「Python Machine Learning」Ch. 6（scikit-learnのtips）まとめ

Ch. 6はscikit-learnを使った機械学習におけるいろいろなベストプラクティスの話です。cross validationやパラメータチューニングについての話題が多い。

「Python Machine Learning」Ch. 5（次元削減について）まとめ

Ch. 5は次元削減の話です。この章はけっこう難しかったので簡単にまとめて、また興味や必要に応じて戻ってくることにしました。

「データ解析のための統計モデリング入門」 with Python（３）：11章の空間構造のある階層ベイズモデルをPyStanで

11章の空間構造を持つモデルをやってみます。PyMCでCARモデルの作り方がわからなかったので、PyStanでやりました。

「データ解析のための統計モデリング入門」 with Python（２）：10.5の場所差の階層ベイズモデルをPyMCとPyStanで

10.5節の、個体差に加えて場所差も考慮したベイズモデルを実装します。せっかくなので（？）、PyMC3とPyStan両方でやってみました。

PyMC3

PyStan

「Python Machine Learning」Ch. 4（前処理について）まとめ

Ch. 4は機械学習の前処理の話です。欠損値の処理、カテゴリカル変数の扱い、正則化などscikit-learnにデータを突っ込む前にやるべきことがいろいろ書いてあります。

「Python Machine Learning」Ch. 3（Scikit-learnいろいろ）まとめ

Ch. 3はPythonから動かせる機械学習ライブラリであるscikit-learnを使ってみようという話です。いろいろな機械学習のアルゴリズムの考え方と、scikit-learnでの実装方法が示されます。scikit-learnのAPIがどの手法に対してもほぼ同じなので単に使うだけなら覚えることは少なく、アルゴリズムの原理・得意不得意とチューニングパラメータの意味を理解することが大切っぽいです。

「Python Machine Learning」Ch. 2（PerceptronとAdaline）まとめ

Ch. 2は線形分類器としてPerceptronとAdalineを実装する話です。Adalineの学習の方法としてバッチ勾配降下法と確率的勾配降下法、さらにその中間としてミニバッチ勾配降下法が紹介されています。