PythonでゼロからはじめるAI・機械学習のためのデータ前処理 入門編

PythonでゼロからはじめるAI・機械学習のためのデータ前処理 入門編

PythonでゼロからはじめるAI・機械学習のためのデータ前処理 入門編

9
1,040936
此訂單成立後向日本進貨,約需等待21個工作天(不含例假日)。 為縮短等待,建議將此商品和其他商品分開下單。
查詢門市庫存

內容簡介

"2010年ごろを境に、ビッグデータという言葉が、わたしたちの身の回りに急速に浸透し始めた。同時に、ビッグデータから機械学習に基づき知的なAI システムを構築することが昨今のブームとさえなってきている。本書は、これらの機械学習システムを構築するうえで避けては通れない、データの前処理の部分を中心に解説している。AI などの機械学習システムを第一に想定しているが、本書で説明する各種の技術は、ビッグデータから有用な知識を獲得するデータマイニングやデータ分析などにも有効に用いることができる。さて、ビッグデータという言葉は耳に心地よく、なんとなく宝の山のように感じるかもしれないが、実はビッグデータは玉石混交であり、宝とゴミが入り混じっている。さらには、データの規模が大きくなればなるほどゴミも増え、その中から宝を取り出すのがますます困難になってくる。コンピュータサイエンスの分野では、“Garbage In, Garbage Out” (略してGIGO) という警句がある。文字通り、「ゴミからはゴミしか得られない」 「ゴミを入れればゴミが出てくる」 ことを意味しているが、この警句はまさに機械学習の一面を言い当てている。よい機械学習システムを構築するためには、データからゴミを排除し、データを学習しやすい形に加工するという作業が重要となってくるが、これこそがまさしく前処理の真髄である。最近は、TensorFlow やKeras をはじめとする数多くの機械学習用のフレームワークやライブラリが無償で利用可能であり、これらのフレームワークやライブラリを利用することで、一見、プログラミングの敷居は低くなってきているようにみえる。公開されている機械学習用のデータセットを利用して、誰もが簡単にAI システムを作ることができる。しかし、独自のデータセットを用いて、独自のシステムを構築する場合には、大きな問題が立ちはだかっている。よくいわれていることであるが、現実のデータは汚い。データをそのまま使えば、それこそ“Garbage In, Garbage Out” の事態に陥る。現実のデータから、有用なAI システムを構築できるかどうかは前処理の成否にかかっているとさえいえる。また、一説によると、実際のAI や機械学習システム構築の現場では、エンジニアが作業に携わる時間の6 割~ 8 割はデータの収集と前処理に費やされているともいわれている。本書では、従来の機械学習の書籍では十分に扱われていなかった前処理技術に焦点をあて、技術の単なる解説だけではなく、実際に動くプログラムを通して、読者が理解できるような実践的な書を目指した。本書には姉妹編として 『実践編』 も出版が計画されているが、『実践編』ではより高度な前処理技術と、テキスト・画像・音響・音楽等のメディアデータに対する前処理技術について解説した。本書『 入門編』 とあわせてご活用いただきたい。" 1章 AI・機械学習における前処理1.1 機械学習システムの構築1.1.1 機械学習の例1.1.2 機械学習システム構築の流れ1.2 データの前処理1.2.1 データの形式1.2.2 データクリーニング1.2.3 データ統合1.2.4 スケーリング1.2.5 特徴選択1.2.6 次元削減1.2.7 データ拡張2章 Google Colabによる実行環境2.1 Google Colabとは2.1.1 Googleアカウントの取得2.1.2 Google Colabへのアクセス方法2.2 Google Colabの使い方2.2.1 画面構成と各部の名称2.2.2 初期設定2.2.3 セルの操作2.2.4 マークダウン2.2.5 コマンド実行2.2.6 仮想環境のスペック2.2.7 フォーム2.2.8 各種ライブラリの活用2.2.9 代表的な行動のショートカットキー2.2.10 コマンドパレット2.3 ストレージ・データベースとの接続2.3.1 ローカルファイルシステム2.3.2 Google Drive2.3.3 外部 (Web上) のデータ2.3.4 Kaggle2.4 GPUとTPUの利用2.4.1 GPUとTPU2.4.2 GPUの利用2.4.3 TPUの利用2.5 Google Colabのその他の設定2.5.1 各種ライブラリのバージョン変更2.5.2 新規ライブラリの追加2.6 Pythonによるデータ処理2.6.1 NumPy2.6.2 pandas2.6.3 scikit-learn2.6.4 matplotlib2.6.5 TensorFlow2.6.6 Keras3章 基本的な前処理技術3.1 標準化と正規化3.2 ビニング3.3 外れ値3.3.1 外れ値の検出と除去3.3.2 四分位範囲を用いた外れ値に頑健な標準化3.4 欠損値3.4.1 欠損値の扱い3.4.2 欠損値補完手法の比較3.4.3 意味を持つ欠損値の扱い4章 特徴選択と次元削減4.1 特徴選択4.1.1 フィルタ法4.1.2 ラッパー法4.1.3 正則化手法による特徴選択4.2 次元削減4.2.1 線形次元削減手法4.2.2 非線形次元削減手法4.2.3 そのほかの次元削減手法
展開看更多

作者介紹

北研二1981 年、早稲田大学理工学部数学科卒業。現在、徳島大学大学院社会産業理工学研究部・教授。マルチメディア情報検索に関する研究に従事。博士( 工学)西村良太2010 年、豊橋技術科学大学大学院博士後期課程電子・情報工学専攻修了。現在、徳島大学大学院社会産業理工学研究部・講師。音声対話システムに関する研究に従事。博士(工学)松本和幸2008 年、徳島大学大学院工学研究科博士後期課程修了。現在、徳島大学大学院社会産業理工学研究部・准教授。感情計算、自然言語処理に関する研究に従事。博士(工学)

規格

誠品貨碼 /
ISBN13 / 9784904774984
ISBN10 /
EAN貨碼 / 9784904774984
裝訂 / P:平裝
頁數 / 154
語言 / 4:日文
級別 / N:無
尺寸 / 25.7X18.2X1.2CM

退貨說明

退貨須知:

  1. 依照消費者保護法的規定,您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意!猶豫期非試用期),辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
  2. 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當,若原紙箱已遺失,請另使用其他紙箱包覆於商品原廠包裝之外,切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度,本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費;請您先確認商品正確、外觀可接受,再行拆封,以免影響您的權利;若為產品瑕疵,本公司接受退貨。

依「通訊交易解除權合理例外情事適用準則」,下列商品不適用七日猶豫期,除產品本身有瑕疵外,不接受退貨:

  1. 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
  2. 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
  3. 報紙、期刊或雜誌。
  4. 經消費者拆封之影音商品或電腦軟體。
  5. 非以有形媒介提供之數位內容或一經提供即為完成之線上服務,經消費者事先同意始提供。(如:電子書)
  6. 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
  7. 國際航空客運服務。

若您退貨時有下列情形,可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費),或影響您的退貨權利,請您在拆封前決定是否要退貨:

  1. 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
  2. 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
  3. 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
  4. 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
  5. 家電、3C、畫作、電子閱讀器等商品,除商品本身有瑕疵外,退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
  6. 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送