第1章 データに基づいた解析・機械学習とは
1.1 機械学習とは
1.2 機械学習の種類
1.3 機械学習の実装
第2章 データの標準化・主成分分析
2.1 標準化
2.2 データの関係性
2.3 Pythonによる計算、データの可視化
2.4 主成分分析
2.5 scikit-learnによる主成分分析
第3章 線形回帰
3.1 回帰とは
3.2 線形回帰(単回帰)
3.3 多項式回帰
3.4 Pythonによる実装
第4章 過剰適合
4.1 過剰適合と交差検証
4.2 正則化
第5章 最尤推定法
5.1 最尤推定法
5.2 MAP推定法
第6章 カーネル法
6.1 一般関数の線形和
6.2 ガウス関数による近似
6.3 カーネル関数
6.4 正則化
第7章 線形判別
7.1 分類問題
7.2 線形分離
7.3 Fisherの線形判別分析法
第8章 サポートベクターマシン
8.1 ハードマージン SVM
8.2 ソフトマージン SVM
8.3 scikit-learnによるSVMの実装
8.4 カーネルSVM
第9章 パーセプトロンとロジスティック回帰
9.1 パーセプトロン
9.2 ロジスティック回帰
第10章 多層ニューラルネットワーク
10.1 多層ニューラルネットワーク
10.2 誤差逆伝播法
10.3 多層ニューラルネットワークの実装
第11章 深層学習
11.1 勾配消失
11.2 ReLU関数
11.3 scikit-learnによる多層ニューラルネットワークの実装
第12章 畳み込みニューラルネットワーク
12.1 畳み込みニューラルネットワーク (CNN)
12.2 PyTorchによる多層ニューラルネットワークの実装
12.3 PyTorchによるCNNの実装
第13章 オートエンコーダ
13.1 オートエンコーダ
13.2 転置畳み込み
13.3 PyTorchによるオートエンコーダの実装
13.4 ノイズ除去オートエンコーダ
13.5 変分オートエンコーダ
第14章 敵対的生成ネットワーク
14.1 敵対的生成ネットワーク
14.2 Deep Convolutional GAN
14.3 GANの学習の難しさ
14.4 拡散モデル
付録A 各章の演習解答