[Pythonによる異常検知 | 曽我部 東馬, 曽我部 完 |本 | 通販 | Amazon](https://www.amazon.co.jp/dp/4274225410) ## 紹介 本書では、[[機械学習]]による[[異常検知]]のしくみを、[[誤差関数]]に着目して解説します。読者が新しい異常検知システムを自ら構築できるようになることを最終目標とし、機械学習アルゴリズムの基本から解説していきます。 機械学習について誤差関数を中心に理解を深めることによって「外れ値とはなにか」「閾値はどのように設定すればよいか」といった異常検知における基本が自然と理解できます。そういった基礎から入りつつ、時系列データを分析する際の手法と注意点（第3章）や、深層学習を用いた応用例（第4章）といった内容まで踏み込み、最終的には自ら異常検知システムを構築できるよう導きます。 ## 目次 第0章　機械学習と異常検知 　0.1　異常検知とは？ 　　1　異常検知の定義 　　2　異常検知におけるデータの分類と手法の選択 　　3　異常検知の活用例 　0.2　本書の意義と構成 第1章　機械学習と統計解析の基本モデル 　1.1　機械学習と誤差関数 　　1　教師あり学習と教師なし学習 　　2　誤差δと誤差関数L 　　3　バイアス（平均）とバリアンス（分散） 　　4　誤差関数と異常検知 　1.2　機械学習と統計解析の比較 　　1　類似性 　　2　相違性 　1.3　教師あり学習──分類と回帰 　　1　回帰とはなにか 　　2　分類とはなにか 　　3　統計モデルと代表的なアルゴリズム 　　4　機械学習モデルと代表的なアルゴリズム 　1.4　教師なし学習──特徴抽出・クラスタリング・次元削減 　　1　次元削減とクラスタリングの等価性 　　2　1重行列による次元削減（主成分分析） 　　3　多重行列による次元削減 　　4　統計分布による次元削減（t-SNE） 　　5　競合学習による次元削減 　　6　モンテカルロ粒子フィルタによるベイジャン型次元削減 第2章　非時系列データにおける異常検知 　2.1　異常検知とデータ構造 　　1　異常検知の4ステップ 　　2　3種類のデータ構造と異常検知の手法 　2.2　正規分布に基づく異常検知 　　1　1次元正規分布に基づく異常検知 　　2　多次元正規分布に基づく異常検知 　　3 多変数マハラノビス＝タグチ法に基づく異常検知 　2.3　非正規分布に基づく異常検知 　2.4　高度な特徴抽出による異常検知 　　1　k平均法 　　2　Expectation-maximization algorithm（EM法） 　　3　主成分分析 　　4　 AutoEncoder（AE）と制約付きボルツマンマシン（RBM） 　2.5　関数近似に基づく値異常検知 　2.6　異常検知モデルの検証 　　1　混同行列 　　2　 ROC 曲線 第3章　時系列データにおける異常検知 　3.1　時系列データの性質 　　1　時系列データ解析の背景 　　2　時系列データ解析の前提条件 　3.2　自己回帰型モデルによる時系列データの解析 　　1　自己回帰とは 　　2　AR（自己回帰）モデルの原理 　　3　MA（移動平均）モデルの原理 　　4　ARMA（自己回帰移動平均）モデルの原理 　　5　ARIMA（自己回帰和分移動平均）モデルの原理 　　6　SARIMA（季節性自己回帰和分移動平均）モデルの原理 　3.3　状態空間モデルによる時系列データの解析 　　1　自己回帰型モデルとの違い 　　2　状態空間モデル学習の前提条件 　　3　状態空間モデルの概要 　　4　より複雑な状況における状態空間モデル 　3.4　機械学習による時系列データの解析 　　1　単変数の時系列データに対する機械学習 　　2　多変数の時系列データに対する機械学習 　3.5　時系列データにおける異常検知 　　1　[[自己回帰モデル]]による時系列データの異常検知 　　2　機械学習による時系列データの異常検知 第4章　[[深層学習]]による異常検知 　4.1　深層学習フレームワークReNomを用いた異常検知 　　1　seq2seqを用いた人工データに対する異常検知 　　2　seq2seqを用いた心電図データに対する異常検知 　　3　生成モデルanoGANを用いた画像データに対する異常検知 　　4　 LSTMを用いた心電図データに対する異常検知 　4.2　深層学習による異常検知の応用事例 　　1　表面検査 　　2　故障評価 　4.3　異常解析分野の現状と課題 　　1　データの高次元性と非構造多様性 　　2　学習結果の可読性と可視化