自然言語処理編

ヨシュア・ベンジオ スチュアート・J・ラッセル ジェフリー・ヒントン ニック・ボストロム ヤン・ルカン フェイフェイ・リー デミス・ハサビス アンドリュー・エン ラナ・エル・カリウビ レイ・カーツワイル ダニエラ・ルス ジェイムズ・マニカ ゲアリー・マーカス バーバラ・J・グロース ジュディア・パール ジェフリー・ディーン ダフニー・コラー デイヴィッド・フェルッチ ロドニー・ブルックス シンシア・ブリジール ジョシュア・テネンバウム オーレン・エツィオーニ ブライアン・ジョンソン

ディープラーニング活用なくしてビジネスの飛躍的成長なし

フレームワーク編

人工知能を利用した開発に必要な基礎知識がわかる！ 人工知能を利用した開発に必要な基礎知識がわかる！ 【書籍概要】 「人工知能」に3度目の波が到来！ 人工知能を利用した産業革命の波が日本にも押し寄せています。膨大なデータが様々なデバイス／サービスから集められ、それを分析・高速処理する環境が揃いつつあり、産学で研究開発が活発になっています。 本書は人工知能関連の開発に携わっているエンジニアに向けて、今後のコアとなる理論と技術を図解で解説した書籍です。 【対象読者】 人工知能を利用したプロダクトやサービス開発に携わるエンジニアの方（プログラマー、データベースエンジニア、組込みエンジニアなど） 【特徴】 話題の機械学習・深層学習、IoTやビッグデータとの連係についてもフォロー。理論の概念図や事例などを、わかりやすく解説しています。 【構成】 第1章では人工知能の過去と現在と未来について解説。第2章～第14章への伏線となるように解説しています。 第2章～第14章では、各トピックにおける理論と技術について解説しています。 【目次】 CHAPTER1 人工知能の過去と現在と未来 CHAPTER2 ルールベースとその発展型 CHAPTER3 オートマトンと人工生命プログラム CHAPTER4 重み付けと最適解探索 CHAPTER5 重み付けと最適化プログラム CHAPTER6 統計的機械学習（確率分布とモデリング） CHAPTER7 統計的機械学習（教師なし学習と教師あり学習） CHAPTER8 強化学習と分散人工知能 CHAPTER9 深層学習 CHAPTER10 画像や音声のパターン認識 CHAPTER11 自然言語処理と機械学習 CHAPTER12 知識表現とデータ構造 CHAPTER13 分散コンピューティング CHAPTER14 大規模データ・IoTとのかかわり 【著者紹介】 多田智史（ただ・さとし） 1980年生まれ、兵庫県出身。大学は生物工学を専攻し、 現在バイオインフォマティクスの企業に勤務。データ解析プログラムや Webベースのデータベースシステムの開発を業務で行う。 【監修者紹介】 石井一夫（いしい・かずお） 東京農工大学農学府農学部農学系ゲノム科学人材育成プログラム特任教授。 ゲノム研究者としての実務家の視点から、ビッグデータ活用のあるべき姿を 追求するために「ビッグデータ活用実務フォーラム」を2013年6月に設立。 CHAPTER 1 人工知能の過去と現在と未来CHAPTER 2 ルールベースとその発展型CHAPTER 3 オートマトンと人工生命プログラムCHAPTER 4 重み付けと最適解探索CHAPTER 5 重み付けと最適化プログラムCHAPTER 6 統計的機械学習（確率分布とモデリング）CHAPTER 7 統計的機械学習（教師なし学習と教師あり学習）CHAPTER 8 強化学習と分散人工知能CHAPTER 9 深層学習CHAPTER 10 画像や音声のパターン認識CHAPTER 11 自然言語処理と機械学習CHAPTER 12 知識表現とデータ構造CHAPTER 13 分散コンピューティングCHAPTER 14 大規模データ・IoTとのかかわり

