メディチ家、三井越後屋、A&P、フォード・GM、ジレット、ゼロックスから、ペイパル、クアルコム、キックスターター、ズーリリー…。先駆者たちの栄枯盛衰のダイナミクス。 序章 お金にまつわる5つのビジネスモデル革新 第1章 ビジネスモデルとは何か? 第2章 近代ビジネスモデルの創生期(1673〜1969) 第3章 近代ビジネスモデルの変革期(1970〜1990) 第4章 世紀末、スピードとITによる創造期(1991〜2001) 第5章 リアルを巻き込んだ巨人たちの戦い、小チームの勃興(2002〜2014) 第6章 どうビジネスモデル革新を起こすのか? 補章 今、日本から世界に挑戦できること

ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！　深層学習のさまざまな課題とその対策についても詳しく解説。 ◆ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！！◆ ・トランスフォーマー、グラフニューラルネットワーク、生成モデルなどをはじめ、各手法を大幅に加筆。 ・深層学習のさまざまな課題と、その対策についても詳しく解説。 [本書まえがきより抜粋] ないもの（＝理論）ねだりをしても仕方がありません．それでも皆が研究を進めるのは，そうすることに意義があるからです．なぜうまく働くのか，なぜそうすべきか，数学的な証明はなくても，正しい説明は必ずあるはずです．それを手にできれば，目の前の課題を解決するのに，また次に進むべき道を知るうえで役に立つでしょう． そこで本書では，それぞれの方法について，今の時点で最も納得できる説明をきちんと与えることにこだわりました．名前の通った方法であっても，理屈が成り立たない，あるいは役に立たない方法や考え方については，はっきりそう書きました．著者の主観といわれても仕方がない場合もあるかもしれませんが，そのほうが有益であると信じています． また，現在の深層学習の広がりを把握できるように，定番となった問題・方法に加えて，重要だと思われる問題については，必ずしもそれほど有名でない方法も含めてなるべく網羅するようにしました．その取捨選択には，深層学習が実践的技術であることを踏まえ，実用性を最も重視しました．そこには，この間に著者が企業の実務家たちと行ってきた共同研究での経験が反映されています． [主な内容] 第1章　はじめに 第2章　ネットワークの基本構造 第3章　確率的勾配降下法 第4章　誤差逆伝播法 第5章　畳み込みニューラルネットワーク 第6章　系列データのためのネットワーク 第7章　集合・グラフのためのネットワークと注意機構 第8章　推論の信頼性 第9章　説明と可視化 第10章　いろいろな学習方法 第11章　データが少ない場合の学習 第12章　生成モデル 1章　はじめに 1.1 研究の歴史 1.2 本書の構成 2章　ネットワークの基本構造 2.1 ユニットと活性化関数 2.2 順伝播型ネットワーク 2.3 学習の概要 2.4 問題の定式化：出力層と損失関数の設計 3章　確率的勾配降下法 3.1 確率的勾配降下法 3.2 汎化性能と過剰適合 3.3 正則化 3.4 学習率の選定と制御 3.5 SGDの改良 3.6 層出力の正規化 3.7 重みの初期化 3.8 その他 4章　誤差逆伝播法 4.1 勾配計算の煩わしさ 4.2 誤差逆伝播法 4.3 自動微分 4.4 勾配消失問題 4.5 残差接続 5章　畳み込みニューラルネットワーク 5.1 単純型細胞と複雑型細胞 5.2 畳み込み 5.3 畳み込み層 5.4 プーリング層 5.5 畳み込み層の出力の正規化 5.6 推論のためのCNNの構造 5.7 入出力間の幾何学的関係 5.8 畳み込み層の一般化 5.9 アップサンプリングと畳み込み 5.10 物体カテゴリ認識への適用例 6章　系列データのためのネットワーク 6.1 系列データ 6.2 リカレントニューラルネットワーク 6.3 ゲート機構 6.4 自己回帰モデル 6.5 1次元畳み込みネットワーク 6.6 逆伝播の計算 7章　集合・グラフのためのネットワークと注意機構 7.1 集合データを扱うネットワーク 7.2 注意機構 7.3 トランスフォーマー 7.4 グラフニューラルネットワーク 8章　推論の信頼性 8.1 推論の不確かさ 8.2 不確かさの数理モデル 8.3 不確かさの予測 8.4 分布外入力の検出 8.5 敵対的事例 8.6 品質保証の試み 9章　説明と可視化 9.1 はじめに 9.2 入力による出力の微分 9.3 入力の遮蔽・挿入 9.4 中間層出力の表示 9.5 寄与度の分解 9.6 寄与度の逆伝播 9.7 可視化手法の評価 9.8 影響関数 9.9 学習内容の可視化 10章　いろいろな学習方法 10.1 距離計量学習 10.2 事例集合（マルチインスタンス）学習 10.3 クラスラベルの誤り 10.4 クラス間不均衡 10.5 継続・追加学習 10.6 知識蒸留 10.7 枝刈り 10.8 計算の量子化 10.9 ネットワーク構造探索 11章　データが少ない場合の学習 11.1 はじめに 11.2 データ拡張 11.3 転移学習 11.4 半教師あり学習 11.5 自己教師学習 11.6 マルチタスク学習 11.7 ドメイン適応・汎化 11.8 少数事例学習 11.9 能動学習 12章　生成モデル 12.1 データの生成モデル 12.2 自己符号化器 12.3 変分自己符号化器 12.4 敵対的生成ネットワーク 12.5 正規化フロー 12.6 ボルツマンマシン

