機械学習で参考になった情報

機械学習を勉強するにあたって参照した情報源の自分用メモです。 （手を付けたが完了できなかった項目への自戒もこめて）

履修済みで役にたっている情報

• www.coursera.org ご存知Stanford大のAndrew Ng先生の講座。演習用の言語がMatlab互換のOctaveなのがつらかった。

深層学習 (機械学習プロフェッショナルシリーズ)

深層学習という言葉が流行りだしたときに一番最初に読んだ本。というか日本語で自分が読めそうな本はこれしかなかった。

[第2版]Python 機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear)

deep learning だけでなく、sklearnを使った shallow learning の習得に役立つ

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

3冊出ているうちの1冊目。理解できるか不安になりながら、おっかなびっくり読んだが丁寧に書いてあってよい本。

PythonとKerasによるディープラーニング

tensorflowを直接使うのは辛そうだったので、kerasの使い方を習得するために購入。筆者はkerasの作者なので安心。

イラストで学ぶ ディープラーニング 改訂第2版 (KS情報科学専門書)

イラストがたくさん載ってるけど結構情報量は多くて参考になる

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

一つ一つの項目の情報量は少なめだが、その分読みやすく、他の本のインデックスとしても使える。

Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

苦手意識のあるpandasの使い方の参考になった

scikit-learnとTensorFlowによる実践機械学習

実践向き

仕事ではじめる機械学習

実践向き

Kaggleで勝つデータ分析の技術

Kaggleに挑戦しようとして読んだ。タイタニック以外もサブミットできるところまでは進めた。

実践チュートリアル 決定木とランダムフォレスト student.codexa.net 決定木をなんとなくしか理解していなかったので。

実践チュートリアル XGBoost student.codexa.net KaggleでXGBoostがよく使われるということなので勉強してみた。

courses.edx.org IBMの講座。内容は難しくないが機械学習全体のフローを再確認するのに役立った。

着手したが未完了で役にたちそうな本

パターン認識と機械学習 上

パターン認識と機械学習 下 (ベイズ理論による統計的予測)

パターン認識と機械学習の学習―ベイズ理論に負けないための数学

長くかかりそう

統計的機械学習の数理100問 with Python (機械学習の数理100問シリーズ)

これは写経して問題も解く予定

深層学習

ドラフト版をざっくりはみた。数式でちゃんと理解したい人向け。

www.coursera.org Kaggleでの勝ち方。自分にはまだレベルが高くて挫折。Kaggleをある程度やってから受けた方がよさそう。

Lecture 1 - Welcome | Stanford CS229: Machine Learning (Autumn 2018) ご存知Stanford大のAndrew Ng先生の2018年の講座の動画。

www.udemy.com www.udemy.com www.udemy.com www.udemy.com 日本語だし、内容は分かりやすいのですが、自分が欲張っていくつも登録した結果、消化できていない。

未着手だがよく紹介されているのできっと参考になる

はじめてのパターン認識

はじパタ。

統計的学習の基礎 ―データマイニング・推論・予測―

鈍器。

あんまり自分には合わなかったが参考になる人もいるはず

（この情報を見た時の自分の実力や求めるものと合わなかっただけで、フィットする人もいるはずです。）

機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 (オライリー・ジャパン)

直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