【2023年】「svm」のおすすめ 本 28選!人気ランキング

この記事では、「svm」のおすすめ 本 をランキング形式で紹介していきます。インターネット上の口コミや評判をベースに集計し独自のスコアでランク付けしています。
記事内に商品プロモーションを含む場合があります
目次
  1. パターン認識のためのサポートベクトルマシン入門
  2. サポートベクターマシン入門
  3. 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)
  4. サポートベクトルマシン (機械学習プロフェッショナルシリーズ)
  5. TensorFlowではじめるDeepLearning実装入門 (impress top gear)
  6. カーネル法入門―正定値カーネルによるデータ解析 (シリーズ 多変量データの統計科学)
  7. scikit-learn、Keras、TensorFlowによる実践機械学習 第2版
  8. 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)
  9. やさしく学べるサポートベクトルマシン: 数学の基礎とPythonによる実践
  10. はじめてのパターン認識
他18件
No.1
100
みんなのレビュー
まだレビューはありません
No.2
93

サポートベクターマシン入門

クリスティアニーニ,ネロ
共立出版
みんなのレビュー
まだレビューはありません
No.5
78

TensorFlowの機能を組み合わせて実践的な深層学習モデルを構築しよう!ニューラルネットワークの基礎、CNNやRNNはもちろん、転移学習を用いたキャプション生成までを1冊に凝縮。データ整形からモデル構築までをステップ・バイ・ステップで解説。 第1章 ニューラルネットワークと深層学習(機械学習 教師あり学習・教師なし学習 ほか) 第2章 TensorFlow入門-計算グラフと手書き数字認識(TensorFlowとは? 計算グラフとDefine and Run ほか) 第3章 TensorFlowをもう少し入門-TensorBoard、CNN、モデルの保存(可視化ツールTensorBoard TensorBoardの見方 ほか) 第4章 TensorFlowでRNN-時系列情報および自然言語の扱い(Recurrent Neural Network TensorFlowにおけるRNN実装 ほか) 第5章 TensorFlowでニューラルイメージキャプショニング(画像キャプショニング 画像キャプショニングのためのデータセット ほか)

みんなのレビュー
まだレビューはありません
No.10
72
みんなのレビュー
「はじめての」とついているが入門書ではなく結構難しい。ただ、機械学習の様々な手法が数式から学べるため中級者〜上級者には良いと思う。他の入門書で機械学習の概要を掴んだ後に読むべき本。
No.11
72

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

みんなのレビュー
まだレビューはありません
No.13
66
みんなのレビュー
まだレビューはありません
No.17
65

個人の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で業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の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で業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ

みんなのレビュー
デジタルマーケティングとデータ分析について漫画で分かりやすく学べる。基本的な内容が網羅的に学べるのでデジタルマーケティング職についたばかりのビジネスパーソンや個人事業や中小企業でこれからデジタルに力を入れようとしている経営者にオススメ!
No.19
65

最新のライブラリに対応!機械学習の基本を数式とプログラムを紐づけてしっかり学べる! Pythonプログラムを動かしながら機械学習の基礎をしっかり学べる! 【本書の目的】 人工知能関連サービスや商品開発において 機械学習の基礎知識が必要となります。 本書では数式とPythonプログラムをつなげて 機械学習の基礎をしっかり学ぶことができます。 【本書の特徴】 本書は、機械学習の原理を数式でしっかり理解し、 Pythonプログラムによってその理解を深めていくことができる書籍です。 ・数式とコードを連携して解説 ・学習内容を「要点整理」で復習 ・TensorFlow 2.7に対応 ・Python 3.9に対応 【読者が得られること】 機械学習のしくみとPythonプログラムを つなげて理解できます。 【対象読者】 機械学習の基礎を数学的な原理からプログラム実装までしっかり学びたい理工学生・エンジニア 【目次】 第 1 章 機械学習の準備 第 2 章 Pythonの基本 第 3 章 グラフの描画 第 4 章 機械学習に必要な数学の基本 第 5 章 教師あり学習:回帰 第 6 章 教師あり学習:分類 第 7 章 ニューラルネットワーク・ディープラーニング 第 8 章 ニューラルネットワーク・ディープラーニングの応用(手書き数字の認識) 第 9 章 教師なし学習 第10章 要点のまとめ 第1章 機械学習の準備 第2章 Pythonの基本 第3章 グラフの描画 第4章 機械学習に必要な数学の基本 第5章 教師あり学習:回帰 第6章 教師あり学習:分類 第7章 ニューラルネットワーク・ディープラーニング 第8章 ニューラルネットワーク・ディープラーニングの応用(手書き数字の認識) 第9章 教師なし学習 第10章 要点のまとめ