競争戦略では大企業には勝てない。ビジネスモデル発想こそがチャレンジャー企業が取るべき最善の戦略である。ビジネスモデルを専門とする経営学者が初めて書いた!ストーリーを読むだけで、ビジネスモデル発想が身につく教科書。 第1章 顧客価値とプロダクト-モノが売れるメカニズムと片づけるべき用事 第2章 バリュー・プロポジション-価値は顧客が決める 第3章 ハイブリッド思考-ヒットを生むあの会社のビジネスモデルを分析する 第4章 ビジネスモデル研究室-顧客価値と利益が融合するとき 第5章 プランB-逆境だからこそ生まれる起死回生の一策 第6章 プロフィット・イノベーション-企業のゴールと顧客のゴールをシンクロさせよ! 第7章 ビジネスモデル・クリエーション-顧客にソリューションを提供し、価値を保証せよ! 第8章 Never Ends.-ビジネスモデルに終わりはない

データサイエンティスト向け統計入門の改訂版。前版はRのみ対応だったがPythonにも対応。サンプルコードはGitHubから。 データサイエンスの定番書籍の改訂版。RだけでなくPythonにも対応！ データサイエンティスト向け統計入門の、RのバージョンアップとPython対応のために加筆変更を加えた改訂版です。50の重要な統計と機械学習の「重要なコンセプト」について、簡潔かつ正確な説明と、それを裏付ける最低限の数式、クリアな可視化、実現するためのプログラミングコードを過不足なく提示することで、多方面からの着実な理解を促します。 第1版ではRのみの対応でしたが、第2版ではPythonにも対応。サンプルコードはすべてGitHubから入手可能です。

ビジネスや意思決定の場面で，データを活用したい方に手にとっていただきたいデータサイエンスの入門書。目的別の分析手法を幅広く… ビジネスや意思決定の場面で，データを活用したい方に向けたデータサイエンスの入門書。データの種類ごとの性質や収集時の注意点，目的別の分析手法からデータ可視化まで幅広く扱う。各章末には課題を設置し，最終章ではデータサイエンスの展望や限界についても言及。 第１章　データサイエンスとは 第２章　データ収集のための基礎知識 第３章　データ空間の構成法 第４章　データ生成のメカニズム 第５章　データの可視化手法 第６章　データ分析の手法 第７章　データ活用のフレームワーク 第８章　データの分析事例 第９章　データ分析上の注意点と応用知識

