タグ

ブックマーク / www.ohmsha.co.jp (7)

  • Optunaによるブラックボックス最適化 | Ohmsha

    書は,機械学習に欠かせないハイパーパラメータ調整(チューニング)を自動化するブラックボックス最適化について一からわかりやすく,そして,詳しく説明した書籍です.合わせて,Python言語上で動作するフレームワーク“Optuna”によるブラックボックス最適化の実行を,Optunaの開発者ら自ら詳しく説明しており,基礎を理解しながら実践に即した知識を身につけることができます. いまや機械学習は多種多様な応用が広く図られており,技術者/研究者,学生全般にとって必修といえるスキルになっていますが,その際に手間を要するのが,ハイパーパラメータ調整です.特に,深層学習(ディープラーニング)では,ハイパーパラメータの数が多い傾向があるうえに,その調整が性能を大きく左右するといわれています.多くの技術者が,これにかなりの時間が費やされてしまっているのが実情です.ブラックボックス最適化は汎用性も高く,機械学

    Optunaによるブラックボックス最適化 | Ohmsha
    misshiki
    misshiki 2022/12/28
    “2023/02/21”新刊。Optunaの本がでるらしい。
  • IT Text 自然言語処理の基礎 | Ohmsha

    第1章 自然言語処理の概要 第2章 自然言語処理のための機械学習の基礎 第3章 単語ベクトル表現 第4章 系列に対するニューラルネットワーク 第5章 言語モデル・系列変換モデル 第6章 Transformer 第7章 事前学習済みモデルと転移学習 第8章 系列ラベリング 第9章 構文解析 第10章 意味解析 第11章 応用タスク・まとめ 演習問題略解 参考文献 第1章 自然言語処理の概要 1.1 自然言語処理の応用 1.2 コーパスと自然言語処理 1. さまざまなコーパス 2. 品詞の注釈付けの例 3. コーパスに対する統計的な分析 1.3 自然言語処理の難しさ 1. 形態素解析 2. 構文解析 3. 意味解析 演習問題 第2章 自然言語処理のための機械学習の基礎 2.1 機械学習とは 2.2 教師あり学習 2.3 特徴量表現 2.4 パーセプトロン 2.5 ロジスティック回帰 1. ロジ

    IT Text 自然言語処理の基礎 | Ohmsha
    misshiki
    misshiki 2022/08/03
    新刊“発売日2022/08/24”
  • スモールデータ解析と機械学習 | Ohmsha

    第1章 スモールデータとは 1.1 ビッグデータからスモールデータへ 1.2 スモールデータ解析の特徴 1.3 書の構成 第2章 相関関係と主成分分析 2.1 データの前処理 2.2 共分散と相関関係 2.3 相関関係≠因果関係 2.4 多変数間の相関関係 2.5 主成分分析(PCA)とは 2.6 データの特徴 2.7 第1主成分の導出 2.8 第r主成分の導出 2.9 PCAの数値例 2.10 主成分数の決定 2.11 PCAの行列表現 2.12 PCAと特異値分解 第3章 回帰分析と最小二乗法 3.1 回帰分析とは 3.2 最小二乗法 3.3 回帰係数と相関係数 3.4 最小二乗法の幾何学的意味 3.5 ガウス-マルコフの定理 3.6 最尤法と最小二乗法 3.7 多重共線性の問題 3.8 サンプル数が入力変数の数よりも少ない場合 3.9 擬似逆行列を用いる方法 3.10 主成分回帰(

    スモールデータ解析と機械学習 | Ohmsha
    misshiki
    misshiki 2022/05/11
    “発売日2022/02/19”数カ月前から発売中。
  • Pythonではじめる数理最適化 ケーススタディでモデリングのスキルを身につけよう | Ohmsha

