★★理論と実装のバランスがよい、「機械学習 with Python」の決定版★★ ■機械学習モジュールが普及することにより、かえって学びづらくなった機械学習アルゴリズムの基本を徹底マスター！ ■scikit-learnを使わない、numpyとpandasのみのコーディングで、実装力がスキルアップ！ ■ブラックボックスの中身を理解し、一生モノの知識を身につけよう！ 【本書のサポートページ】すぐに実践できるコードがWeb公開！ https：／／github.com/hhachiya/MLBook　 【機械学習スタートアップシリーズ】 https：／／www.kspub.co.jp/book/series/S042.html 【主な内容】 第1章 機械学習とは何か 第2章 Python入門 第3章 数学のおさらい（線形代数、最適化、確率、統計） 第4章 回帰分析（線形回帰分析、ロジスティック回帰分析） 第5章 分類（線形判別分析、サポートベクトルマシン、ナイーブベイズ法、決定木） 第6章 カーネルモデル 第7章 ニューラルネットワーク 第8章 強化学習 第9章 教師なし学習（主成分分析、因子分析、クラスター分析） 第1章 機械学習とは何か 1.1 機械学習の位置づけ 1.2 機械学習が広まった理由 1.3 機械学習の種類と方法 1.4 機械学習の応用例 第2章 Python入門 2.1 Python環境の構築 2.2 変数と標準出力 2.3 データ構造 2.4 グラフのプロット 2.5 for文とif文 2.6 関数とオブジェクト指向 2.7 OpenAI 第3章 数学のおさらい 3.1 線形代数 3.2 最適化 3.3 確率 3.4 統計 第4章 回帰分析 4.1 線形回帰分析 4.2 一般化線形モデル（ロジスティック回帰分析） 第5章 分類 5.1 回帰と分類 5.2 線形判別分析 5.3 サポートベクトルマシン 5.4 確率的分類（ナイーブベイズ法） 5.5 決定木 第6章 カーネルモデル 6.1 非線形な分類境界の例 6.2 カーネルモデル 6.3 カーネル関数とカーネルトリック 6.4 カーネル関数の例 6.5 線形モデルからカーネルモデルへの拡張 6.6 交差検証法を用いたモデル選択 第7章 ニューラルネットワーク 7.1 ニューラルネットワークとは 7.2 2層のニューラルネットワーク 7.3 3層のニューラルネットワーク 7.4 Pythonによるニューラルネットワークの実装 7.5 ニューラルネットワークの課題と拡張 7.6 多クラス分類への応用 7.7 手描き文字の画像分類 7.8 多クラス分類の評価方法 第8章 強化学習 8.1 教師あり学習と強化学習 8.2 動物の行動学習 8.3 強化学習の定式化 8.4 Q学習法 第9章 教師なし学習 9.1 主成分分析 9.2 因子分析 9.3 クラスター分析