レビュー
概要
『仕事ではじめる機械学習 第2版』は、機械学習を「モデルを作る技術」だけで終わらせず、仕事として成立させるための要点を並べた実務書です。ビジネス課題の定式化、ログ設計、教師データの集め方、評価指標の選び方、A/Bテスト、運用で起きる劣化への備え。こうした“現場の詰まりどころ”を、章立てとして正面から扱います。
第2版では、MLOps（開発と運用の統合）、モデルの検証・解釈、バンディットアルゴリズム、オンライン広告における機械学習などが追加されています。現場の関心が「学習する」から「守って回す」へ移っていることが反映されています。
目次が示す全体像（第I部→第2部の流れが明快）
第I部（1章〜7章）：プロジェクトを成立させるための土台
1章は、機械学習プロジェクトの流れを、ビジネス課題の定式化からシステム組み込みまで段階で整理します。途中に「論文中心にサーベイする」「機械学習をしなくて良い方法を考える」といった項目があり、万能感を冷ます役割があります。
さらに、実システムでの問題に対し、ゴールドスタンダードによる性能モニタリング、モデルのモジュール化によるA/Bテスト、モデルのバージョン管理、パイプラインごとの保存など、運用に必要な装備が並びます。
2章は、分類・回帰・クラスタリング・次元削減をはじめ、推薦、異常検知、強化学習などを俯瞰します。3章は評価で、適合率・再現率、F値、混同行列、ROCとAUCなどを整理し、4章はシステムへの組み込みパターンとログ設計へ進みます。5章は教師データ収集（公開データ、社内作成、協力依頼、クラウドソーシング、ユーザー入力）を扱い、6章が継続的トレーニングとMLOpsへ繋がります。7章は効果検証で、因果効果の推定や仮説検定の枠組みが入ります。
第2部（9章〜12章）：ケーススタディ中心で手を動かす
後半は、実際に手を動かして理解する章が並びます。モデル解釈（8章）や、Uplift Modeling（10章の一部）、バンディット（11章）、オンライン広告（12章）など、現場で話題になりやすいテーマがまとまっています。
読みどころ
1) 「まずログ設計」という当たり前を、具体に落とす（4章）
機械学習は、良い特徴量より先に「良いログ」が必要です。4章では、教師データや特徴量に使える情報、ログの保持場所、設計の注意点などが並びます。ここが弱いと、後で評価ができません。評価ができないと、運用は破綻します。本書はその順序を外しません。
2) 教師データの集め方を“選択肢”として持てる（5章）
教師データは、机上では簡単に見えますが現場では重いです。公開データの活用、社内で作る、同僚に入力してもらう、クラウドソーシングを使う、サービスに組み込む。選択肢が並ぶと、チームの状況に合わせて作戦を変えられます。
3) MLOpsを「CI/CD/CT」まで含めて扱う（6章）
6章は、継続的学習とデプロイの話に踏み込みます。共通の実験環境、サービング、処理のパイプライン化、継続的学習・デプロイ、監視・モニタリング、定期テスト。モデルは作って終わりではないので、ここがまとまっているのは実務的です。
4) 効果検証で、相関と因果の壁を越える（7章）
機械学習は「当たる」だけでは価値が確定しません。施策の成果を判断するために、因果効果やセレクションバイアス、ランダム化比較試験といった視点が必要になります。本書は、予測と意思決定の接続に時間を割いています。
5) モデル解釈・バンディット・オンライン広告まで射程に入る
第2版の追加テーマは、現場での“説明責任”と“運用の現実”に直結します。解釈可能性は、社内合意や監査にも関わります。バンディットは、探索と活用のバランスを扱い、ログが偏る難しさも含みます。オンライン広告は、ビジネス設定、定式化、実装、ログの特徴、運用までがまとめられ、ケースとしての厚みがあります。
感想
この本を読んで印象に残るのは、機械学習を「技術」ではなく「プロジェクト」として扱う姿勢です。モデルの精度を上げる話は他にもあります。本書が強いのは、精度以前に崩れるポイントを先に潰してくれるところです。
機械学習を仕事で始めるときに怖いのは、最初の成功より、失敗した理由が分からないことです。ログがない。指標がない。比較できない。切り戻せない。本書のチェック項目を先に押さえると、その怖さが減ります。学習以前の準備が、最大の成果に繋がることを教えてくれる1冊です。
こんな人におすすめ
- 「機械学習をやれ」と言われ、何から手を付けるか迷っている人
- モデル開発だけでなく、ログ設計や運用まで見通したい人
- 効果検証や意思決定まで含めて、機械学習を仕事にしたい人
