初めに

4x歳越えのエンジニアにとって機械学習は何やらややこしいもの、本を開けば数式があり、pythonがあり、何それおいしいの？5年ほど前にCourceraで機械学習を学ぼうとしたがあっさりAndrew Ng先生はWeek4で挫折。"教師付き学習"と"教師なし学習"のちがいなんだっけ？

想定している読者
IT業界で別のキャリアを持っていて機械学習のキャリアをみにつけたい、あるいは身につけようとしたが挫折してしまった人

自分のキャリアについて
ホストの開発エンジニアから始まり、クライアントサーバー、Webアプリと開発系を云十年。その後ネットワーク、インフラ系を主な仕事にしています。

機械学習とのかかわり
5年ほど前に機械学習の勉強をしようとしたが、何をやっているか意味が分からず、あっさり挫折。その後は雑誌などで読む程度。

注）データ分析・機械学種・人工知能については、この文章では厳密に分けていません。

挫折した敗因

機械学習について理解していなかった件
勉強の仕方

機械学習について理解していなかった件

まず機械学習が何かを理解していなかった。

人工知能、機械学習、データ分析、統計とあるがこの違いを理解せず、ひたすら機械学習を統計の一分野と信じ込んでいた。
学習という言葉を過去の統計量のなにか"すごいもの"と考えていた
結果としてそれが予測としての"回帰", "分類"に続くという概念がなかった。

勉強の仕方がわかっていなかった

いきなり数式から勉強しだした→時間かかるが業務には役に立たず
勉強しても使えないので、相変わらずSQL, エクセル、ピボットテーブルに頼る
モチベーションが下がって続けるのが嫌になってやめた

今回の勉強方法

視点を分けて効率よく理解できるように進めることにした。

ユーザーと機械学習について話をできるようにする -> 人工知能概要
機械学習に頼らない一般的なデータ分析を理解する -> データ分析一般
機械学習を導入するプロジェクトポイントを理解する -> プロジェクト管理
機械学習をとりあえず使えるようにする -> 機械学習の初歩
Pythonを使えるようにする -> Pythonを学ぶ
数学について理解を深めて、機械学習の実装コードを書く -> 数学
機械学習をさらにディープに学ぶ -> 機械学習中級者へ向けて

人工知能概要

社内システムエンジニアにとって避けて通れないのは機械学習をビジネスに役立てる方法である。
内部顧客に対して機械学習システムを売り込んでいく、これがなければ社内での必要性を醸成できないし、予算も獲得できない。

データ分析一般

データ分析の一分野が機械学習であり、機械学習の一分野が人工知能である。大きな枠組みとしてのデータ分析を理解していなければ、一時しのぎの機械学習エンジニアにしかなれない。その反面、データ分析という分野を理解していれば必要に応じて、統計手法、機械学習手法、人工知能を使い分けられる。エクセルですむデータ分析に人工知能をもちいるのは意味なし！

プロジェクト管理

社内での新しいシステムを導入するためにはプロジェクトとして進める必要がある。プロジェクトにしなければ、予算はつかない、人員もつかない、関係部署ともやり取りできない。システム開発のプロジェクトについては進め方を理解していても、データ分析プロジェクトでは何が違うかを明らかにする。

機械学習の初歩

機械学習の核心となるのがこの分野である。言語してはPythonとRから選べるが、今は資料および将来性からPythonで機械学習の基本を学ぶことをお勧めする。

Python

機械学習を学ぶ際の言語としては先にも記述したがPythonとRが主流である。かくいう自分はかつては統計データの取り扱いでRを利用していた。しかし今機械学習を学ぶ上では間違いなくPythonがおすすめである。

まずPythonで提供されているscikitlearnは機械学習を学ぶのに最適なパッケージである。そして様々な本やオンラインのトレーニングも提供されている。さらに機械学習の前段となるデータクレンジングのステップでもPythonは強力なツールとなる。

数学

正直業務で使うだけなら、それほど数学は必要ない。しかしある程度は理解しているほうがトラブルシューティングやコードの改善にも役立つ。

Andrew NG氏による機械学習
数学という意味では少々分野がずれるかもしれない。しかしAndrew NG氏によるこのコースはアルゴリズムの理解とその背景にある数式、さらにOctaveによるコードまで、一気通貫で説明する。線形代数、ベクトルを単体で勉強したとしても機械学習のアルゴリズムの中でどのように利用されているか、そしてどのようにコーディングされるかが理解できないと実務には役に立たない。その点このコースはアカデミックと実務をバランスよく組み合わせたコースである。ただしテストはかなり難しい。。。

統計学が最強の学問である[数学編]
再び西内啓氏の登場である。とにかく「統計学が最強の学問である」が良く知られているが、個人的にはこちらのほうがおすすめである。数式も出てくるが、説明がわかりやすく平易な日本語で書かれているために、数学の素養がなくてもねばりさえすれば理解できる。"ベクトルの内積とΣの関係"、"統計学での内積の使い方"の章でようやく内積の意味を理解できた気がする。

やさしく学ぶ機械学習を理解するための数学のきほん
[やる夫で学ぶ機械学習シリーズ]
(http://tkengo.github.io/blog/2016/06/06/yaruo-machine-learning0/)の著者による執筆である。このシリーズを見たときにはやる夫なかなか、やるな！と実感した。こちらのシリーズを終えてからより実践的なこちらの本で勉強を始めた。数式もばっちり出てくるが、基本をしっかり押さえつつ、初学者にはあまり必要でないややこしいところはうまい具合に取り除いている。数学で挫折した人にまずはお勧めしたい一冊である。ちなみに数式という意味では、[ビショップ本](https://www.amazon.co.jp/%E3%83%91%E3%82%BF%E3%83%BC%E3%83%B3%E8%AA%8D%E8%AD%98%E3%81%A8%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92-%E4%B8%8A-C-M-%E3%83%93%E3%82%B7%E3%83%A7%E3%83%83%E3%83%97/dp/4621061224)が著名であるが、初心者が手を出すと間違いなく挫折します。

機械学習中級者へ向けて

さてここまででおそらく初級者としては十分すぎるほどである。しかしどうすれば中級者にむけた足掛かりをつくれるか、これは股別問題である。ここでは自分が読んだ中で、間違いなくレベルアップを実感できた二冊の本を紹介する。良書と呼ばれる本はこのレベルでも複数ある。しかし正直難しすぎることが多く、途中で挫折してしまった本が多いのもこのレベルの特徴である。

初めに

挫折した敗因

機械学習について理解していなかった件

勉強の仕方がわかっていなかった

今回の勉強方法

人工知能概要

おすすめの教材

データ分析一般

おすすめの教材

プロジェクト管理

おすすめの教材

機械学習の初歩

おすすめの教材

Python

おすすめの教材

数学

機械学習中級者へ向けて

おすすめの教材