Rではじめる機械学習 = Beginning Machine Learning with R : データサイズを抑えて軽量な環境で攻略法を探る

• 資料種別: 図書
• ISBN: 978-4-295-00205-5
• タイトル: Rではじめる機械学習 : データサイズを抑えて軽量な環境で攻略法を探る
• タイトルよみ: アール デ ハジメル キカイ ガクシュウ
• 著者・編者: 長橋賢吾 著
• シリーズタイトル: impress top gear
• 著者標目: 長橋, 賢吾, 1977- ナガハシ, ケンゴ, 1977- ( 00902941 )典拠
• 出版事項: 東京 : インプレス
• 出版年月日等: 2017.9
• 出版年（W3CDTF）: 2017
• 数量: 15,318p
• 大きさ: 24cm
• 並列タイトル等: Beginning Machine Learning with R データ サイズ オ オサエテ ケイリョウ ナ カンキョウ デ コウリャクホウ オ サグル; Beginning Machine Learning with R
• 出版地（国名コード）: JP
• 本文の言語コード: jpn
• 件名標目: 機械学習 キカイ ガクシュウ ( 001210569 )典拠; プログラミング (コンピュータ) プログラミング (コンピュータ) ( 00569223 )典拠
• NDC10版: 007.13 : 情報学．情報科学
• NDLC: M121
• 対象利用者: 一般
• 書誌注記: 索引あり
• 入手条件・定価: 3600円
• 所蔵機関: 国立国会図書館
• 請求記号: M121-L400
• 連携機関・データベース: 国立国会図書館 : 国立国会図書館蔵書; https://ndlsearch.ndl.go.jp
• 書誌ID（NDLBibID）: 028465300; http://id.ndl.go.jp/bib/028465300
• 全国書誌番号: 22949708
• トーハンMARC番号: 33653749
• 目録規則: 日本目録規則1987年版改訂版
• 整理区分コード: 111

目次

表紙
商標と正誤について
はじめに
本書について
第1章 Rと機械学習の基礎
1-1 機械学習とは何か？
1-1-1 機械学習の4つのモデル
1-1-2 機械学習活用　虎の巻
1-1-3 モデルの組み合わせによるデータ分析
1-2 Rとは何か？／1-2-1 機械学習を実現するソフトウェア・プラットフォーム
1-2-2 RとPythonの違い
1-2-3 Rの限界
1-3 Rのインストールと利用前の設定／1-3-1 Rのダウンロード
1-3-2 Rのインストール
1-3-3 Rの起動
1-4 Rの基本的な利用方法／1-4-1 Rのコンソール
1-4-2 変数の利用
1-4-3 グラフの描画
1-4-4 ファイルの読み込み
1-4-5 変数の概要を把握する
1-5 Rを使った統計量とデータの把握／1-5-1 平均・分散・標準偏差
1-5-2 Rスクリプトの利用
1-5-3 ヒストグラムを作成する
1-5-4 正規分布の考え方
1-5-5 t分布
1-5-6 指数の表示
1-5-7 Rの変数の型
1-5-8 クロス集計
1-6 第1章のまとめ：マスターすべきポイント
1-6-1 ［機械学習］次へのステップ
コラム 統計本を読む3つのコツ
第2章 回帰分析で目的変数の値や発生確率を予測
2-1 単回帰分析／2-1-1 回帰分析の4つのステップ
2-1-2 ステップ1：データの準備ならびに目的変数、説明変数の決定
2-1-3 ステップ2：回帰モデルの生成ならびに結果の検討
2-1-4 ステップ3：モデルをもとに値を予測する
2-1-5 ステップ4：信頼区間と予測区間を求める
2-2 重回帰分析
2-2-1 相関行列をCSVに書き出す
2-2-2 重回帰分析のモデル作成
2-2-3 説明変数を減らすアプローチ
2-3 ロジスティック回帰分析
2-3-1 ロジスティック回帰モデルの作成
2-3-2 ロジスティック回帰の結果の見方
2-3-3 オッズ比の推定
2-3-4 機械学習としてのロジスティック回帰
2-3-5 誤検知率の算出
2-3-6 AICによる説明変数の削除
2-4 ポアソン回帰／2-4-1 ポアソン分布を求める
2-4-2 ポアソン回帰とは？
2-4-3 ポアソン回帰モデルの生成
2-4-4 AICによる目的変数の削減
2-5 第2章のまとめ：マスターすべきポイント
2-5-1 ［回帰分析］次へのステップ
コラム 回帰分析の実際のビジネスへの応用
第3章 クラスタリング分析の3つの手法でデータを分類
3-1 クラスタリングの3つの手法
3-2 階層化クラスタリング／3-2-1 ユークリッド距離で似た者同士をまとめる
3-2-2 ユークリッド距離をもとにグループに分割
3-2-3 クラスタリングの併合過程
3-2-4 樹系図をプロットする
3-2-5 クラスターの距離の計算
3-2-6 各クラスターの形成過程
3-2-7 完全連結法によるクラスタリング形成過程
3-2-8 各計算手法による樹系図
3-2-9 階層化クラスタリングのまとめ
3-3 非階層化クラスタリングとk平均法／3-3-1 k平均法によるクラスター形成
3-3-2 kmeansによるクラスタリング
3-3-3 k平均法での結果のプロット
3-3-4 ギャップ統計量で妥当なクラスター数を予測する
3-3-5 機械学習としてのk平均法
3-3-6 k平均法の実行とプロット
3-3-7 シルエット分析
3-3-8 k平均法のまとめ
3-4 モデルベースクラスタリング／3-4-1 EMアルゴリズムについて
3-4-2 モデルベースクラスタリングのまとめ
3-5 第3章のまとめ：マスターすべきポイント
3-5-1 ［クラスタリング分析］次へのステップ
コラム クラスタリングの応用
第4章 主成分分析・因子分析で属性を削減し因子を特定
4-1 主成分分析とは？／4-1-1 主成分分析のステップ
4-1-2 機械学習としての主成分分析
4-1-3 主成分分析のまとめ
4-2 因子分析／4-2-1 固有値と固有ベクトルを求める
4-2-2 factanalによる因子分析
ほか