォレストの詳細
１５.４ ランダムフォレストの解析
第１６章 アンサンブル学習
アンサンブル学習について解説している本です。
アンサンブル学習の基礎と学習方法について学びましょう。
１６.２ ブースティングと正則化軌跡
１６.３ アンサンブルの学習
第１７章 無向グラフィカルモデル
無効グラフィカルモデルについて解説している本です。
無効グラフィカルモデルについて学びましょう。
１７.２ マルコフグラフとその性質
１７.３ 連続変数に対する無向グラフィカルモデル
１７.４ 離散変数に対する無向グラフィカルモデル
第１８章 高次元の問題
高次元問題について解説している本です。
高次元変数を扱うときの解析方法について学びましょう。
１８.２ 対角線形判別分析と最近傍縮小重心
１８.３ ２次正則化を用いた線形分類器
１８.４ Ｌ１正則化を用いた線形分類器
１８.５ 特徴量が使えない場合の分類
１８.６ 高次元回帰：教師あり主成分分析
１８.７ 特徴量評価と多重検定問題
まとめ
今回は「カステラ本の内容・目次」について解説しました。
詳しい内容は書籍を読んでもらえればと思いますが、ざっくりどんな内容が入っているかはイメージできたのではないでしょうか。
興味のある人はぜひお手元で読んでみてください。
では、また。
・機械学習や統計モデリングのプログラミング！
・一部講座は専門実践教育訓練給付制度の対象！
・ご満足できないても8日以内の申し出で全額返金！
