Pythonによる異常検知
オーム社
著者：曽我部東馬
監修：曽我部完
はじめに
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
参考文献
索引