機械学習タグで同率13位（87冊中）。Zenn・Qiitaなどの2記事で紹介（時点）。
- 紹介記事
- 2件
- 媒体別
- Qiita 1・企業テックブログ 1
- 初めての紹介
- 最新の紹介
この本を選ぶ前に
- 出版年
- （約5年前）
- タグ内の順位
- 機械学習タグで同率13位（87冊中・紹介記事数の順）
紹介している記事（2件）
記事ごとの説明は、記事本文のうちこの本に触れた部分をAIが要約したもので、筆者の原文ではありません。
- 機械学習って何から勉強すればいいの？という人向け必読の４冊 Qiita · ken · · いいね 80
機械学習を学び始めた頃に最初に読んだ本として、本書を挙げている。機械学習に何を解かせるべきか、そもそも対象の問題に機械学習を使うべきかを考え直す契機になったと述べる。機械学習を万能視せず、できること・できないことを踏まえて提案・実装する重要性を示し、機械学習を機能させる手順を理解して状況に応じて使うという本書の目的を紹介している。教科書通りのモデルだけでは実践でうまくいくことはほとんどなく、折に触れて読み返したいと評価している。
- 書評：『施策デザインのための機械学習入門』 企業テックブログ · Sansan ·
献本を受けて読み、サービスにアルゴリズムで介入する際にバイアスなどの地雷を避けるノウハウが体系的に解説された本だと述べている。平易に書かれ、初学者に近い自分でも読み通せたという。具体的なアルゴリズムの解説は主眼でないため、統計学や因果推論などは別途の知識が必要だとし、特に5章の内容に実践意欲を示している。
この本について
本書は、機械学習の予測精度を高めるだけではビジネス施策の成果につながらない問題を、施策設計からモデル評価までの手順に沿って扱う。まずKPIを定め、データが観測される仕組みをモデル化し、解くべき問題を特定してから、観測データによる近似とモデル学習を行い、施策を導入する枠組みを示す。続いて、バイアスを考慮した予測と意思決定の基礎を説明し、広告画像選択を題材にOpen Bandit Pipelineで分析する。推薦システムでは、明示的な評価値を使う方式と、クリックなどの暗黙的な反応を使うランキング学習を取り上げ、観測データの偏りを考慮した学習・評価を解説する。さらに、推薦枠内とプラットフォーム全体の目的変数を扱うランキングを取り上げ、PythonやPyTorchによる実装とデータを用いた性能検証を行う。
出版社の内容紹介・目次と紹介記事をもとにAIが要約したものです。原文の転載ではありません。
目次（主な章）
出典: 出版社の書籍ページ （章の見出しのみ）
- 1章 機械学習実践のためのフレームワーク
- 2章 機械学習実践のための基礎技術
- 3章 Explicit Feedbackを用いた推薦システム構築の実践
- 4章 Implicit Feedbackを用いた推薦システムの構築
- 5章 因果効果を考慮したランキングシステムの構築
- 付録A 演習問題