数学と実装の技術書5冊を紹介

このリストはある失敗から生まれた。社内レビューで著者は検証データのスコア改善を自信をもって報告したが、その差が偶然の範囲に収まるかどうかを問われ、サンプルサイズや分散を全く考慮していなかったことに気づいた。その場は質問をかわし、帰りの電車で、自分が積み上げてきたものは思っていたより薄いと結論づけた。この経験が、今こだわる読書順の理由だ。まず手法を広く概観して地図を作り、データと数学の土台を固め、その後でアルゴリズムの内部と運用に降りていく。そう読むと同じ本でも速く進んだという。5冊はこの流れを反映している。Andriy Burkovの100ページ超のエッセンスは、いくつかの手法に触れた人向けの地図と位置づけられ、短い説明ながら各手法の用途と破綻する場面も語る。Peter Bruce、Andrew Bruce、Peter Gedeckによる統計入門は、分布の仮定に自信が持てないときリサンプリング（ブートストラップと並べ替え検定）に頼ることを学んだ本だと著者はいい、p値や有意性の誤用パターンも扱う。Marc Peter Deisenroth、A. Aldo Faisal、Cheng Soon Ongの数学書は難度が高いと評され、著者は通読を諦め、論文でつまずいた記法を調べる方式に切り替えた。固有値と特異値分解の章だけでもPCAの理解が変わったという。Mykel J. KochenderferとTim A. Wheelerの最適化本は機械学習の本筋から少し外れるが、学習が収束しない理由を切り分けるときにその視点が最も役立つと著者は主張する。Noah GiftとAlfredo DezaのPractical MLOpsは、導入で終わらない部分、つまり監視とログのために含めた。何を計測すべきかを決める基準が得られたという。