ビジネスモデルをどう創造するか。アイディアの生み出し方を多様な切り口と事例から紹介し、再現可能な方法論に落とし込む。 アイディア創出から、ビジネスモデル構築、事業の循環まで―― 日本におけるビジネスモデル研究の第一人者が、実務の最前線で活用されている方法、海外のイノベーション教育プログラム、学術の先端領域、を数多くの事例、ビジュアルとともに一冊に凝縮した「実践ガイドブック」。 【本書の主な内容】 第１部　ビジネスモデルの基本 ビジネスモデルとは何か、それを学ぶ意義がどこにあるのか。これらの前提を押さえたうえで、フレームワークの使い方や、ビジネスモデルを創造するサイクルについて学びます。 第２部　分析から発想への「飛躍」 異業種のビジネスモデルを模倣する発想法、常識を疑うブラケティング発想法、過去から未来へのトレンドを書き出す未来洞察法など、アイディアを発想する方法を紹介します。 第Ⅲ部　発想をカタチにして検証 世界で活躍するデザインファームは、どのようにプロトタイプ（試作）をつくり、筋の良さを確かめるのかについて、ビジュアルな表現やストーリーで語る方法を説明します。 第Ⅳ部　ビジネスモデルの発展的学習 成長する仕組みづくりに向けた好循環のあり方、創造的なアイディアを得るための人脈づくり、サイエンスとアートのバランスを保つことの大切さなどを紹介します。 第１部　ビジネスモデルの基本 第１章　チャンスを見逃すな 第２章　エジソンは何をした人？ 第３章　ビジネスモデルを学ぶ意義 第４章　フレームワークとうまく付き合う 第５章　ビジネスモデルの創造サイクル 第２部　分析から発想への「飛躍」 第６章　良い模倣と悪い模倣 第７章　反面教師からの良い学び 第８章　ビジネスの「当たり前」を疑う 第９章　未来を予測して発想する 第３部　発想をカタチにして検証 第１０章　肝心なものは描かない 第１１章　美しい「経験価値」のストーリーをつくる 第１２章　パートナーと「共創する」 第１３章　技術と市場の「運命の出会い」 第４部　ビジネスモデルの発展的学習 第１４章　好循環をつくる 第１５章　創造性の神話を超えて 第１６章　事業創造はサイエンスかアートか 第１７章　ビジネスモデルを学術的に読み解く 付録１　ビジネスモデルの「型」：パターン化の事例集 付録２　発想法のワークショップ

最短経路で平易に理解できる、今までにない入門書！「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。 最短経路で平易に理解できる、今までにない入門書！ ベイズ主義機械学習（ベイズ学習）の基本原理にのっとり、「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。どこまでも分かりやすい！ 【主な内容】 1　機械学習とベイズ学習 2　基本的な確率分布 3　ベイズ推論による学習と予測 4　混合モデルと近似推論 5　応用モデルの構築と推論 【機械学習スタートアップシリーズ】 本シリーズは、「機械学習ブーム」の先駆けとして2015年から刊行されている『機械学習プロフェッショナルシリーズ』の弟分的な存在を目指す、注目の新シリーズです。 「機械学習をもっと身近に、機械学習をもっとわかりやすく！」を合言葉に、より丁寧な記述で、基本的なテーマを解説していきます。 まず、以下の2点を同時に刊行いたします(^o^)/ 『これならわかる深層学習入門』瀧 雅人･著 『ベイズ推論による機械学習入門』須山 敦志･著/杉山 将･監修 第1章　機械学習とベイズ学習 機械学習とは/機械学習の代表的なタスク/機械学習の 2 つのアプローチ/確率の基本計算/グラフィカルモデル/ベイズ学習のアプローチ 第2章　基本的な確率分布 期待値/離散確率分布/連続確率分布 第3章　ベイズ推論による学習と予測 学習と予測/離散確率分布の学習と予測/1次元ガウス分布の学習と予測/多次元ガウス分布の学習と予測/線形回帰の例 第4章　混合モデルと近似推論 混合モデルと事後分布の推論/確率分布の近似手法/ポアソン混合モデルにおける推論/ガウス混合モデルにおける推論 第5章　応用モデルの構築と推論 線形次元削減/非負値行列因子分解/隠れマルコフモデル/トピックモデル/テンソル分解/ロジスティック回帰/ニューラルネットワーク

