【初心者】機械学習のおすすめ勉強教材/情報収集サイトまとめ【無料/有料】

初心者向け機械学習のおすすめ勉強教材やサイトを紹介します。随時、更新していく予定です。

書籍
講義、講座など
Youtube
1. AIcia Solid Project
2. nnabla ディープラーニングチャンネル
ニュースレター
メディア
1. Ledge.ai
2. AINOW
勉強会
関連記事

書籍

Dive into Deep Learning

Amazomのメンバーがメインに作成した書籍で、WEB上で無料で公開されています。コードと数式が結びつけて書かれており、MXNET, PyTorch, Tensorflowと複数のコードがあるのが特徴。各章の内容と構造も書かれており、順を追って進めやすいです。この一冊で基礎的な内容はほぼ網羅できそう。

Dive into Deep Learning — Dive into Deep Learning 1.0.3 documentation

紙書籍は、Amazonで販売されています。

Dive Into Deep Learning: Tools for Engagement (English Edition)

やさしく学ぶ機械学習を理解するための数学のきほん

数式がなかなか理解できない方を対象にしているため、数式を一つ一つ丁寧に説明しており、非常に分かりやすいです。これまで、他の入門書で最小二乗法、最急降下法、対数関数の微分、正則化の意味がわからなかった方におすすめです。

やさしく学ぶ機械学習を理解するための数学のきほん ~アヤノ&ミオと一緒に学ぶ機械学習の理論と数学、実装まで

PyTorch実践入門

PyTorch公式ページでも紹介されていた本で、「Tensorの仕組み」から「ディープラーニングの実践プロジェクト：肺がんの早期発見」までステップバイステップで説明しているため、中身をよく理解できます。

PyTorch実践入門 (Compass Booksシリーズ)

最短コースでわかる PyTorch &深層学習プログラミング

図を豊富に使っており、PyTorchの全体像を掴むのに最適な本です。この本を読んだ後だと、PyTorchの公式ドキュメントがかなり読みやすくなりました。乱数の固定方法などについても書かれている良書です。

最短コースでわかる PyTorch &深層学習プログラミング

講義、講座など

Machine Learning（Stanford University – Coursera）

特徴：定期的に、クイズとMATLAB/Octaveによるプログラミングの課題とがあるため、理解度の把握と実装レベルの知識が身に付く。プログラミングの課題では、ライブラリなどは使わず数式をそのまま実装していくため、機械学習の中身をきちんと理解できる。
プログラミング言語：MATLAB/Octave
URL：https://www.coursera.org/learn/machine-learning
学習項目：機械学習全般
ー単回帰
ー重回帰
ーロジスティック回帰
ー正則化
ーニューラルネットワーク
ーサポートベクターマシーン（SVM）
ー K-Means
ー主成分分析（PCA）
ーガウス分布モデルによる異常検知
ー協調フィルタリングアルゴリズムや低ランク行列分解などの推薦アルゴリズム
ー機械学習システムの性能分析や改善について

機械学習の無料教材で、世界的に最も有名な講座です。機械学習全般を体系的に学ぶことができ、機械学習を始めたいと思ったら受講すべき講座です。スタンフォード大学の講座ですが、レベルが物凄く高いわけでは無く、Andrew先生は数式の意味を説明するのも非常に上手いので、これまで機械学習の本で数式を理解できなかった方にもおすすめです。

MATLAB/Octaveのプログラミング課題があるので、数式だけではなんとなくしか理解できなかった部分もコードを書くことで、より深く理解できます。また、線形代数やOctave/Matlabに不安がある方も心配がいらないように、フォロー講義も付属されています。

基本的には無料ですが、修了証明書を受け取りたい場合は有料になります。

機械学習帳（東京工業大学情報理工学院）

特徴：原理や数学的な取り扱いを丁寧に説明しつつ、図、動画やPythonによるプログラミング例などもあるため、原理から実装まで幅広く学習できる。
プログラミング言語：Pyhton
URL：https://chokkan.github.io/mlnote/index.html
学習項目：機械学習全般
ー単回帰
ー重回帰
ーロジスティック回帰
ー正則化
ーニューラルネットワーク
ーサポートベクターマシーン（SVM）
ー K-Means
ー主成分分析（PCA）

