本書は、機械学習の有名なアルゴリズムをPythonを用いてゼロから実装することを目的としています。実用的なフレームワークを使用するのではなく、機械学習の仕組みを深く理解することで応用力や問題解決力を高めることを目指しています。内容は、Pythonの基本、機械学習に必要な数学、数値計算、そして具体的な機械学習アルゴリズムに関する解説を含んでおり、初心者や実務に携わるエンジニアに適しています。著者はシルバーエッグ・テクノロジーのチーフサイエンティストで、機械学習アルゴリズムの設計・実装に精通しています。

この入門書は、パターン認識について基礎からわかりやすく解説しており、特にRを用いた実行例が含まれているため、実際の応用にも役立ちます。内容は識別規則や学習法、ベイズの識別規則、k最近傍法、サポートベクトルマシンなど多岐にわたり、最後には識別器の性能強化についても触れています。著者は筑波大学の名誉教授、平井有三氏です。

この書籍は、数学の知識がなくても理解できる機械学習の入門書で、Pythonの機械学習ライブラリ「scikit-learn」を用いた実践的な解説が特徴です。著者はscikit-learnの開発に関わる専門家で、実践から理論へと学ぶスタイルを採用しています。特に「特徴量エンジニアリング」や「モデルの評価と改善」に焦点を当てており、従来の解説書にはない内容を提供しています。目次には教師あり学習、教師なし学習、データ処理などが含まれています。著者は機械学習の専門家で、産業界や学術界での経験があります。

この書籍は、ディープラーニングをゼロから実装することで学ぶ入門書です。Python 3を用いて、基礎から誤差逆伝播法や畳み込みニューラルネットワークなどの実装を通じて理解を深めます。また、ハイパーパラメータの設定やBatch Normalization、Dropout、Adamなどの最新技術、さらには自動運転や画像生成などの応用例についても触れています。著者は斎藤康毅氏で、コンピュータビジョンや機械学習の研究開発に従事しています。

この書籍は、地域密着型アウトドアショップがデジタルマーケティングを活用して業績を向上させるストーリーを通じて、デジタルマーケティングの基礎を学ぶ内容です。デジタル化を成功させるための条件や、重要な要素（MEO・SEO、データ分析、ECサイト構築、SNS活用など）が解説されています。著者は上野佑馬で、データ分析やデジタルマーケティングの専門家です。

本書は、機械学習を実践的に学ぶための教材で、scikit-learn、TensorFlow、Kerasを用いて、基礎から応用までの手法を体系的に解説しています。内容には、データ処理、モデル学習、深層学習、強化学習、コンピュータビジョン、自然言語処理などが含まれ、サンプルコードはすべてGitHubで公開され、Jupyter Notebookで試すことができます。第2版では新たに畳み込みニューラルネットワークやGANによる画像生成の説明も追加されています。機械学習を学びたいエンジニアにとって必携の一冊です。

この書籍は、ガウス過程に関する日本初の入門書であり、ベイズ的回帰モデルの柔軟性を解説しています。内容は線形回帰から始まり、ガウス過程の原理や教師なし学習、実応用に関する最新の話題も取り上げています。各章では、ガウス過程の基本概念、計算法、適用例などが詳しく説明されています。著者は統計や情報科学の専門家です。

本書は、回帰分析、重回帰分析、ロジスティック回帰分析について解説しており、基礎知識から実践的な計算方法までをカバーしています。著者は高橋信氏で、統計学を基にした情報サービス業に従事しています。

本書は、AI・データ分析プロジェクトの成功には技術知識だけでなく「ビジネス力」が重要であることを強調しています。データサイエンティストのキャリアや業界の概要から始まり、プロジェクトの立ち上げ、実行、評価、収益化までのノウハウを網羅。具体的には、課題設定、案件獲得、データ分析手法の検討、レポーティングなどのプロセスを解説し、実務に役立つ情報を提供しています。著者は業界の専門家で、実践的な知識を基にした内容となっています。

この書籍は、機械学習とディープラーニングの基本を図解形式で解説しており、エンジニア1年生や関連企業への就職・転職を目指す人に最適です。内容は、人工知能の基礎、機械学習とディープラーニングのプロセス、アルゴリズム、システム開発環境に関する知識を包括的に学べる構成になっています。著者は、実践的な機械学習システムの実装をサポートする専門家です。

本書は、多変量解析法の入門書であり、統計的方法を習得した人を対象に、簡単な例を用いて理論を2次行列で解説しています。主要な内容には、単回帰分析、重回帰分析、主成分分析、クラスター分析などが含まれています。著者は早稲田大学の教授で、統計学に関する多くの著作があります。

本書は、理解しやすいコードを書くための方法を紹介しています。具体的には、名前の付け方やコメントの書き方、制御フローや論理式の単純化、コードの再構成、テストの書き方などについて、楽しいイラストを交えて説明しています。著者はボズウェルとフォシェで、須藤功平氏による日本語版解説も収録されています。

本書は、Javaをゼロから学びたい人や他の言語からJavaに移行したい人向けに、プログラミングの基礎をわかりやすく解説しています。Javaは多くの業務システムで利用されており、エンジニアとしての需要も高い言語です。内容は、Javaの基本から高度なプログラミング、開発ツールの使い方、Webアプリケーションの開発まで幅広くカバーしています。実際にプログラムを組む体験を通じて、プログラミングの楽しさと難しさを学ぶことを目指しています。