いくつもの事業を起こした著者が自身の経験をふまえ、金持ち父さんに学んだ起業家の心構えを説く。よく学び、充分に準備してから始…

ＲとＰｙｔｈｏｎ両方学べる。コスパ最強の一冊！「データサイエンスの準備」にページを割いたから、プログラミング経験ゼロで大丈夫 ◆RとPython両方学べる。コスパ最強の一冊！◆ ・コードが理解の試金石！ ・「データサイエンスの準備」にページを割いているから、プログラミング経験ゼロで大丈夫！　 ・自分に合った言語を見つけたい、言語を乗り換えたいという方にもおすすめ！ [サポートサイト] https://github.com/taroyabuki/fromzero [主な内容] 第1部　データサイエンスのための準備 1章　コンピュータとネットワーク 2章　データサイエンスのための環境 3章　RとPython 4章　統計入門 5章　前処理 第2部　機械学習 6章　機械学習の目的・データ・手法 7章　回帰1（単回帰） 8章　回帰2（重回帰） 9章　分類1（多値分類） 10章　分類2（2値分類） 11章　深層学習とAutoML 12章　時系列予測 13章　教師なし学習 付録A　環境構築 第1部　データサイエンスのための準備 1章　コンピュータとネットワーク 1.1　コンピュータの基本操作 1.2　ネットワークのしくみ 2章　データサイエンスのための環境 2.1　実行環境の選択 2.2　クラウド 2.3　Docker 2.4　ターミナルの使い方 2.5　RとPython 2.6　サンプルコードの利用 3章　RとPython 3.1　入門 3.2　関数 3.3　コレクション 3.4　データフレーム 3.5　1次元データの（非）類似度 3.6　Rのパッケージ，Pythonのモジュール 3.7　反復処理 3.8　その他 4章　統計入門 4.1　記述統計 4.2　データの可視化 4.3　乱数 4.4　統計的推測 5章　前処理 5.1　データの読み込み 5.2　データの変換 第2部　機械学習 6章　機械学習の目的・データ・手法 6.1　機械学習の目的（本書の場合） 6.2　機械学習のためのデータ 6.3　機械学習の手法 7章　回帰1（単回帰） 7.1　自動車の停止距離 7.2　データの確認 7.3　回帰分析 7.4　当てはまりの良さの指標 7.5　K最近傍法 7.6　検証 7.7　パラメータチューニング 8章　回帰2（重回帰） 8.1　ブドウの生育条件とワインの価格 8.2　重回帰分析 8.3　標準化 8.4　入力変数の数とモデルの良さ 8.5　変数選択 8.6　補足：正則化 8.7　ニューラルネットワーク 9章　分類1（多値分類） 9.1　アヤメのデータ 9.2　木による分類 9.3　正解率 9.4　複数の木を使う方法 9.5　欠損のあるデータでの学習 9.6　他の分類手法 10章　分類2（2値分類） 10.1　2値分類の性能指標 10.2　トレードオフ 10.3　2値分類の実践 10.4　ロジスティック回帰 11章　深層学習とAutoML 11.1　Kerasによる回帰 11.2　Kerasによる分類 11.3　MNIST：手書き数字の分類 11.4　AutoML 12章　時系列予測 12.1　日時と日時の列 12.2　時系列データの予測 13章　教師なし学習 13.1　主成分分析 13.2　クラスタ分析 付録A　環境構築

