はじめに
自分は一時期、オンライン講座のダッシュボードを埋めることが勉強だと思い込んでいた。受講済みのバッジは増えていくのに、業務で推論結果がおかしくなったとき、どこに戻ればいいのか分からない。動画は検索しづらい。該当の回を探しているうちに、そもそも何を疑うべきかを忘れてしまう。
転機になったのは、評価指標の選び方を先輩に詰められた日だった。AUCを使った理由を聞かれて答えられず、机にあった統計の本を借りて読んだ。索引から該当ページに飛べて、前提条件まで書いてある。その体験で、講座と書籍の役割の違いがようやく腹に落ちた。
講座は走り出すための燃料で、書籍は迷ったときに戻る地図だ。特に機械学習まわりは、ライブラリのAPIが変わっても土台の考え方はほとんど変わらない。腰を据えて読む本を数冊持っておくと、流行が入れ替わるたびに学び直す消耗から抜け出せる。
そこで今回は、自分が実際に手元に置いて何度も開き直した5冊を、全体像をつかむ段階から実装に踏み込む段階まで並べて紹介する。どれも図やコードが多く、日本語で読めるものを優先した。
① 機械学習 100+ページ エッセンス — Andriy Burkov
著者のAndriy Burkovは機械学習チームを率いてきた実務家で、研究と現場の両方を知る立場から書いている。
まずこの本を挙げる理由は、機械学習の全体像を一気に見渡せる薄さにある。線形モデルから勾配ブースティング、ニューラルネットまで、主要な手法の位置関係が短い章で整理されている。学習の初期に地図を持てるかどうかで、その後の遠回りの量が変わる。
数式は出てくるが、紙幅の都合で導出は最小限だ。かわりに「この手法はどういう前提で成り立つのか」という説明が丁寧で、知識の棚を作る用途に向いている。
自分は新しい領域の仕事に入る前、該当する章だけを読み返して全体の見通しを立て直している。入門書としても、忘れたことを拾い直す辞書としても使える。
こんな人に: 機械学習の全体像をまず数日で把握したい人
② データサイエンスのための統計学入門 第2版 — Peter Bruce, Andrew Bruce, Peter Gedeck
著者陣はデータ分析の教育と実務に長く携わってきた面々で、統計の教科書的な順序ではなく、現場で使う頻度の高い話題から並べている。
扱う範囲は探索的データ解析、サンプリング、仮説検定、回帰、分類、そして実験計画まで。それぞれにR/Pythonのコードが添えられているので、読んで手を動かす流れが途切れない。
自分が助かったのは、リサンプリングとブートストラップの章だ。小さいデータで出した精度をどこまで信じていいのか、自信を持って説明できるようになった。A/Bテストの設計を頼まれたときも、ここの知識がそのまま使えた。
統計の理論書としては踏み込みが浅い部分もある。ただ、機械学習の実務で必要になる統計の守備範囲という意味では、ちょうどいい密度だと感じている。
こんな人に: 評価指標や検定の根拠を自分の言葉で説明したい人
③ 機械学習のための数学 — Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong
著者はいずれも大学で機械学習を教える研究者で、本書は講義ノートが元になっている。
前半で線形代数、解析、確率を整理し、後半でそれらが回帰や次元削減、サポートベクターマシンにどう効いてくるかを見せる構成だ。数学パートと応用パートが明確に分かれているのが使いやすい。
通読はかなり骨が折れる。自分は最初から順に読もうとして二章で止まった経験がある。今は、論文で行列の分解や勾配の扱いに引っかかったとき、該当節だけ開く使い方に落ち着いた。
それでも固有値分解と最適化の章は、一度きちんと通したほうがいい。主成分分析や学習率の話が、暗記から理解に変わる。
こんな人に: 手法の中身を数式レベルで追えるようになりたい人
④ 統計的学習の基礎 ―データマイニング・推論・予測― — Trevor Hastie, Robert Tibshirani, Jerome Friedman
スタンフォードの統計学者3人による古典で、Lassoやブースティングの研究を牽引してきた著者たちが自ら書いている。
正則化、モデル選択、アンサンブル、カーネル法といった話題を、統計的な視点から一貫して扱う。バイアスとバリアンスの分解をここまで丁寧に追える本はそう多くない。
分厚さは相当なもので、通読を目標にするとまず挫折する。章ごとに独立して読めるので、今向き合っている手法の章を拾うのが現実的だ。
自分の場合、過学習の原因を説明する場面で何度も助けられた。木系モデルがなぜ強いのか、正則化が何を抑えているのか、感覚ではなく構造として語れるようになる。
こんな人に: 定番手法の理論的な裏側を腰を据えて押さえたい人
⑤ 直感 LLM ―ハンズオンで動かして学ぶ大規模言語モデル入門 — Jay Alammar, Maarten Grootendorst
共著者のJay Alammarは図解でTransformerを解説した記事で知られ、Maarten GrootendorstはBERTopicの開発者だ。図で伝える力と実装の経験が組み合わさっている。
トークナイザや埋め込みの仕組みから始まり、Transformerのアテンションがなぜあのかたちなのかをイラストベースでほどいていく。後半は分類、検索、テキスト生成、ファインチューニングといった応用に進む。
図版の量が圧倒的で、アテンションの計算が頭の中で絵として動くようになる。自分はRAGの検索精度が伸び悩んだとき、埋め込みの章を読み返して前処理の設計を組み直した。
モデルの最新動向を追う本ではないので、そこは論文やドキュメントで補う必要がある。ただLLMの土台を理解する目的なら、これ一冊で十分遠くまで行ける。
こんな人に: LLMを使うだけでなく中身の挙動を説明したい人
まとめ
| ステップ | 読む本 | 得られるもの |
|---|---|---|
| 全体像 | 機械学習 100+ページ エッセンス | 手法の地図と用語の整理 |
| 土台 | データサイエンスのための統計学入門 | 評価と検証を語る根拠 |
| 深掘り | 機械学習のための数学 | 数式を追う体力 |
| 理論 | 統計的学習の基礎 | 定番手法の理論的背景 |
| 実践 | 直感 LLM | LLMの内部挙動の理解 |
今の課題別に1冊だけ選ぶなら、こう考えるといい。
- 何から手を付けるか決まらない: 機械学習 100+ページ エッセンス
- モデルの精度を説明できず詰まる: データサイエンスのための統計学入門
- 論文の数式で手が止まる: 機械学習のための数学
- 過学習や正則化を構造として理解したい: 統計的学習の基礎
- LLMアプリの改善が勘頼みになっている: 直感 LLM
5冊を並べたが、全部を同時に始める必要はない。今いちばん困っていることに対応する1冊を選んで、最初の章を開くところから始めるのが結局いちばん早い。