個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ

大人気ディープラーニング講座の書籍化！ 【本書の概要】 本書は株式会社アイデミーで大人気の講座『ディープラーニングで画像認識モデルを作ってみよう!』を書籍化したものです。 機械学習の基本からはじまり、Pythonの基礎、データの処理、深層学習の基本から応用ついて、 サンプルを元に実際に動かしながら、わかりやすく解説します。 各項には練習問題がありますので、学習効果を確かめながら読む進めることができます。 本書を読めば、機械学習から深層学習の基本を一気通貫で学習できます。 これから深層学習をはじめたい、初学者の方におすすめの1冊です。 【本書の対象】 人工知能関連の開発に携わる初学者（開発者、研究者、理工系学生） 【本書の構成】 第1章から第3章で機械学習の基本を、 第4章から第6章ではPythonの基礎知識を、 第7章から第9章ではNumPyやPandasの基礎知識を、 第10章から第13章では可視化の基礎知識を、 第14章から第15章ではデータの扱い方の基本を、 第16章から第18章では教師あり学習やハイパーパラメータとチューニングを、 第19章から第22章では深層学習について基本か応用まで、 丁寧に解説します。 【著者プロフィール】 石川 聡彦（いしかわ・あきひこ） 株式会社アイデミー　代表取締役社長　CEO。 東京大学工学部卒。株式会社アイデミーは2014年に創業されたベンチャー企業で、 10秒で始める先端テクノロジー特化型のプログラミング学習サービス「Aidemy」を提供。 様々な企業のアプリケーション制作・データ解析を行った。現在の主力サービス「Aidemy」は AIやブロックチェーンなどの先端テクノロジーに特化したプログラミング学習サービスで、 リリース100日で会員数10,000名以上、演習回数100万回以上を記録。 早稲田大学主催のリーディング理工学博士プログラムでは、AIプログラミング実践授業の講師も担当した。 著書に『人工知能プログラミングのための数学がわかる本』（KADOKAWA/2018年）などがある。 Introduction　Aidemyで機械学習・深層学習を学ぶ Prologue　開発環境の準備 第1章　機械学習概論 第2章　機械学習の流れ 第3章　性能評価指標 第4章　Pythonの基礎 第5章　Pythonの基本文法 第6章　関数の基礎 第7章　NumPy 第8章　Pandasの基礎 第9章　Pandasの応用 第10章　データ可視化のための準備 第11章　matplotlibの使い方 第12章　様々なグラフを作る 第13章　lambdaやmapなどの便利なPython記法 第14章　DataFrameを用いたデータクレンジング 第15章　OpenCVの利用と画像データの前処理 第16章　教師あり学習（分類）の基礎 第17章　ハイパーパラメータとチューニング（1） 第18章　ハイパーパラメータとチューニング（2） 第19章　深層学習の実践 第20章　深層学習のチューニング 第21章　CNNを用いた画像認識の基礎 第22章　CNNを用いた画像認識の応用

人工知能 人工知能と世界の見方 人工知能と社会

強化学習編

線形代数の意味と面白さをゼロから学ぶ一冊！　ゼロから学ぶためのアイディアを盛りだくさん入れわかり易くした。 はじめが、だいじ！　寝ころんで読める脳に心地よい線形代数入門。「行列の掛け算は、なぜあんな変な掛け方をするの？」といった誰もが抱く疑問を、ことごとく氷解させる超入門書！ はじめが、だいじ！ 寝ころんで読める脳に心地よい線形代数入門。 「行列の掛け算は、なぜあんな変な掛け方をするの？　」 といった誰もが抱く疑問を、ことごとく氷解させる超入門書！ 肩のこらない優しい説明 （1）具体的なイメージがつかめるようにした。 （2）算数から大学レベルの数学へすんなり移行できるようにした。 （3）ミステリー仕立ての会話で息抜きを。 （4）簡単な練習問題で知識の漏えいを防止。 （5）ストーリーマンガを読むような面白さ。 ●1章　行列式とは要するに面積のことなのだ 1．1．ベクトルってなんだろう 1．2．1次独立とはこんな意味 1．3．いよいよ行列式さっそうと登場 ●2章　3次元以上の行列式を征服する 2．1．3次元のベクトル 2．2．いよいよ神秘の4次元へ ●3章　直交する世界～内積と外積 3．1．まざまざと知る内積の威力と魅力 3．2．外積が面白いほどわかる！ 3．3．神さまの仕掛けを掘り起こす ●4章　線形変換のココロ 4．1．1次変換のこころを探る 4．2．行列の掛け算はなぜあんなふうなのか ●5章　逆行列のひみつ 5．1．単位行列はビップなのである 5．2．行列の1次方程式を解くには 5．3．逆行列に秘められた意味 5．4．行列式の乗法公式は美しい 5．5．転置の定理の証明を完成しよう ●6章　固有値を「体感」する 6．1．固有値はいろいろ大切なのである 6．2．対称行列のひみつ 6．3．固有値の応用でグランドフィナーレ