みんなのレビュー
まだレビューはありません
No.21
64
みんなのレビュー
データ分析コンペKaggleに挑戦するならこれをまず読んでおけば大丈夫!Kaggleに参加しないにしてもデータ分析の本質やテクニックがギュッと詰まっているので実務に活かせる。高度な内容も登場するが分かりやすく解説してくれるので初心者でも読みやすい。それでいてベテランの人も多くの学びがある書籍。著者はKaggleの最上位グランドマスターの方々であり説得力がある。過去のコンペの事例も取り上げてくれるのでそんなアプローチあったのかぁと学びが深い。文句なしの星5つ!
No.23
63

ディープラーニングを学ぶなら、「仕組み」も「プログラム」もしっかり解説している本書から! ディープラーニングの代表とも言える「畳み込みニューラルネットワーク(CNN)」を例として、その仕組みを根本から理解すること、そして、TensorFlowを用いて実際に動作するコードを動かしながら学べる書籍です。 ディープラーニングについて解説する書籍は多数発行されていますが、本書では、「きちんとニューラルネットワークの原理から理解すること」と、「その原理をどのようにコードとして書くか」の両方がバランスよく学べます。 表面的にコードを覚えるだけでは、応用力は身に付きません。根本から理解しておくことで、現場に出てからも長く使える基礎力を身に付けましょう! ※本書では、プログラムの実行環境としてGoogle Colaboratoryを利用するため、面倒な環境構築は不要です。 ※2016/9発行の『TensorFlowで学ぶディープラーニング入門』をもとに、Python3系、TensorFlow 2.0ベースに書き換えたほか、全体的に解説を見直し、修正しています。そのほか、実行環境をGoogle Colaboratoryに変更、オートエンコーダーによるアノマリー検知やDCGAN による画像生成などのトピックを追加しています。 (以下、本書の「はじめに」より抜粋・編集) 本書は、機械学習やデータ分析を専門とはしない、一般の方を対象とした書籍です。と言っても、ディープラーニングの歴史や人工知能の将来展望を語る啓蒙書ではありません。ディープラーニングの代表とも言える「畳み込みニューラルネットワーク」を例として、その仕組みを根本から理解すること、そして、TensorFlowを用いて実際に動作するコードを作成することが本書の目標です。 本書は、「TensorFlowで学ぶディープラーニング」(2016/9発行)をもとにした改訂版です。サンプルコードはTensorFlow 2.0対応のKerasで書き直しています。Kerasを用いることでコードの内容はシンプルになりました。さらに、GoogleColaboratoryを用いることで難しい実行環境のセットアップも不要になりました。 さらにまた、改訂にあたり、学習後のモデルを解釈する手法、オートエンコーダによるアノマリー検知、そして、画像生成に用いられるDCGANなど、より高度な話題も内容に含めました。 本書のゴールは、コードの背後に隠された、ニューラルネートワークを構成するさまざまなパーツの動作原理を知り、ディープラーニングの本質を理解することです。 本書では、手書き文字の認識処理を行う「畳み込みニューラルネットワーク」を例として、これを構成する1つひとつのパーツの役割を丁寧に解説しています。また、Kerasを用いることで、数式を意識することなく、ニューラルネットワークを構成するコードが書けるようになりましたが、やはり、数学的な理解も欠かすことはできません。2次元平面のデータを用いた簡単な例を通して、それぞれのパーツの背後にある「数学的な仕組み」も丁寧に解説しています。 Chapter 01 TensorFlow/Keras入門 第1章のはじめに 1-1 最小二乗法で学ぶ機械学習の基礎  1.1.1 機械学習の考え方  1.1.2 勾配降下法によるパラメーターの最適化 1-2 TensorFlowとKerasの使い方  1.2.1 実行環境の準備  1.2.2 Low-level APIによる実装例  1.2.3 Kerasによる実装例 1-3 ニューラルネットワークの役割  1.3.1 分類問題とニューラルネットワーク  1.3.2 ディープラーニングの特徴 Chapter 02 分類アルゴリズムの基礎 第2章のはじめに 2-1 ロジスティック回帰による二項分類器  2.1.1 確率を用いた誤差の評価  2.1.2 Kerasによるロジスティック回帰の実装  2.1.3 テストセットを用いた検証 2-2 ソフトマックス関数と多項分類器  2.2.1 線形多項分類器の仕組み  2.2.2 ソフトマックス関数による確率への変換 2-3 線形多項分類器による手書き文字の分類  2.3.1 MNIST データセットの利用方法  2.3.2 画像データの分類アルゴリズム  2.3.3 Kerasによる線形多項分類器の実装  2.3.4 ミニバッチと確率的勾配降下法 Chapter 03 ニューラルネットワークを用いた分類処理 第3章のはじめに 3-1 単層ニューラルネットワークの構造  3.1.1 単層ニューラルネットワークによる二項分類器  3.1.2 隠れ層が果たす役割  3.1.3 ノード数の違いによる効果 3-2 単層ニューラルネットワークによる手書き文字の分類  3.2.1 単層ニューラルネットワークを用いた多項分類器  3.2.2 TensorBoardによるトレーニングログの確認 3-3 多層ニューラルネットワークへの拡張  3.3.1 多層ニューラルネットワークの効果  3.3.2 特徴変数に基づいた分類ロジック  3.3.3 補足:パラメーターが極小値に収束する例 Chapter 04 畳み込みフィルターによる画像の特徴抽出 第4章のはじめに 4-1 畳み込みフィルターの機能  4.1.1 畳み込みフィルターの例  4.1.2 Kerasによる畳み込みフィルターの適用  4.1.3 プーリング層による画像の縮小 4-2 畳み込みフィルターを用いた画像の分類  4.2.1 特徴変数による画像の分類  4.2.2 畳み込みフィルターの動的な学習 4-3 畳み込みフィルターを用いた手書き文字の分類  4.3.1 単層CNNによる手書き文字の分類  4.3.2 動的に学習されたフィルターの確認 Chapter 05 畳み込みフィルターの多層化による性能向上 第5章のはじめに 5-1 畳み込みニューラルネットワークの完成  5.1.1 多層型の畳み込みフィルターによる特徴抽出  5.1.2 Kerasによる多層CNNの実装  5.1.3 手書き文字の認識アプリケーション 5-2 学習済みフィルターの解釈  5.2.1 フィルターの出力を最大化する画像の構成  5.2.2 予測への影響が大きい領域の検出 5-3 少し高度な話題  5.3.1 CIFAR-10(カラー写真画像)の分類に向けた拡張  5.3.2 オートエンコーダによるアノマリー検知  5.3.3 DCGAN による画像生成モデル Appendix A 「A Neural Network Playground」による直感的理解 B バックプロパゲーションによる勾配ベクトルの計算 C 数学公式