大前研一の「頭の中」を手本にあの会社のビジネスモデルを学ぼう！ ＢＢＴ大学での人気授業を書籍化！「もし、自分が社長だったら？」……ニトリ、Airbnb、コカ・コーラ等など、今話題の企業の「経営課題」に取り組みながら、「ビジネスモデル」のつくり方を学ぶ１冊。

あの会社の「ビジネスモデル」が見るだけでわかる！　自分でも作れる！ ★７万部突破！ 書店ランキングでも続々ランクイン！！ ★会社員からクリエイター、学生、経営者まで幅広い層から支持されています 「定説」が通用しない時代。うまくいっているビジネスモデルにはどんな共通点があるのか? 本書では、AmazonGoからポプテピピックまで100の事例を図解。すべてを同じフォーマットで比べながら、その「すごい仕組み」を学べる一冊です。 ●序章　「ビジネスモデル2.0」とは何か？　「逆説の構造」のモデルが勝ち残る時代 ●第１章　モノ　新たな「コアバリュー」を提供する Spacious 開店前のレストランがコワーキングスペースに　 セイコーマート　　セブン-イレブンも圧倒する地域密着型コンビニ　 ライザップ　　「結果にコミット」を支える徹底した仕組み化 ●第２章　カネ　新たな「お金の流れ」をつくる タイムバンク　　「時は金なり」を実現。時間を売買できるマーケットプレイス CASH 写真を撮るだけで、持ち物をすぐ「現金化」できる ポリポリ　　市民と政治家のコミュニケーションを促すアプリ ●第３章　 情報　新たな「テクノロジー」を使う ZOZOSUIT ZOZOが仕掛ける「採寸用ボディースーツ」 Amazon Go シアトルにAmazonが出店した「無人コンビニ」　 芝麻信用　　人脈や素行など「個人の信用」を点数化する仕組み ●第４章　ヒト　新たな「ステークホルダー」を巻き込む ポプテピピック　　ファンの間で熱狂的な人気を誇る「クソアニメ」 WeLive 　 「WeWork」（シェアオフィス）に続く、コミュニティ重視の居住スタイル Humanium 違法な銃がおしゃれな時計や自転車に変わる AmazonGo（米国）、芝麻信用（中国）、タイムバンク、サイゼリヤ……世界最先端企業から日本のスタートアップ、誰もが知る大企業までを同じフォーマットで図解。見るだけで「すごい仕組み」を学べる一冊！ ●序章　「ビジネスモデル2.0」とは何か？　「逆説の構造」のモデルが勝ち残る時代 ●第１章　モノ　新たな「コアバリュー」を提供する 　Spacious 開店前のレストランがコワーキングスペースに　 　セイコーマート　　セブン-イレブンも圧倒する地域密着型コンビニ　 　ライザップ　　「結果にコミット」を支える徹底した仕組み化 ●第２章　カネ　新たな「お金の流れ」をつくる 　タイムバンク　　「時は金なり」を実現。時間を売買できるマーケットプレイス 　CASH 写真を撮るだけで、持ち物をすぐ「現金化」できる 　ポリポリ　　市民と政治家のコミュニケーションを促すアプリ ●第３章　 情報　新たな「テクノロジー」を使う 　ZOZOSUIT ZOZOが仕掛ける「採寸用ボディースーツ」 　Amazon Go シアトルにAmazonが出店した「無人コンビニ」　 　芝麻信用　　人脈や素行など「個人の信用」を点数化する仕組み ●第４章　ヒト　新たな「ステークホルダー」を巻き込む 　ポプテピピック　　ファンの間で熱狂的な人気を誇る「クソアニメ」 　WeLive 　 「WeWork」（シェアオフィス）に続く、コミュニティ重視の居住スタイル 　Humanium 違法な銃がおしゃれな時計や自転車に変わる

