機械学習から始める Kotlin 入門¶
Kotlin は JVM 上で動く静的型付けの言語で、data class・sealed interface・null 安全・拡張関数・高階関数を備えています。本シリーズでは、Python 版と同じ題材の機械学習のアルゴリズムを TDD で自作し、次に JVM の機械学習ライブラリ Tribuo に置き換えて結果を突き合わせながら、Kotlin の書き方とエコシステムを学びます。
Kotlin 版は、Python 版とともに Notebook（Kotlin Notebook）によるデータの探索と可視化も扱います。
特徴¶
- 静的型付けと null 安全: 欠損値を
Double?のような null 許容型で表し、補完するまでモデルに渡せないことをコンパイラが保証する - data class と sealed interface: データや決定木の節を、値として比較できる型で簡潔に表せる
- 関数型の引数と拡張関数: 評価関数や依存を関数として渡し、既存の型に処理を足せる
- JVM のエコシステム: Tribuo・Kotlin DataFrame・Ktor などを Gradle で導入できる
Python 版との違い¶
分割の手順は Python 版と同じですが、乱数生成器が異なるため、訓練データとテストデータに入る行は Python 版と一致しません。件数は一致しますが、正解率や係数などの数値は Kotlin 版の実装で実測した値を載せています。理由は 執筆計画 の「Python 版との数値の違い」を参照してください。
開発環境¶
| ツール | 用途 |
|---|---|
| Gradle（Gradle Wrapper） | ビルドツール・タスクランナー |
| kotlin.test + JUnit Platform | テスティングフレームワーク |
| ktlint | コードスタイルの検査・整形 |
| JDK 21 | Gradle のツールチェーンで自動取得 |
ライブラリ¶
| ライブラリ | 用途 | 初出 |
|---|---|---|
| Kotlin DataFrame | データフレーム | 第 2 章 |
| Kandy | データの探索と可視化 | 第 2 章 |
| Tribuo | 機械学習（自作との突き合わせ） | 第 3 章 |
| Ktor・kotlinx.serialization | 予測 API | 第 15 章 |
選定の理由と、章ごとにライブラリへ置き換えられる範囲は ADR 002 を参照してください。
サンプルコード¶
サンプルコードは apps/kotlin/ にあります。学習データの配置方法は 第 1 章 の「題材とデータ」を参照してください。
cd apps/kotlin
./gradlew test
./gradlew runChapter -Pchapter=01
Windows の PowerShell では ./gradlew の代わりに .\gradlew.bat を使います。
章構成¶
第 1 部: 機械学習と TDD の基本サイクル¶
| 章 | テーマ |
|---|---|
| 第 1 章 | 機械学習とはじめてのテスト |
| 第 2 章 | データの前処理と三角測量 |
| 第 3 章 | 決定木による分類と明白な実装 |
第 2 部: 開発環境と自動化¶
| 章 | テーマ |
|---|---|
| 第 4 章 | バージョン管理とデータ管理 |
| 第 5 章 | パッケージ管理と静的解析 |
| 第 6 章 | タスクランナーと CI/CD |
第 3 部: 回帰と実践的な前処理¶
| 章 | テーマ |
|---|---|
| 第 7 章 | 線形回帰による数値予測 |
| 第 8 章 | 実践的な分類と前処理パイプライン |
| 第 9 章 | 特徴量エンジニアリング |
第 4 部: モデルの改善と評価¶
| 章 | テーマ |
|---|---|
| 第 10 章 | ロジスティック回帰とアンサンブル学習 |
| 第 11 章 | 評価指標と交差検証 |
| 第 12 章 | 正則化とモデル選択 |
第 5 部: 教師なし学習と実運用¶
| 章 | テーマ |
|---|---|
| 第 13 章 | 主成分分析による次元削減 |
| 第 14 章 | K-means によるクラスタリング |
| 第 15 章 | 機械学習 API とモジュール設計 |
付録¶
総合演習（Bank）の解答例は Python 版のみです。演習問題は言語に依存しないので、Python 版の付録 A の問題に Kotlin で取り組んでください。