機械学習を基礎から理論的に学びたい、そんなITエンジニアに向けて執筆された本です。初版から約5年が経過し、全面カラー化して「改訂新版」としました。Pythonのコーディング環境もGoogle Colaboratoryに刷新、これまで5回にわたる重版で修正した内容に加え、最新の書き下ろし修正でアップデートしました。初版から内容は古びておらず、逆に、機械学習を学ぶうえで重要な理論がほぼカバーされていますので、まさに入門の定番書になりました。カラー化によりグラフも見やすくなり、理解が進むのもお勧めするポイントです。

■第1章　データサイエンスと機械学習

1.1 ビジネスにおけるデータサイエンスの役割

1.2 機械学習アルゴリズムの分類

1.3 本書で使用する例題

1.4 サンプルコード実行環境の準備

■第2章　最小二乗法：機械学習理論の第一歩

2.1 多項式近似と最小二乗法による推定

2.2 オーバーフィッティングの検出

2.3 付録 - ヘッセ行列の性質

■第3章　最尤推定法：確率を用いた推定理論

3.1 確率モデルの利用

3.2 単純化した例による解説

3.3 付録 - 標本平均／標本分散の一致性と不偏性

■第4章　パーセプトロン：分類アルゴリズムの基礎

4.1 確率的勾配降下法のアルゴリズム

4.2 パーセプトロンの幾何学的な解釈

■第5章　ロジスティック回帰とROC 曲線：分類アルゴリズムの

評価方法

5.1 分類問題への最尤推定法の応用

5.2 ROC 曲線による分類アルゴリズムの評価

5.3 付録 - IRLS法の導出

■第6章　k平均法：教師なし学習モデルの基礎

6.1 k平均法によるクラスタリングと応用例

6.2 怠惰学習モデルとしてのk近傍法

■第7章　EMアルゴリズム：最尤推定法による教師なし学習

7.1 ベルヌーイ分布を用いた最尤推定法

7.2 混合分布を用いた最尤推定法

■第8章　ベイズ推定：データを元に「確信」を高める手法

8.1 ベイズ推定モデルとベイズの定理

8.2 ベイズ推定の回帰分析への応用

若手ITエンジニア必須の知識とスキルを網羅！

プロ中のプロが教える

知っておきたい七つのこと×20

　若手ITエンジニアにとって、身につけるべき知識やスキルは多岐にわたります。

ITの技術に関する知識、システム開発のためのエンジニアリングやマネジメントの知識、そして日々の仕事をうまくこなしていくためのヒューマンスキル。

　本書では、これら若手のITエンジニアに必須の基礎知識を20テーマを網羅し、テーマごとに必ず理解しておきたい七つのポイントを、図解を使ってわかりやすく解説します。

ドキュメントのコツをつかめば英語が苦手でも読める！

ITエンジニアにとって英語は避けて通れない関門です。

中でもリーディングは、日本国内で働く場合であっても

求められるスキルです。ウェブ上で入手できる技術関連ドキュメントの

多くは英語で書かれているからです。しかし、英語に苦手意識を持つ

ITエンジニアは少なくありません。

本書は、そのIT英語のリーディングについて解説しています。

長文のサンプルをじっくりと大量に読んで基礎体力を鍛えるというよりも、

明日から役立つ技術を短期間で習得できる内容となっています。

まず、リーディングに必要な4つの柱について解説しています。

その後、さまざまなドキュメント・タイプ（UI、使用許諾契約、APIリファレンス、

仕様書、マニュアルなど）を取り上げ、タイプごとの特徴を説明しています。

各タイプの特徴をつかんでおけば、楽に英文を読むことができるようになります。

さらには便利なツールや情報収集のテクニックも紹介しています。

【本書のポイント】

●UI、仕様書など、ITエンジニアに必要なドキュメントを11に分け、タイプごとの特徴を解説

●英文を読むうえで役立つ便利なツールや情報収集のテクニックも紹介

●読者特典として「覚えておきたい頻出英単語集」を提供

【目次】

序章　IT英語との付き合い方

第1章　リーディングに必要な知識とテクニック

第2章　仕事でよく見かけるドキュメントの読み方（1）〜独特の表現に注意が必要なドキュメント〜

第3章　仕事でよく見かけるドキュメントの読み方（2）〜情報量が多いので効率的に読みたいドキュメント〜

第4章　英語ができない人のための必須ツール

第5章　仕事に使える英語サイト情報収集術

第6章　ライティングとリスニングでも役立つテクニック