資料詳細

[ 和図書 ] データアナリティクスのための機械学習入門アルゴリズム・実例・ケーススタディ ( 世界標準MIT教科書 )

J.D.ケラハー／著 -- 近代科学社 -- 2022.8 --

所蔵

所蔵は 1 件です。

所蔵館	所蔵場所	資料区分	請求記号	資料コード	所蔵状態	資料の利用
配架日	協力貸出	利用状況	返却予定日	資料取扱	予約数	付録注記	備考
中央	2F	一般図書	/007.1/6014/2022	7115862967		配架図 Digital BookShelf
2022/09/24	可能	利用可			0

Eメールによる郵送複写申込みは、「東京都在住」の登録利用者の方が対象です。

- 統合検索
  都内図書館の所蔵を
  横断検索します。 類似資料 AI Shelf
  この資料に類似した資料を
  AIが紹介します。

ページの先頭へ

資料詳細

ISBN	4-7649-0617-4
ISBN13桁	978-4-7649-0617-4
タイトル	データアナリティクスのための機械学習入門
タイトルカナ	データアナリティクスノタメノキカイガクシュウニュウモン
タイトル関連情報	アルゴリズム・実例・ケーススタディ
タイトル関連情報読み	アルゴリズムジツレイケーススタディ
著者名	J.D.ケラハー／著, B.マクナミー／著, A.ダーシー／著, 宮岡悦良／訳, 下川朝有／訳, 黒澤匠雅／訳
著者名典拠番号	120003010980000 , 120003103770000 , 120003103790000 , 110001259480000 , 110007141080000 , 110007350790000
出版地	東京
出版者	近代科学社
出版者カナ	キンダイカガクシャ
出版年	2022.8
ページ数	16, 454p
大きさ	26cm
シリーズ名	世界標準MIT教科書
シリーズ名のルビ等	セカイヒョウジュンエムアイティーキョウカショ
原タイトル注記	原タイトル:Fundamentals of machine learning for predictive data analytics
価格	¥8000
内容紹介	データアナリティクスの問題を解決するために、実際の機械学習の用いられ方や機械学習の基本を分かりやすく解説。機械学習の応用例として産業界でのケーススタディも紹介する。
書誌・年譜・年表	文献:p438～447
一般件名	機械学習-ndlsh-001210569
一般件名	機械学習
一般件名カナ	キカイガクシュウ
一般件名典拠番号	511957000000000
分類：都立NDC10版	007.13
資料情報1	『データアナリティクスのための機械学習入門アルゴリズム・実例・ケーススタディ』（世界標準MIT教科書）　J.D.ケラハー／著, B.マクナミー／著 , A.ダーシー／著　近代科学社　2022.8（所蔵館：中央　請求記号：/007.1/6014/2022　資料コード：7115862967）
URL	https://catalog.library.metro.tokyo.lg.jp/winj/opac/switch-detail.do?lang=ja&bibid=1154059884

ページの先頭へ

1 予測的データアナリティクスのための機械学習: 1.1 予測的データアナリティクスとは?; 1.2 機械学習とは?; 1.3 機械学習はどのように機能するのか?; 1.4 機械学習が機能しない場合; 1.5 予測的データアナリティクスプロジェクトのライフサイクル:CRISP-DM; 1.6 予測的データアナリティクスの道具; 1.7 本書のこれからの内容; 1.8 演習
2 データから知見そして意思決定へ: 2.1 ビジネス課題から分析ソリューションへの変換; 2.2 実現可能性の評価; 2.3 ABTの設計; 2.4 特徴量の設計と実装; 2.5 要約; 2.6 参考文献; 2.7 演習
3 データ探索: 3.1 データ品質レポート; 3.2 データを知る; 3.3 データ品質問題の確認; 3.4 データ品質問題の取り扱い; 3.5 高度なデータ探索; 3.6 データ準備; 3.7 要約; 3.8 参考文献; 3.9 演習
4 情報量に基づく学習: 4.1 考え方; 4.2 基本; 4.3 標準的なアプローチ:ID3アルゴリズム; 4.4 拡張法と他の手法; 4.5 要約; 4.6 参考文献; 4.7 演習
5 類似度に基づく学習: 5.1 考え方; 5.2 基本; 5.3 標準的なアプローチ:最近傍アルゴリズム; 5.4 拡張法と他の手法; 5.5 要約; 5.6 参考文献; 5.7 エピローグ; 5.8 演習
6 確率に基づく学習: 6.1 考え方; 6.2 基本; 6.3 標準的なアプローチ:ナイーブベイズモデル; 6.4 拡張法と他の手法; 6.5 要約; 6.6 参考文献; 6.7 演習
7 誤差に基づく学習: 7.1 考え方; 7.2 基本; 7.3 標準的なアプローチ:勾配降下法による重回帰; 7.4 拡張法と他の手法; 7.5 要約; 7.6 参考文献; 7.7 演習
8 評価: 8.1 考え方; 8.2 基本; 8.3 標準的なアプローチ:ホールドアウトテストセットによる誤分類率; 8.4 拡張法と他の手法; 8.5 要約; 8.6 参考文献; 8.7 演習
9 ケーススタディ:顧客離れ: 9.1 ビジネスの把握; 9.2 データの把握; 9.3 データの準備; 9.4 モデリング; 9.5 評価; 9.6 設置
10 ケーススタディ:銀河の分類: 10.1 ビジネスの把握; 10.2 データの把握; 10.3 データ準備; 10.4 モデリング; 10.5 評価; 10.6 設置
11 予測的データアナリティクスのための機械学習の技法: 11.1 予測モデルのいろいろな側面; 11.2 機械学習法の選択; 11.3 次のステップ
A 機械学習のための記述統計とデータ可視化: A.1 連続型特徴量に対する記述統計; A.2 カテゴリ特徴量に対する記述統計; A.3 母集団と標本; A.4 データの可視化
B 機械学習のための確率の導入: B.1 確率の基礎; B.2 確率分布と周辺化; B.3 便利な確率法則; B.4 要約
C 機械学習のための微分法: C.1 連続関数の導関数; C.2 連鎖律; C.3 偏導関数

ページの先頭へ