index.md

まえがき

1 業務と機械学習プロジェクト

1.1 本書の目的

1.2 必要な専門性と本書の対象読者

1.3 機械学習の開発プロセス

1.4 これからの業務専門家に望ましいスキル

1.5 本書の構成

2 機械学習モデルの処理パターン

2.1 AIと機械学習の関係

2.2 機械学習の三つの処理パターン

2.3 教師あり学習の処理パターン

2.3.1 分類

2.3.2 回帰

2.3.3 時系列分析

2.4 教師なし学習の処理パターン

2.4.1 アソシエーション分析

2.4.2 クラスタリング

2.4.3 次元圧縮

2.5 処理パターンの選択フロー

2.6 ディープラーニングと構造化データ・非構造化データ

3 機械学習モデルの開発手順

3.1 モデルの開発フロー

3.2 例題データ・目的の説明

3.2.1 例題データの説明

3.2.2 モデルの目的

3.3 モデルの実装

3.3.1 (1) データ読み込み

3.3.2 (2) データ確認

3.3.3 (3) データ前処理

3.3.4 (4) データ分離

3.3.5 (5) アルゴリズム選択

3.3.6 (6) 学習

3.3.7 (7) 予測

3.3.8 (8) 評価

3.3.9 (9) チューニング

コラム 公開データセットについて

4 機械学習モデル開発の重要ポイント

4.1 データ確認

4.1.1 数値的・統計的に分析する方法

4.1.2 視覚的に分析・確認する方法

4.2 データ前処理

4.2.1 不要な項目の削除

4.2.2 欠損値の対応

4.2.3 2値ラベルの数値化

4.2.4 多値ラベルの数値化

4.2.5 正規化

4.2.6 その他のデータ前処理

4.3 アルゴリズム選択

4.3.1 分類の代表的なアルゴリズムとその特徴

4.3.2 サンプルコードで用いるデータ

4.3.3 ロジスティック回帰

4.3.4 サポートベクターマシン(カーネル)

4.3.5 ニューラルネットワーク

4.3.6 決定木

4.3.7 ランダムフォレスト

4.3.8 XGBoost

4.3.9 アルゴリズムの選択方法

4.4 評価

4.4.1 混同行列

4.4.2 精度・適合率・再現率・F値

4.4.3 確率値と閾値

4.4.4 PR曲線とROC曲線

4.4.5 入力項目の重要度

4.4.6 回帰のモデルの評価方法

4.5 チューニング

4.5.1 アルゴリズムの選択

4.5.2 ハイパーパラメータの最適化

4.5.3 交差検定法

4.5.4 グリッドサーチ

4.5.5 その他のチューニング

5 業務要件と処理パターン

5.1 営業成約予測 (分類)

5.1.1 処理パターンと想定される業務利用シーン

5.1.2 例題のデータ説明とユースケース

5.1.3 モデルの概要

5.1.4 データ読み込みからデータ確認まで

5.1.5 データ前処理とデータ分割

5.1.6 アルゴリズム選択

5.1.7 学習・予測・評価

5.1.8 チューニング

5.1.9 重要度分析

コラム 欠陥・疾患判定モデルの実現について

5.2 天候による売り上げ予測 (回帰)

5.2.1 処理パターンと想定される業務利用シーン

5.2.2 例題のデータ説明とユースケース

5.2.3 モデルの概要

5.2.4 データ読み込みからデータ確認まで

5.2.5 データ前処理とデータ分割

5.2.6 アルゴリズム選択

5.2.7 学習・予測

5.2.8 評価

5.2.9 チューニング

5.2.10 重要度分析

5.3 季節などの周期性で売り上げ予測 (時系列分析)

5.3.1 処理パターンと想定される業務利用シーン

5.3.2 例題のデータ説明とユースケース

5.3.3 モデルの概要

5.3.4 データ読み込みからデータ確認まで

5.3.5 データ前処理とデータ分割

5.3.6 アルゴリズム選択

5.3.7 学習・予測

5.3.8 評価

5.3.9 チューニング(ステップ1)

5.3.10 チューニング(ステップ2)

5.3.11 「回帰」「時系列」の処理パターンの選択

コラム「アイスクリーム購買予測」で時系列分析

5.4 お薦め商品の提案 (アソシエーション分析)

5.4.1 処理パターンと想定される業務利用シーン

5.4.2 例題のデータ説明とユースケース

5.4.3 モデルの概要

5.4.4 データ読み込みからデータ確認まで

5.4.5 データ前処理

5.4.6 アルゴリズムの選択と分析

5.4.7 チューニング

5.4.8 関係グラフの視覚化

5.4.9 より発展した分析

コラム　「おむつとビール」の都市伝説

5.5 顧客層に応じた販売戦略 (クラスタリング、次元圧縮)

5.5.1 処理パターンと想定される業務利用シーン

5.5.2 例題のデータ説明とユースケース

5.5.3 モデルの概要

5.5.4 データ読み込みからデータ確認まで

5.5.5 クラスタリングの実施

5.5.6 クラスタリング結果の分析

5.5.7 次元圧縮の実施

5.5.8 次元圧縮の活用方法

6 AIプロジェクトを成功させる上流工程のツボ

6.1 機械学習の適用領域の選択

6.1.1 処理パターンのあてはめが肝要

6.1.2 教師あり学習は正解データの入手が命

6.1.3 AIに100%は期待するな

6.2 業務データの入手・確認

6.2.1 データの所在確認

6.2.2 部門を跨がるデータ連係の課題

6.2.3 データの品質

6.2.4 One-Hotエンコーディングの問題

コラム 機械学習モデルの自動構築ツールについて

講座1 Google Colaboratory 基本操作

講座2 機械学習のためのPython入門

講座2.1 NumPy入門

講座2.2 pandas入門

講座2.3 matplotlib入門

索引

メインページに戻る