自社のシステムに人工知能の導入を検討している人が、人工知能システムの開発および運用・保守の一連のプロセスを把握できる。 自社システムに人工知能を導入したいときに読む本！ 機械学習をはじめとする人工知能への期待は増加していますが、 人工知能が搭載されたシステムを開発するプロジェクトマネージャの数は足りておらず、その数は今後さらに必要になっていきます。 また、大規模システムに人工知能が入るようになっていくと、それを運用・保守する仕事も必要となります。 大規模なシステムになるほど、「開発工程において何をするのか」を規定することが重要であり、 人工知能が搭載されたシステムの開発で行うことを体系的に理解しなければなりません。 本書では、人工知能システムを企画・開発し、運用・保守したい人向けに、 企画から運用までの一連のプロセスのノウハウを解説します。 【本書のポイント】 ・人工知能システムの開発を行うエンジニアやプロマネ向けのノウハウ集 ・人工知能システムの企画書や開発計画書が書けるようになる ・人工知能のトライアルを計画・実施できるようになる ・人工知能システムの開発および運用・保守の一連のプロセスを把握できる Chapter1 実用化されつつある人工知能 人工知能の定義 人工知能の歴史 人工知能の利用用途 認識の具体例 分析の具体例 対処の具体例 Chapter2 通常のシステムと人工知能システムの開発プロセスの違い 人工知能システムの開発プロセス 企画フェーズでの特徴 トライアルフェーズでの特徴 開発フェーズでの特徴 運用・保守フェーズでの特徴 Chapter3 人工知能システムの企画 目的の設定 システム構成の検討 業務フローの作成 データ選び スケジュール検討 運用・保守方針の検討 Chapter4 人工知能プロジェクトのトライアル トライアルのプロセス 分析内容定義 データ観察 モデル設計 データの加工 結果の評価（１）－評価指標の決定 結果の評価（２）－精度の評価 結果の評価（３）－解釈性の評価 結果の評価（４）－過学習度合いの評価 結果の評価（５）－CASE STYDYでの評価例 Chapter5 人工知能システムの開発 開発フェーズのプロセス要件定義工程（１）－計画作りー 要件定義工程（２）ー精度の確認ー 要件定義工程（３）ーデータ量の決定ー 要件定義工程（４）ー更新方法の決定ー 要件定義工程（５）ー学習データが少ないときの対応方法 要件定義工程（６）ー異常値処理方法の決定 設計工程 テスト工程 Chapter6 人工知能システムの運用・保守 人工知能を見守る 人工知能を育てる（１）－自動再学習ー 人工知能を育てる（２）－忘れさせるー 人工知能を育てる（３）－新しい知識を教えるー 人工知能と人の協調 付録 提案依頼書 開発提案書 トライアル分析提案書 トライアル分析報告書 WBS 機能要件定義書・非機能要件定義書 要件定義のためのデータ分析結果報告書

