内容

目次

第1章　推薦システムとは何か 1.1 推薦システムとは 1.2 推薦システムとマトリクス 　1.2.1 空欄の位置が規則的なとき 　1.2.2 空欄の位置が不規則なとき 　1.2.3 推薦システムアルゴリズムと統計的方法 1.3 本書の内容 第2章　マトリクス分解法の多彩な機能 2.1 非線形回帰 2.2 分類 2.3 項目反応理論 第3章　最近傍ベース協調フィルタリング 3.1 類似度関数 3.2 2つの協調フィルタリング 　3.2.1 ユーザーベースの最近傍モデル 　3.2.2 アイテムベースの最近傍モデル 　3.2.3 具体例 3.3 ユーザーベースとアイテムベースの比較 第4章　モデルベース協調フィルタリング 4.1 モデルベースとは 4.2 決定木 4.3 ルールベース 4.4 潜在因子モデル 4.5 マトリクス分解法 　4.5.1 制約なしマトリクス分解法 　4.5.2 特異値分解とマトリクス分解 　4.5.3 非負マトリクス分解法 　4.5.4 例によるマトリクス分解法の説明 第5章　コンテンツベースと知識ベース 5.1 コンテンツベースシステム 　5.1.1 データの収集過程 　5.1.2 モデル学習過程 　5.1.3 コンテンツベースと協調フィルタリング 5.2 知識ベースシステム 　5.2.1 制約ベースシステム 　5.2.2 ケースベースシステム 第6章　ハイブリッドとアンサンブル 6.1 重み付き線形結合ハイブリッド 6.2 スイッチングハイブリッドとカスケードハイブリッド 6.3 特徴増強ハイブリッドと混合ハイブリッド 第7章　その他の方法 7.1 推薦システムへの攻撃 7.2 多腕バンディットアルゴリズム 7.3 多基準システム 第8章　推薦システムの応用例 8.1 Netflix Prize コンテスト 　8.1.1 データ 　8.1.2 解析結果の一例 8.2 大学1年次と3 年次でのTOEIC 成績の比較 　8.2.1 データ 　8.2.2 予測法と予測結果 8.3 授業アンケート 　8.3.1 データ 　8.3.2 推定法と推定結果 8.4 ノロウイルスの感染拡大 　8.4.1 データ 　8.4.2 予測法と予測結果 付録A：推薦システムの数理的基礎 A.1 特異値分解を理解する 　A.1.1 マトリクスと線形写像 　A.1.2 線形方程式とLU 分解 　A.1.3 固有値と固有ベクトル 　A.1.4 特異値と特異値分解 A.2 回帰と分類 　A.2.1 線形回帰 　A.2.2 予測の安定化 　A.2.3 分類 　A.2.4 その他の分類法 　A.2.5 ニューラルネットワーク A.3 機械学習の基礎となる最適化法 　A.3.1 ニュートン法 　A.3.2 勾配法 A.4 モデル評価法 　A.4.1 予測結果の評価法 　A.4.2 機械学習でのモデル評価法 付録B：項目反応理論 B.1 完全マトリクス項目反応理論 B.2 不完全マトリクス項目反応理論 あとがき 参考文献 索　　引