機械学習モデルの設計と評価

スライド（下向きにスクロールしてください）

• 教師あり学習
  • 教師あり学習の流れ
• データ分割
  • 汎化性能
  • ホールドアウト法
  • 交差検証法
• 特徴量エンジニアリング
  • カテゴリ変数の数値化
  • 前処理の必要性
• ロジスティック回帰
  • シグモイド関数とロジット関数
• モデルの評価

この章の参考資料・URL

• 岡野原大輔 (2022)
• 門脇大輔 ほか (2019)
• 八谷大岳 (2020)
• Géron, 下田倫大, と 長尾高弘 (2020)
• Alice Zheng と ホクソエム (2019)

Alice Zheng, Amanda Casari, と ホクソエム. 2019. 機械学習のための特徴量エンジニアリング : その原理とPythonによる実践. 翻訳者： ホクソエム. オライリー・ジャパン. http://id.ndl.go.jp/bib/029512290.

Géron, Aurélien, 下田倫大, と 長尾高弘. 2020. scikit-learn、Keras、TensorFlowによる実践機械学習. 翻訳者： 下田倫大 と 長尾高弘. 第2版 版. オライリー・ジャパン. http://id.ndl.go.jp/bib/030701507.

八谷大岳. 2020. ゼロからつくるPython機械学習プログラミング入門 = Introduction to Machine Learning from Scratch with Python. 機械学習スタートアップシリーズ. 講談社. http://id.ndl.go.jp/bib/030584765.

岡野原大輔. 2022. ディープラーニングを支える技術 : 「正解」を導くメカニズム〈技術基礎〉. Tech×Books plus. 技術評論社. http://id.ndl.go.jp/bib/031881422.

門脇大輔, 阪田隆司, 保坂桂佑, と 平松雄司. 2019. Kaggleで勝つデータ分析の技術. 技術評論社. http://id.ndl.go.jp/bib/029976550.