今の人工知能（AI）を正しく理解して活用し 導入効果を最大化するAIビジネス書の決定版 AIブームはとどまるところを知らず、企業や組織はAI活用の実践フェーズに突入しつつあります。 一方で、AIに関する様々な誤解がいまだに蔓延しており、深層学習（ディープラーニング）をはじめとする「今のAI」をどうすればビジネスに生かせるかの理解も進んでいません。 AIは非常に大きな可能性を秘めています。今のAIを効果的に活用すれば生産性やROI（投資対効果）の劇的な改善につながります。 一方でAIは癖のある道具であり、使いこなすには正しい理解と十分なノウハウが欠かせません。 本書は30年以上にわたりAIの開発や導入・活用を手掛けてきた筆者が、AIのビジネス活用に必要なすべてを具体的に解き明かす待望の一冊です。 今のAIで何がどこまでできるのかにはじまり、AI活用の進め方や評価方法、データを確保する手順、ハードやソフトの選び方、人材育成のやり方までを豊富な実例で具体的に説明します。 今がAI導入の絶好のチャンス。ここで決断しないと、国内外のライバルに後れを取ることになりかねません。 自社のAI活用に取り組むIT部門や経営企画部門、業務部門、顧客企業のAI活用を支援するベンダーやコンサルタントなど、AI活用に関わる人必携の一冊です。 ≪第1章　今のAIで何ができるか／できないのか≫ AIに関する「よくある誤解」 天文学的なデータ量・計算量を駆使する囲碁AI 「子供の知能」をいかに生かすか 画像監視が有用なビジネス領域を考える 深層学習は「生データコンピューティング」 AIを三つの軸で分類 深層学習はどのように特徴を抽出するのか 「パターン認識」はAIの目や耳 深層学習による機械翻訳が圧勝した理由 「強いAI」の誕生は早くて22世紀？ 指数関数の本当の怖さ 知識量は高々2次曲線的に増える 　【コラム】強いAI、汎用AI（AGI）の研究は科学か？ 今の深層学習を活用しない手はない 深層学習と他の方式の組み合わせも有用 ≪第2章　深層学習活用の基本的な流れ≫ AI活用に欠かせない目標設定 同じ評価データを利用可能にする 精度指標は「適合率」と「再現率」 前提となる正解が一つとは限らない 適合率と再現率、どちらを重視するか？ アマチュアとプロで求める精度は異なる 深層学習の精度評価実験は非常に簡単 共通の特徴と多彩な違いを反映した正解データを用意 開発環境を使ったデータ学習の流れ オーバーフィッティングに注意 ≪第3章　目標精度評価・活用の実際≫ ◆例1　車載カメラで危険映像候補を認識 危険運転の分類から自動運転の課題が分かる コスト削減効果は単純計算で7200倍 交通標識のAI対応やRFID化も必要に ◆例2　日本語OCR（文字認識） ◆例3　希少がんなどの病理診断を支援 精度目標の設定と予算見積もりは「鶏と卵」 自動運転は様々な観点での総合評価が必要 テスラ車の事故はなぜ起こったのか 事前の期待値を考慮したサービス評価が大切 実務フローの構想で有用な「取り違え行列」 確率値付きの判定結果で分岐条件を精密化 確信度に応じて処理を場合分け 検体や医療機関ごとに最適な精度を設定 AIの揚げ足取りをする意味 対話ボットの精度をどう評価するか 「対話成立度合い」で精度を定量評価 ITILを参考に業務フローを改善 例外的事態のデータを機械学習させて活用 ≪第4章　具体例で見るAI導入の実際≫ 企業はデジタル・エンタープライズに進化 AIを実装し、APIとして公開 AI導入の概略と社内体制 　【コラム】情シスはAIの担当になれるか 正解データをうまく作るための留意点 アノテーターによるラベル付けの実際 少しずつ異なる正解データを「水増し」する 深層学習の導入は辛抱強く 運用時のトータルシステム構成を描く GPUを選ぶ：現状はエヌビディア一択 ハードウエア機器を選ぶ：性能は10数年前の最先端スパコン以上 メインメモリーの容量にも注意 　【コラム】小型化の動きが加速 　～GPU内蔵ノートPCやUSBアクセラレータ GPUクラウドという選択 　【コラム】タダほど高いものはない？ 　無料のデータ学習サービスの実用性 深層学習の仕組みは多彩 主要な深層学習フレームワークの特徴と選び方 多種類のネットワーク構造の中でどれを選ぶか？ プログラム言語はほぼPython一択 既成のAIリソースの活用を意識する 完成したAIをアプリケーション化、API化する 作ったAPIを世界に公開する 様々なセキュリティ対策、プライバシーへの配慮 目には目を、AIにはAIを AI導入支援企業側を守る不正コピー対策 ソースコードをあえて一部開示する提供方法も ≪第5章　AI導入を支える人材が持つべきスキル≫ ユーザー企業はAI人材をどう確保するか ユーザー企業のマネジャーが心得るべきポイント AI時代に必要なのはシャーロック・ホームズのような思考力 AI要員に求められる資質と専門分野 旧来のIT知識が足を引っ張る恐れも 「正解データの整備」が開発作業の中心に APIエコノミーでマッシュアップの達人がより大切に AI要員に欠かせない高いコミュニケーション能力 知識は急速に陳腐化する 知識労働から知能労働へ 知識はタダ同然になっていく AIと人間の役割分担を考える 人間はビッグデータ無しにそこそこの確度で推論できる 異なる専門家のコラボを実現する「ペア要求開発」 AIプロジェクト推進の原動力となる人材 熟練職人芸をAIに移植した後の空洞化対策 ≪第6章　AIの産業応用で今後留意すべきこと≫ ビッグデータの役割はより重要に AIを利用して人々がデータに圧倒されないようにしたい 現在のAIにも存在する「知識獲得ボトルネック」 データの整備や付加価値化にこそAIを活用すべき 正解データの整備・収集時の留意点 日本はAI導入の「伸びしろ」が大きい 店員と同じように接客できるAIが登場する？ AI研究者にとって人文科学や哲学は重要 ベーシックインカムでは問題は解決しない AGI＝汎用AIを道具として扱う