    ▼このの特徴 書は、Pythonを用いた数理最適化の入門書です。Pythonを使ってさまざまな課題を実際に解いてみることで、数理モデルを実務で使いこなす力を身につけます。 このの特徴は、数理最適化のアルゴリズム自体ではなく、数理最適化を用いた課題解決に重きを置いている点です。ビジネスなどにおける課題を数理最適化で解く際に現場で発生しうる試行錯誤が多分に盛り込まれており、実務における手順や気をつけるべきポイントを学習することができます。 ▼このの構成 書は二部構成です。 第Ⅰ部はチュートリアルです。中学校で習う連立一次方程式や高校で習う線形計画法を題材として、数理最適化の基礎的な考え方とPythonによる初歩的な実装を学びます。シンプルな課題設定なので、数学的な難しさを感じることなくPythonに集中して基礎を学習することができます。 第Ⅱ部はケーススタディです。 実際に社会で起こ

    Pythonではじめる数理最適化 ケーススタディでモデリングのスキルを身につけよう | Ohmsha
    misshiki
    misshiki 2021/09/14
    “2021/09/21”新刊
  • BERTによる自然言語処理入門 Transformersを使った実践プログラミング | Ohmsha

    BERTはGoogleが2018年末に発表した自然言語処理モデルです。「文脈」を考慮した処理が特徴的であり、言語理解を評価する11個のタスクについて最高精度を達成し、今や標準的なモデルとしての地位を確立しています。 書は、自然言語処理の近年における発展に大きな役割を果たし、かつ応用上も有用であるBERTの入門書です。前半で自然言語処理や機械学習について概説したのち、BERTによって実際にさまざまなタスクを解いていきます。具体的には、文章分類・固有表現抽出・文章校正・類似文章検索・データの可視化を扱います。データセットの処理から、ファインチューニング(BERTを特定の言語タスクに特化させるための学習)、性能の評価までの一連の流れを体験することで、BERTを自分で使えるようになることを目標とします。 なお、BERTで処理を行うためのライブラリとして、深層学習の言語モデルを扱ううえでよく使用さ

    BERTによる自然言語処理入門 Transformersを使った実践プログラミング | Ohmsha
    misshiki
    misshiki 2021/06/17
    “2021/06/28”新刊
  • 自動運転技術入門 AI×ロボティクスによる自動車の進化 | Ohmsha

    書は、自動運転の要素技術を、第一線の著者陣により、わかりやすく解説した書籍です。書1冊で、自動運転にかかわる技術の全容と今後の課題をポイントを押さえて理解することができます。 自動運転技術交通事故の減少、高齢者の移動支援、運転負荷の軽減や快適性の向上など、現在のさまざまな課題を解決する切り札として、大きな注目を集めています。 一方、自動運転技術は自動車工学、パワーエレクトロニクス、移動体通信工学、人間工学、センシング技術、そしてAI機械学習技術など、まさに各分野における最先端の要素技術の集合体であるため、その全容をコンパクトにポイントを押さえて解説している書籍がいままでにありませんでした。 今後のキーテクノロジーとされる深層学習が自動運転技術において、どのように使われていくのかに焦点を当てながら、イメージに訴える平易な説明を心掛け、数式の使用を最小限に抑えて解説しています。

    自動運転技術入門 AI×ロボティクスによる自動車の進化 | Ohmsha
    misshiki
    misshiki 2021/04/02
    2021/04/07新刊。面白そうな本が出てきますね。
  • PyTorchによる物体検出 | Ohmsha

    はじめに 目次 第1章 PyTorch によるプログラミング 1.1 ニューラルネット 1.1.1 人工知能と関数推定 1.1.2 パラメトリックモデルと回帰 1.1.3 ニューラルネットは関数 1.1.4 ニューラルネットのパラメータ 1.2 最急降下法と誤差逆伝播法 1.2.1 ニューラルネットにおける学習と損失関数 1.2.2 最急降下法 1.2.3 誤差逆伝播法 1.2.4 ミニバッチ学習と確率的勾配降下法 1.3 Define-by-run と自動微分 1.3.1 合成関数と計算グラフ 1.3.2 計算グラフを利用した勾配計算 1.3.3 Define-by-run 1.4 Tensor とNumPy 1.4.1 Tensor の作成 1.4.2 Tensor と数値の四則演算 1.4.3 Tensor どうしの四則演算 1.4.4 Tensor の行列積 1.4.5 Tenso

    PyTorchによる物体検出 | Ohmsha
    misshiki
    misshiki 2020/09/23
    PyTorchの本が2020/9/19に出版されていた。物体検出アルゴリズムSSDがメインみたい。
  • 1