機械学習全般を体系的に学ぶことができ、Python、NumPy, Matplotlib, scikit-learn, scipy, PyTorchなど、よく用いられているライブラリで実装されているため、実務に利用しやすいです。また、図や動画が非常に丁寧に作られているので、数式だけだとイメージが難しい人にオススメです。

メディカルAI専門コースオンライン講義資料（Preferred Networks & キカガク）

特徴：医療で人工知能技術を使う際に最低限必要な知識や実践方法を学ぶことを目的に作られた講座のため、実践の章では様々な医療のタスクが題材として扱われている。
プログラミング言語：Pyhton（Chainer）
URL：https://chokkan.github.io/mlnote/index.html
学習項目：医療に機械学習を活かすための基礎知識
ー機械学習に必要な数学の基礎（微分、線形代数、確率・統計）
ー単回帰
ー重回帰
ーニューラルネットワーク
ー医療における機械学習の活用実践
（MRI画像のセグメンテーション、血液の顕微鏡画像からの細胞検出、ディープラーニングを使った配列解析、ディープラーニングを使ったモニタリングデータの時系列解析）

医療に機械学習を活かすための基礎知識全般を学ぶことができ、医療分野の方には非常に効率的な内容になっている。また、実践編は医療データをGoogle Colaboratoryですぐ利用できる貴重な教材となっている。ただし、DNNのフレームワークがChainerのため、サンプルコードを今後活用していくことは厳しい。※Chainerは今後アップデートされないことがアナウンスされている

機械学習（筑波大学オープンコースウェア（TSUKUBA OCW））

特徴：計算機による自律的な学習を目指す機械学習や、大規模情報源からの知識発見を実現するデータマイニングの理論について、教師付き学習、教師なし学習を中心に理解する
プログラミング言語：——–
URL：https://ocw.tsukuba.ac.jp/course/systeminformation/machine_learning/
学習項目：機械学習全般
ー単回帰
ー重回帰
ー正則化
ーニューラルネットワーク
ー CNN
ー RNN
ー GAN
ーサポートベクターマシーン（SVM）
ー K-Means
ー主成分分析（PCA）

機械学習全般を体系的に学ぶことができる。大学の講義であるので、基礎的な数学の知識が必要である。

Data Science for Beginners

Microsoftが作成した初心者向けのデータサイエンティスト講座で、10週間20レッスンのカリキュラムが組まれている。

GitHub - microsoft/Data-Science-For-Beginners: 10 Weeks, 20 Lessons, Data Science for All!

10 Weeks, 20 Lessons, Data Science for All! Contribute to microsoft/Data-Science-For-Beginners development by creating a...

Machine Learning for Beginners

Microsoftが作成した機械学習の講座で、12週間26レッスンのカリキュラムが組まれている。

GitHub - microsoft/ML-For-Beginners: 12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all

12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all - microsoft/ML-For-Beginners

転移学習の基礎からコーディングまで～様々なデータに適応するための機械学習の方法論～

DEIM2022での転移学習のチュートリアルです。

https://event.dbsj.org/deim2022/post/tutorial/deim2022_tutorial_T7_slides.pdf

学習済みモデルを学習時とは異なるデータ・タスクに適応させるための機械学習の方法論である転移学習は、学習済みモデルを有効利用し、様々なデータに適応するための技術として注目を集めている。本チュートリアルでは、基本的な問題設定と定式化からはじめ、具体的なイメージを持てるよう、手法を実際のコード例を交えながら紹介する。まず基本的な問題設定として、データの定義域は同じだが分布は異なる場合である同種/同質的転移学習について、前提、定式化、理論を説明した後、重要度重み付き学習、ドメイン敵対的学習などの具体的な手法をコード例とともに説明する。さらに発展として、データの定義域も異なる異種/異質的転移学習の手法についても説明する。