AI開発力を鍛える!機械学習と最適化による問題解決講座

構成数 : 1枚

第0章 イントロダクション
0.1 イントロダクション
0.1.1 AIによるパラダイムシフトと本書の対象者
0.1.2 AI(人工知能)とは?
0.1.3 AI 時代に必要とされる人材像
0.1.4 本書で学べること、学べないこと
Column 日本人はAIを信用してはいないが、嫌いではない!?

第1章 そもそもの問題設定で起こる問題と解決へのアプローチ
1.1 何に気を付けて関数を設定すればよいか?
1.1.1 関数とパラメータのおさらい
1.1.2 因果関係と相関関係は何が違うのか?
1.1.3 パラメータが制御できるかできないかで何が変わるのか?

1.2 機械学習と最適化の問題に落とし込むには?
1.2.1 機械学習と最適化の違いとは?
1.2.2 そもそもなぜ機械学習をするのか?
1.2.3 そもそもなぜ最適化をするのか?
Column なぜ最小化なのか?

1.3 機械学習と最適化アルゴリズムを組み合わせるとどのようなよいことがあるのか?
1.3.1 サロゲート最適化とは?
1.3.2 機械学習手法と最適化アルゴリズムが異なると結果にどのような違いが表れるか?

第2章 機械学習の開発現場で起こる問題と解決へのアプローチ
2.1 機械学習手法は何を使えばよいか?:目的の観点から
2.1.1 パラメトリックモデルとノンパラメトリックモデルのどちらを使えばよいか?
Important 関数の入力パラメータと学習パラメータ
Important 結局、機械学習では何をやっているのか? 機械学習も一種の最適化?
Important 機械学習と統計解析の違いとは?
2.1.2 目的の観点からは、機械学習手法は何を使えばよいか?
Column 回帰以外の機械学習:クラス分類、教師なし学習、強化学習

2.2 どのくらいデータは必要なのか?
2.2.1 対象の複雑さの影響は?
2.2.2 入力パラメータ数の影響は?
2.2.3 データは多ければ多いほどよいか?

2.3 リッチなモデルは正義か?
2.3.1 リッチなモデルの恩恵
2.3.2 学習の観点からは、機械学習手法は何を使えばよいのか?

2.4 入力パラメータはどのように選べばよいか?
2.4.1 意味のある入力パラメータとは1:失敗から学ぶ
2.4.2 意味のある入力パラメータとは2:物理的な根拠から考える
2.4.3 入力パラメータはどのように選べばよいか?
Point モデルが先か、データが先か、パラメータが先か?

2.5 データにノイズがある場合に気を付けることは?
2.5.1 ノイズがあってもデータは多ければ多いほどよいか?
2.5.2 外れ値の影響は平等ではない
2.5.3 この外れ値データは取り除いてよいのか?

2.6 データ前処理で気を付けることは?
2.6.1 正規化は何のためにやるのか?
2.6.2 標準正規化と最大最小正規化で結果に違いは生じるのか?
2.6.3 データの意味を考えた正規化とは?

2.7 logを取るべきか取らざるべきか?
2.7.1 入力パラメータ 𝑥 の log 変換について
2.7.2 出力変数 𝑦 の log 変換について

2.8 訓練・検証・テストデータはどのように分ければよいか?
2.8.1 データ分割のおさらい
2.8.2 データの意味を考えると行ってはいけないデータ分割とは?

2.9 十分精度が高いのに実際の予測は外してしまうのはなぜか?
2.9.1 R2が高ければ問題はないのか?
2.9.2 RMSEが低ければ問題は...