【2024年】「ボルツマンマシン」のおすすめ 本 25選！人気ランキング
- 機械学習入門 ボルツマン機械学習から深層学習まで
- 深層学習 (機械学習プロフェッショナルシリーズ)
- 機械学習スタートアップシリーズ これならわかる深層学習入門 (KS情報科学専門書)
- ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ)
- パターン認識と機械学習 上
- 大学4年間のデータサイエンスが10時間でざっと学べる
- ボルツマンマシン (シリーズ 情報科学における確率モデル 2)
- 最適化手法入門 (データサイエンス入門シリーズ)
- Pythonで動かして学ぶ！あたらしい機械学習の教科書 第3版
- 機械学習のエッセンス -実装しながら学ぶPython,数学,アルゴリズム- (Machine Learning)
最先端のデータ分析の手法を基礎から応用までざっと学べる１冊！ 【本書の内容】 次代の花形職種である「データサイエンティスト」はどのような知識を身につけているのか？ データサイエンスとは？という基礎から、実際にデータ分析するために必要なパソコンの知識、プログラミングの基礎、機械学習、画像解析まで。 気鋭の若手研究者による、データサイエンス入門の一冊。 【本書の目次】 第１部 データサイエンスの基本●(1)データサイエンスとは？ 第２部 データサイエンスの基礎技術●(2)計算機の仕組み／(3)プログラミングの基礎（１）／(4)プログラミングの基礎（２）／(5)アルゴリズム（１）／(6)アルゴリズム（２）／(7)データベース／(8)最適化の方法 第３部 統計学・機械学習の基礎●(9)機械学習の基本／(10)過学習とモデル選択／(11)回帰問題と住宅価格／(12)アンサンブル学習と住宅価格／(13)分類問題／(14)教師なし学習 第４部 コーパスとネットワークの分析●(15)トピックモデル／(16)ネットワーク分析 第５部 ディープラーニング●(17)ニューラルネットワークの基礎／(18)ディープラーニング／(19)ディープラーニングによる系列データ分析／(20)ディープラーニングによる画像分析 世界最先端の企業が喉から手が出るほど欲しい人材のひとつ、「データサイエンティスト」。この職につく人々が身につけるべき知識とはいったい何なのか。最先端のデータ分析の手法を基礎からざっと学べる１冊！ 第１部 データサイエンスの基本●(1)データサイエンスとは？ 第２部 データサイエンスの基礎技術●(2)計算機の仕組み／(3)プログラミングの基礎（１）／(4)プログラミングの基礎（２）／(5)アルゴリズム（１）／(6)アルゴリズム（２）／(7)データベース／(8)最適化の方法 第３部 統計学・機械学習の基礎●(9)機械学習の基本／(10)過学習とモデル選択／(11)回帰問題と住宅価格／(12)アンサンブル学習と住宅価格／(13)分類問題／(14)教師なし学習 第４部 コーパスとネットワークの分析●(15)トピックモデル／(16)ネットワーク分析 第５部 ディープラーニング●(17)ニューラルネットワークの基礎／(18)ディープラーニング／(19)ディープラーニングによる系列データ分析／(20)ディープラーニングによる画像分析
最適化、確率・統計などの基本的な計算から、ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までを丁寧に解説！ ◆◆数式とコードの距離が近いJuliaで一生モノの考え方を身につけよう！◆◆ 線形代数、微積分、最適化、確率・統計の基本的な計算から、 ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までをていねいに解説！ [サポートページ] https://github.com/sammy-suyama/JuliaBayesBook [主な内容] 第1章 Juliaの基礎 1.1 Juliaとは 1.2 基本文法 1.3 パッケージの利用 1.4 グラフの描画 第2章 数値計算の基礎 2.1 ベクトル・行列計算 2.2 統計量の計算 2.3 統計量と確率分布のパラメータ 2.4 微分計算 2.5 関数の最適化 2.6 最適化によるカーブフィッティング 2.7 積分計算 第3章 確率計算の基礎 3.1 表を使った確率計算 3.2 式を使った確率計算 3.3 連続値における周辺分布と条件付き分布 3.4 確率的試行のシミュレーション 第4章 確率分布の基礎 4.1 確率分布とは 4.2 Juliaでの確率分布の扱い（Distributions.jl） 4.3 離散型確率分布 4.4 連続型確率分布 4.5 統計モデルの設計 第5章 統計モデリングと推論 5.1 ベルヌーイモデル 5.2 線形回帰 5.3 ロジスティック回帰モデル 第6章 勾配を利用した近似推論手法 6.1 なぜ勾配を利用するのか 6.2 ラプラス近似 6.3 ハミルトニアンモンテカルロ法 第7章 発展的な統計モデル 7.1 ポアソン回帰 7.2 階層ベイズモデル 7.3 状態空間モデル 第1章 Juliaの基礎 1.1 Juliaとは 1.2 基本文法 1.3 パッケージの利用 1.4 グラフの描画 第2章 数値計算の基礎 2.1 ベクトル・行列計算 2.2 統計量の計算 2.3 統計量と確率分布のパラメータ 2.4 微分計算 2.5 関数の最適化 2.6 最適化によるカーブフィッティング 2.7 積分計算 第3章 確率計算の基礎 3.1 表を使った確率計算 3.2 式を使った確率計算 3.3 連続値における周辺分布と条件付き分布 3.4 確率的試行のシミュレーション 第4章 確率分布の基礎 4.1 確率分布とは 4.2 Juliaでの確率分布の扱い（Distributions.jl） 4.3 離散型確率分布 4.4 連続型確率分布 4.5 統計モデルの設計 第5章 統計モデリングと推論 5.1 ベルヌーイモデル 5.2 線形回帰 5.3 ロジスティック回帰モデル 第6章 勾配を利用した近似推論手法 6.1 なぜ勾配を利用するのか 6.2 ラプラス近似 6.3 ハミルトニアンモンテカルロ法 第7章 発展的な統計モデル 7.1 ポアソン回帰 7.2 階層ベイズモデル 7.3 状態空間モデル
