第3版まで続くロングセラーのPyTorch版！
機械学習の基本から先進的な手法まで本格解説

『機械学習を実践的に学ぶための優れたテキスト』
『多くのトピックを網羅した深い一冊。強力にお勧め』
―原著への読者の声

本書の前半は、基本的な機械学習ライブラリのscikit-learnを使った手法を解説。
分類の基本モデルに始まり、単層ニューラルネットまでを実装するほか、データ前処理、次元削減、
ハイパーパラメーターのチューニング、アンサンブル学習、回帰分析などを取り上げます。

後半では、PyTorchによるさまざまなディープラーニングの手法を説明。
PyTorchの仕組みを示したあと、CNN／RNN／Transformerといったモデルの実装を解説。
敵対的生成ネットワーク、グラフニューラルネットワーク、強化学習もカバー。

◎本書は『Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python』の翻訳書です。

◎微積分/線形代数、Pythonの文法、データ分析用ライブラリについてある程度理解している必要があります。

本書では、技術者だけでなく、IT基盤の方向性の検討や戦略の立案、意思決定を行う立場の方が、導入前の検討を実践できる内容を盛り込みました。具体的には、コンテナの特徴、導入時の検討項目、注意点などのチェックリストを設け、システム構成例などを解説図にまとめ、要点を把握しやすいようにしました。また、大規模データセンタ向けのコンテナ基盤構築の経験がない技術者でも、その基礎を理解できるよう、Docker（v20.10.系）のインストール手順、使用法などを具体的に記載しています。
　さらに実践的な解説内容としては、Docker Composeによるコンテナの連携、Swarmモードによるコンテナのクラスタ化、GUI管理ツールによる管理手法、コンテナ基盤における仮想ネットワークの構築、DVD、音源などの周辺機器の使用例、インターネットに接続しない社内コンテナ環境の構築、そして、複数コンテナによるオーケストレーションを実現する人気のKubernetesなどの解説を網羅しています。
　なお、今回出版される第3版では、Rootless Docker、ネットワーキング（Ipvlan）、認証付きプライベートレジストリ、K3sなど、Dockerを取り巻く最新のエコシステムについての加筆に加え、新たに商用版コンテナ管理基盤のEzmeral Runtime Enterpriseの構築手順、使用法など、2022年時点での最新のトピックを取り上げました。

データ分析競技のヒント、テクニック、ベストプラクティスを解説！
Grandmaster/Master 31人のインタビューも掲載。Kagglerの視点を学ぶ

◎ノートブック、データセット、ディスカッションフォーラムの活用を解説
◎モデルの評価指標、検証戦略、ハイパーパラメータ最適化について詳述
◎コンピュータビジョン、自然言語処理、シミュレーションなどもカバー
◎自身のポートフォリオを作成し、キャリアにつなげる方法を紹介

世界中の何百万人もの人々がKaggleに参加しています。
データ分析スキルを向上させ、素晴らしいコミュニティとネットワークを作り、
キャリアアップに役立つ貴重な経験を得ようとしています。

本書では、Grandmasterの著者2人がさまざまなモデリング戦略のほか、
これまでに蓄積されたテクニック、スキルを解説。
Kaggle特有のヒントだけでなく、より一般的なテクニックも学べます。

Kaggleのランクを上げたい、データサイエンスのスキルアップを図りたい、
既存のモデルの精度を上げたい、といった方への格好の一冊です。

「本書を最後まで読めば、自信を持ってKaggleに参加できるようになるはずです。
そして、Kaggleに自信を持って参加することには、多くの見返りがあります。
1つ目は、Kaggleが機械学習の最も実践的な開発を把握するための非常に効果的な方法であること、
2つ目は、Kaggleがユーザーに『試行錯誤で学ぶ』方法を提供することです」
―Kaggle創設者兼CEO アンソニー・ゴールドブルーム（序文より一部抜粋）

◎本書は『The Kaggle Book: Data analysis and machine learning
for competitive data science』の翻訳書です。

Knativeは「イベント駆動型アーキテクチャ」のフレームワークとして、サーバーレスなシステム構築に活用できます。とくに、マイクロサービスを利用したステートレスなアプリケーションを実装する上で、Knativeのイベント駆動型アーキテクチャのセットは非常に有用で、今後のクラウドネイティブな環境において、スケーラビリティの高いアプリケーションを簡単に実装するのに役立ちます。
本書では、クラウドネイティブに取り組むインフラ技術者が、最新トレンドであるKnativeの知見を体系的に学習できるように、技術解説に加えて、実務で参考になるユースケースを取り上げています。今後のKubernetes環境における必須の技術についての理解度を、本書でもう一歩前に進めることができます。IT現場でKnativeの採用を検討するうえでも、また、Knativeを使いこなすうえでも、必携のガイドブックの登場です。

XAI Pythonライブラリで予測結果を説明。
ブラックボックスからグラスボックスへ。

ビジネス上の意思決定につながる機械学習の予測には、解釈・説明が求められます。
そこで、そうした解釈・説明を行うための手法を紹介していきます。

まず、モデルの説明可能性と解釈可能性の全体像、倫理的に考慮すべき点、
生成された予測のバイアスについて説明します。

次に、LIME、SHAP、Skater、ELI5、skope-rulesといったPythonライブラリを使って、
モデルがなぜそのように予測するのかを探っていきます。

予測モデルとして、線形・非線形モデルのほか、アンサンブルモデル、時系列モデル、
自然言語処理、ディープラーニング、コンピュータービジョンを取り上げます。

本書は解釈・説明のための方法を包括的に取り上げており、
機械学習を実際の現場で活用する方にぜひ手に取っていただきたい一冊です。


【章構成】
第1章 モデルの説明可能性と解釈可能性
第2章 AIの倫理、偏見、信頼性
第3章 線形モデルの説明可能性
第4章 非線形モデルの説明可能性
第5章 アンサンブルモデルの説明可能性
第6章 時系列モデルの説明可能性
第7章 自然言語処理の説明可能性
第8章 What-Ifシナリオを使ったモデルの公平性
第9章 ディープラーニングモデルの説明可能性
第10章 XAIモデルの反実仮想説明
第11章 機械学習での対比的説明
第12章 予測不変性の特定によるモデル不可知の説明
第13章 ルールベースのエキスパートシステムでのモデルの説明可能性
第14章 コンピュータビジョンでのモデルの説明可能性

◎Pythonの文法・ライブラリや機械学習について
標準的な知識を理解している必要があります。