日本での人工知能の社会実装は間に合うのか？ ▼国内と海外の人工知能の最新動向がすべてわかる、網羅的な白書の最新版 　“ディープラーニング”（深層学習）の登場以降、大変な盛り上がりとなっている人工知能（AI）。すでに研究段階から、社会への実装へとステージが進んでいて、一過性のブームでないことは明らかです。 　しかし、海外、とくに米国・中国に比べて、AIの社会実装という面では、日本は大きく遅れをとっていると言われています。そして技術面においても、先行しており、かつ人的にも資金的にも大きなリソースを投入している米中に、日本が追いつくことは容易ではありません。これからの産業構造に大きな変革をもたらすであろうAIに、日本企業は、社会は、この先どう向き合っていけばいいのでしょうか。 　本書は、AIの基礎的な技術解説から、国内外の多様な先行導入事例、制度・政策面での取り組み、中国のAI動向データや企業経営者の意識調査結果まで、AIにまつわる幅広い話題を網羅して収録しております。企業や社会がAIを実装するにあたってのひとつの指針として、本書をご活用いただけます。 日本はAIの技術面で、また実際の社会実装面で、世界と、特に米中と比べて進んでいるのか、遅れているのか？ その実情はどのようになっているのか。技術から利用動向、制度政策に至るまで、AIのすべてを解説。 ▼最新技術から利用動向、制度や政策まで、関連する話題を網羅 本白書は、大きく5つの章から構成されます。 □第1章 AIが壊すもの、創るもの 　・対談 冨山和彦（経営共創基盤CEO）×中島秀之（本誌編集委員長） 　・対談 尾原和啓（ITジャーナリスト)×松尾 豊（本誌編集委員） □第2章 技術動向 　・ディープラーニング、自然言語処理、身体性とロボティクス等 □第3章 利用動向 　・国内、海外の利用動向、AI市場規模 □特集 データで見る中国のAI動向 □資料 企業におけるAI利用動向アンケート調査 □第4章 制度政策動向 　・知的財産、AIに関する原則、ガイドライン、国内外の政策動向等 □第5章 AIの社会実装課題と対策 　・社会実装に係る課題調査、社会実装推進の方向性等

