扉・はじめに・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


参考文献・索引・奥付