みんなのレビュー
まだレビューはありません
No.25
63
みんなのレビュー
まだレビューはありません
No.27
62

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

みんなのレビュー
まだレビューはありません
No.28
62

最短経路で平易に理解できる、今までにない入門書!「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。 最短経路で平易に理解できる、今までにない入門書! ベイズ主義機械学習(ベイズ学習)の基本原理にのっとり、「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。どこまでも分かりやすい! 【主な内容】 1 機械学習とベイズ学習 2 基本的な確率分布 3 ベイズ推論による学習と予測 4 混合モデルと近似推論 5 応用モデルの構築と推論 【機械学習スタートアップシリーズ】 本シリーズは、「機械学習ブーム」の先駆けとして2015年から刊行されている『機械学習プロフェッショナルシリーズ』の弟分的な存在を目指す、注目の新シリーズです。 「機械学習をもっと身近に、機械学習をもっとわかりやすく!」を合言葉に、より丁寧な記述で、基本的なテーマを解説していきます。 まず、以下の2点を同時に刊行いたします(^o^)/ 『これならわかる深層学習入門』瀧 雅人・著 『ベイズ推論による機械学習入門』須山 敦志・著/杉山 将・監修 第1章 機械学習とベイズ学習 機械学習とは/機械学習の代表的なタスク/機械学習の 2 つのアプローチ/確率の基本計算/グラフィカルモデル/ベイズ学習のアプローチ 第2章 基本的な確率分布 期待値/離散確率分布/連続確率分布 第3章 ベイズ推論による学習と予測 学習と予測/離散確率分布の学習と予測/1次元ガウス分布の学習と予測/多次元ガウス分布の学習と予測/線形回帰の例 第4章 混合モデルと近似推論 混合モデルと事後分布の推論/確率分布の近似手法/ポアソン混合モデルにおける推論/ガウス混合モデルにおける推論 第5章 応用モデルの構築と推論 線形次元削減/非負値行列因子分解/隠れマルコフモデル/トピックモデル/テンソル分解/ロジスティック回帰/ニューラルネットワーク

みんなのレビュー
まだレビューはありません
search