ロボット・人工知能の進展がもたらす社会の変化に期待が高まる一方で，その悪影響も懸念されている。本書は，現在生起しつつある問題から近未来に起きうる問題までを視野に入れ，法学からの知見を提示するものである。 第１章　ロボット・AIと法をめぐる動き（宍戸常寿） 第２章　ロボット・AIと法政策の国際動向（工藤郁子） 第３章　ロボット・AIと自己決定する個人（大屋雄裕） 第４章　ロボット・AIは人間の尊厳を奪うか？（山本龍彦） 第５章　AI・ロボットの行政規制（横田明美） 第６章　AIと契約（木村真生子） 第７章　自動運転車と民事責任（後藤元） 第８章　ロボットによる手術と法的責任（弥永真生） 第９章　ロボット・AIと刑事責任（深町晋也） 第10章　AIと刑事司法（笹倉宏紀） 第11章　ロボット・AIと知的財産権（福井健策） 第12章　ロボット兵器と国際法（岩本誠吾）

ディープラーニングの知識を測る検定試験（G検定）の公式テキスト登場！ ディープラーニングの知識を測る検定試験（G検定）の「公式テキスト」登場！ 【本書の特徴】 1）試験運営団体である「日本ディープラーニング協会」が執筆。 2）各章末には、練習問題つき。試験勉強に最適。 3）最新シラバス「JDLA Deep Learning for GENERAL 2018」に完全準拠。 4）ディープラーニングについて最新事情も踏まえ学ぶことができる。 【対象読者】 ・「ディープラーニング G検定（ジェネラリスト検定）」を受験しようと思っている人 ・ディープラーニングについてこれから広く学びたい人 ・ディープラーニングを事業活用しようと思っている人 【G検定とは】 ・目的：ディープラーニングを事業に活かすための知識を有しているかを検定する ・受験資格制限：なし ・試験概要：120分、知識問題（多肢選択式）、オンライン実施（自宅受験） ・出題問題：シラバスより出題 ・日程：公式サイトにて公表 はじめに 試験の概要 会員特典データのご案内 第1章 人工知能（AI）とは 　1-1 人工知能（AI）とは 　1-2 人工知能研究の歴史 　章末問題 第2章 人工知能をめぐる動向 　2-1 探索・推論 　2-2 知識表現 　2-3 機械学習・深層学習 　章末問題 第3章 人工知能分野の問題 　3-1 人工知能分野の問題 　章末問題 第4章 機機械学習の具体的手法 　4-1 代表的な手法 　4-2 手法の評価 　章末問題 第5章ディープラーニングの概要 　5-1 ニューラルネットワークとディープラーニング 　5-2 ディープラーニングのアプローチ 　5-3 ディープラーニングを実現するには 　章末問題 第6章 ディープラーニングの手法 　6-1 活性化関数 　6-2 学習率の最適化 　6-3 更なるテクニック 　6-4 CNN：畳み込みニューラルネットワーク 　6-5 RNN：リカレントニューラルネットワーク 　6-6 深層強化学習 　6-7 深層生成モデル 　章末問題 第7章 ディープラーニングの研究分野 　7-1 画像認識分野 　7-2 自然言語処理分野 　7-3 音声認識 　7-4 強化学習（ロボティクス） 　章末問題 第8章 ディープラーニングの応用に向けて（1）産業への応用 　8-1 ものづくり領域における応用事例 　8-2 モビリティ領域における応用事例 　8-3 医療領域における応用事例 　8-4 介護領域における応用事例 　8-5 インフラ・防犯・監視領域における応用事例 　8-6 サービス・小売・飲食店領域における応用事例 　8-7 その他領域における応用事例 　8-8 （参考）第7章との関連マトリクス 　章末問題 第9章 ディープラーニングの応用に向けて（2）法律・倫理・現行の議論 　9-1 AIと社会 　9-2 プロダクトを考える 　9-3 データを集める 　9-4 データを加工・分析・学習させる 　9-5 実装・運用・評価する 　9-6 クライシス・マネジメントをする 　章末問題