機械学習初心者（私）が、機械学習の初歩を学ぶ際に残した記録です。
ソースコード・Jupyter Notebook・実行環境は、GitHub 上の debimate/projects/ml/ を参照してください。記載内容の誤り（認識違い）の指摘は大歓迎です。
コンテンツ一覧
Mathematics（数学の基礎）
| No. | 項目 | カテゴリ |
|---|---|---|
| 1 | 平均（算術平均） | 代表値 |
| 2 | 中央値（メジアン） | 代表値 |
| 3 | 四分位点（quantile） | 代表値・散らばり |
| 4 | 分散（バリアンス） | 散らばり |
| 5 | 標準偏差 | 散らばり |
| 6 | 歪度（skewness）と log1p 変換 | 分布の形 |
| 7 | カーネル密度推定（KDE） | 分布の可視化 |
| 8 | 相関係数 | 2 変数の関係 |
| 9 | 期待値 | 確率分布の基礎 |
| 10 | 同時分布・周辺分布・条件付き分布 | 確率分布の基礎 |
| 11 | 代表的な確率分布 | 確率分布 |
| 12 | ベイズの定理 | 確率推論 |
| 13 | 対数・指数関数の性質と log-odds | 関数 |
| 14 | 情報理論（エントロピー / KL / 相互情報量） | 情報理論 |
| 15 | ベクトルと行列の演算（内積・行列積） | 線形代数 |
| 16 | 固有値・固有ベクトルと固有値分解 | 線形代数 |
| 17 | 偏微分と勾配 | 微分 |
| 18 | 最急降下法・確率的勾配降下法（SGD） | 最適化 |
| 19 | 凸関数と凸最適化 | 最適化 |
| 20 | 大数の法則と中心極限定理（LLN / CLT） | 統計的推論 |
| 21 | 仮説検定・p 値・信頼区間 | 統計的推論 |
Machine Learning（評価・概念・アルゴリズム）
MLOps
| No. | 項目 | カテゴリ |
|---|---|---|
| 1 | 実験管理（experiment tracking） | 開発 |
| 2 | モデルレジストリとバージョニング | 開発 |
| 3 | 推論サービング（バッチ / オンライン） | 配信 |
| 4 | データドリフト（data drift / concept drift） | 監視 |
| 5 | モデル性能劣化の監視 | 監視 |
| 6 | 再学習パイプライン | 運用 |
理解度チェック
学習で扱った判断軸を自分でも試せる形式にまとめたクイズ集です。問題と折りたたみ解答で構成されており、判断軸の定着を確認したいときに使います（Claude製）。
| No. | 項目 |
|---|---|
| 1 | 機械学習の判断軸クイズ集 |
Notebooks
| No. | 内容 |
|---|---|
| 1 | クレカ不正検出 |
プロジェクト構成
projects/ml/
├── notes/ ← このページ配下のMarkdown本体
│ ├── math/
│ ├── ml/
│ └── mlops/
├── notebooks/ ← Jupyter Notebooks
├── datasets/ ← 分析対象データ（再取得可能なので Git 非追跡）
├── scripts/ ← データセット取得スクリプト
└── pyproject.toml
前提
- Python 3.12 以上
- uv（Python パッケージ・環境管理）
- Visual Studio Code ＋ Jupyter 拡張
- Kaggle アカウント（API トークンを
~/.kaggle/kaggle.jsonに配置）
インストール
cd projects/ml
uv sync
データセットのダウンロード
uv run python scripts/download_datasets.py