この書籍は、データ分析における「分析モデル」をテーマにしたもので、回帰分析や深層学習、強化学習などの実践的な分析手法を網羅的に解説しています。著者は、データ分析者がモデルの本質を理解し、データを最大限に活用できるようにすることを目的としています。内容は定型データから非定型データの扱い、強化学習、データから知見を得る方法まで多岐にわたり、各章で具体的な手法や技術が詳しく説明されています。著者は東京大学の博士号を持つデータサイエンティストで、データ分析の啓蒙活動にも従事しています。

この書籍は、数理モデルを用いて現象を理解するための基本的な統計モデルの考え方を、章ごとに異なる例題を通じて解説しています。前半では一般化線形モデル（GLM）の基礎を紹介し、後半では階層ベイズモデル化の手法をRとWinBUGSを用いて具体的に説明します。著者は久保拓弥氏で、生態学のデータ解析に関する統計学的方法を研究しています。

本書は、データサイエンスにおけるコンペティション、特にKaggleに焦点を当て、実践的なデータ分析手法やテクニックを紹介しています。分析コンペに参加することで得られるスキルは、実務でも役立つため、特徴量の作成やモデルの評価、チューニングなどの具体的な内容が含まれています。著者たちは、データサイエンスの専門家であり、実績を持つKaggleの競技者です。この本は、コンペに挑戦したい人や実務でのモデル精度向上を目指す人にとって有益な情報源となるでしょう。

本書は、機械学習アルゴリズムをオールカラーの図を用いてわかりやすく解説した入門書です。17種類のアルゴリズムを紹介し、各アルゴリズムの仕組みや使用方法、注意点を詳述しています。Pythonを用いたコードも掲載されており、実際に試しながら学ぶことができます。機械学習を学ぶ初心者や業務で利用している方にも役立つ内容となっています。

本書は、深層学習に関する改訂版のベストセラーで、トランスフォーマーやグラフニューラルネットワーク、生成モデルなどの手法を詳しく解説しています。著者は、理論的な証明がなくても納得できる説明を重視し、実用性を考慮した内容を提供。全12章で、基本構造から各種学習方法、データが少ない場合の対策まで幅広く網羅しています。著者は東北大学の教授であり、実務家との共同研究の経験も反映されています。

本書は、機械学習のビジネスへの実装と運用に関する「MLOps」の実践ガイドです。第1部ではMLOpsの全体像や、それを実現するための技術、プロセス、文化について解説し、基礎知識を提供します。第2部では、実際の企業からの事例を通じて、MLOpsの具体的な実践方法を紹介しています。著者は機械学習の専門家であり、実用化に向けた知見が詰まった一冊です。

この入門書は、ベイズ主義機械学習の基本原理を「モデルの構築→推論の導出」という手順で分かりやすく解説しています。内容は、機械学習とベイズ学習、基本的な確率分布、ベイズ推論による学習と予測、混合モデルと近似推論、応用モデルの構築と推論の5章から構成されています。著者は須山敦志と杉山将で、機械学習を身近に理解できるよう丁寧に記述されています。

パターン認識

この書籍は、データサイエンスにおける統計学と機械学習の52の基本概念を簡潔に説明し、必要な数式やグラフ、RとPythonのコードを提供します。データの分類、分析、モデル化、予測において、統計学の重要な要素を明確にし、効率的に学ぶことができます。改訂版ではPythonにも対応し、コードはGitHubからダウンロード可能です。著者はデータサイエンスの専門家であり、幅広い経験を持っています。

AIのベースの一つである機械学習とは、コンピュータに大量のデータや経験を与えることによって、事象のパターン・ルールを発見し、予測などまでをも実現する技術である。機械学習の基礎から筆者らの最先端の研究までを初めての人にもわかりやすく解説する一冊。 はじめに 1　機械学習とは何か――人工知能（AI）の基礎知識 1.1　人間の学習能力をコンピュータで再現する「機械学習」 1.2　AI研究、これまでとこれから 1.3　人工知能の／による／のための研究 2　人工知能と社会 2.1　研究者とともに、学生とともに、エンジニアとともに 2.2　さまざまな分野におけるAI技術の応用 2.3　AIと社会の関係 3　機械学習の基礎 3.1　AIの学習モデルと学習法 3.2　3種類の機械学習 3.3　教師付き学習とは 3.4　教師なし学習とは 3.5　強化学習とは 3.6　機械学習の原理：「学習する」とは 3.7 なぜ教師付き学習で予測が当たるのか？ 3.8 直線で分離できない問題への対応 4　高度化する教師付き学習 4.1　誤りを含む教師情報への対応 4.2　弱い教師情報の活用 4.3　限られた情報からロバストに：信頼できる機械学習に向けて 4.4　理研AIPに見る汎用基盤研究の現在地 5　今後の展望 5.1　モデルと学習法と、ある種の制約 5.2　機械学習の新技術：生成AI 5.3　AIと人間の未来

本書は、2018年に発行された機械学習に関する書籍の全面改訂版で、不確実性の高い機械学習プロジェクトを「仕事で使う」という視点から整理しています。新たに「ML Ops」や「機械学習モデルの検証」などの章が追加され、読者が直面する問題解決に役立つ内容となっています。著者は機械学習分野の専門家で、実践的な知識を提供しています。

この本は、ITエンジニア向けに機械学習の理論を基礎から学ぶためのものです。改訂新版として全面カラー化され、Pythonのコーディング環境もGoogle Colaboratoryに更新されています。機械学習の重要な理論がカバーされており、入門書としての定番となっています。内容はデータサイエンスの役割や機械学習アルゴリズムの分類から、最小二乗法、最尤推定法、パーセプトロン、ロジスティック回帰、k平均法、EMアルゴリズム、ベイズ推定まで多岐にわたります。著者は、中井悦司氏で、データ活用技術の普及に努めています。