今回は機械学習を始めてみたいけど、どこから手を付けたら良いのだろう？
とお悩みの方に、私が所有している中からおすすめの書籍をピックアップしてみました。
また、Pythonの機械学習ライブラリkerasの使い方についても以下の記事で解説していますので、あわせてご覧ください。
最短コースでわかる ディープラーニングの数学
「最短コースでわかる ディープラーニングの数学」は、機械学習のアルゴリズムを理解するために必要とされる数学を解説した本です。
内容は数学が苦手な方でも理解できるよう機械学習のアルゴリズムを扱うのに最低限必要な領域に絞り、高校レベルの数学の知識で解説してくれていますので、文系出身の方や、日ごろ仕事で数学を使わない方にもおすすめできます。
機械学習の参考書を買ってみたものの、内容に数式が載っているとアレルギーで進まなくなてしまう方にはぜひ最初に読んで頂きたい参考書です。
ポチップ
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎
「Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎」はPythonのオープンソース機械学習ライブラリscikit-learnを使用して実用的なアプリケーションを開発する方法を解説した本です。
内容には数式もほとんどなく、Pythonの基礎さえ押さえていれば実際に学習や推論はライブラリが実行してくれますので、理論を知らない方でもscikit-learnを使って機械学習のモデルが構築できるようになります。
機械学習の理論は難しくてわからないけど、まずは使ってみて全体の流れのイメージをつかみたいという方におすすめの参考書です。
ポチップ
深層学習 改訂第2版
「深層学習 改訂第2版」は深層学習の理論に焦点をあてて解説した本です。
内容は数式を使った説明をベースに構成されていますので、仕事で普段数学を扱われない方には少し敷居が高いかもしれません。（その場合は先に紹介した「最短コースでわかる ディープラーニング」等で必要な数学の知識を得たうえで読むと良いです）
画像処理などで良くつかわれる畳み込みニューラルネット（CNN)に加え、時系列データの処理に対して有効な再帰型ニューラルネット（RNN）についても理論が詳細に解説されている書籍です。
実際に機械学習を実務で使う際、しっかりと理論を抑えて起きたいという方におすすめです。
私が所有しているのは初版ですが、現在は改定された第2版が発売されていますので、そちらをおすすめします。
ポチップ
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」は機械学習の中でも、ディープラーニングに特化して書かれた本です。ディープラーニングをやるならまずはこれを読め！と言われるくらいたくさんの方に読まれている本ではないでしょうか。
タイトルにあるように極力ライブラリを使用せず、実際に動くコードをゼロから作り、ソースコードを読みながら理解していくといったスタイルで書かれています。
ネット上で公開されている学習済みモデルと推論ライブラリを使って画像の識別等はできたが、そこから一歩進めてディープラーニングの理論（ライブラリの中身）をしっかり理解したいという方におすすめの参考書です。
ポチップ
まとめ
今回は機械学習の基礎を抑えたい方におすすめの書籍を紹介しました。これから機械学習に挑戦してみたいという方の参考になれば幸いです。
機械学習を効率よく学びたい方には、自分のペースで動画で学べるUdemyの以下の講座がおすすめです。数学的な理論からPythonでの実装までを習得できます。（私自身もこの講座を受講しています）
【徹底的に解説！】人工知能・機械学習エンジニア養成講座（初級編～統計学から数字認識まで～）
また、以下の記事で効率的にPythonのプログラミングスキルを学べるプログラミングスクールの選び方について解説しています。最近ではほとんどのスクールがオンラインで授業を受けられるようになり、仕事をしながらでも自宅で自分のペースで学習できるようになりました。
スキルアップや副業にぜひ活用してみてください。
スクールではなく、自分でPythonを習得したい方には、いつでもどこでも学べる動画学習プラットフォームのUdemyがおすすめです。
講座単位で購入できるため、スクールに比べ非常に安価（セール時1200円程度～）に学ぶことができます。私も受講しているおすすめの講座を以下の記事でまとめていますので、ぜひ参考にしてみてください。
それでは、また次の記事でお会いしましょう。
コメント