機械学習の原理を知るための、初めての入門書 本書は具体的なデータ分析の手法を説明する意図で書かれたものではありません。 実用的な目的ならscikit-learnやChainerなどの既存のフレームワークを使うべきですが、本書では機械学習のいくつかの有名なアルゴリズムを、自分でゼロから実装することを目標としています。こうすることにより、とかくブラックボックスになりがちな機械学習の仕組みを理解し、さらなる応用力と問題解決力を身につけることができるようになります。 また、処理系にはデファクトスタンダードであるPythonを使い、機械学習に必要な数学の知識もわかりやすく解説しています。 これから機械学習を始める学生さんや、いきなりプロジェクトに放り込まれていまいち理解できないままデータ分析の仕事をしているエンジニアの方にも最適です。 ●目次 はじめに 第01章　学習を始める前に 　01 本書の目的 　02 本書は何を含まないか 　03 機械学習の初歩 　04 実行環境の準備 第02章　Pythonの基本 　01 プログラムの実行方法 　02 基本的な文法 　03 数値と文字列 　04 複数行処理 　05 制御構造 　06 リスト、辞書、集合 　07 関数定義 　08 オブジェクト指向 　09 モジュール 　10 ファイル操作 　11 例外処理 第03章　機械学習に必要な数学 　01 基本事項の確認 　02 線形代数 　03 微積分 第04章　Pythonによる数値計算 　01 数値計算の基本 　02 NumPyの基本 　03 配列の基本計算 　04 疎行列 　05 NumPy/SciPyによる線形代数 　06 乱数 　07 データの可視化 　08 数理最適化 　09 統計 第05章　機械学習アルゴリズム 　01 準備 　02 回帰 　03 リッジ回帰 　04 汎化と過学習 　05 ラッソ回帰 　06 ロジスティック回帰 　07 サポートベクタマシン 　08 k-Means法 　09 主成分分析（PCA） INDEX はじめに 第01章　学習を始める前に 　01 本書の目的 　02 本書は何を含まないか 　03 機械学習の初歩 　04 実行環境の準備 第02章　Pythonの基本 　01 プログラムの実行方法 　02 基本的な文法 　03 数値と文字列 　04 複数行処理 　05 制御構造 　06 リスト、辞書、集合 　07 関数定義 　08 オブジェクト指向 　09 モジュール 　10 ファイル操作 　11 例外処理 第03章　機械学習に必要な数学 　01 基本事項の確認 　02 線形代数 　03 微積分 第04章　Pythonによる数値計算 　01 数値計算の基本 　02 NumPyの基本 　03 配列の基本計算 　04 疎行列 　05 NumPy/SciPyによる線形代数 　06 乱数 　07 データの可視化 　08 数理最適化 　09 統計 第05章　機械学習アルゴリズム 　01 準備 　02 回帰 　03 リッジ回帰 　04 汎化と過学習 　05 ラッソ回帰 　06 ロジスティック回帰 　07 サポートベクタマシン 　08 k-Means法 　09 主成分分析（PCA） INDEX

成功するビジネスモデルは55パターンに分類される！ 成功するビジネスモデルは55パターンに分類される！ ビジネスモデルのイノベーションは、天才のひらめきによって生まれると思われがちですが、 日本企業では個人のひらめきで事業を動かすことが難しいことも事実です。 スイス・ザンクトガレン大学のガスマン教授は長年ビジネスモデルを研究し、 成功企業のビジネスモデルは55種類のモデルパターンのいずれかに分類される ということを突きとめました。 本書は、この55パターンの組み合わせや創造的な模倣によって、 新しいビジネスモデルを創出するツールを紹介する画期的な内容です。 天才のひらめきではなく、ビジネスモデルをシステマチックに構築するノウハウは、 企業文化で日本と共通点の多いドイツでも多くの実績をあげています。 例えば、次のような新たなビジネスモデルに関する戦略が紹介されています。 ジレット社のカミソリの替え刃で実績のある「サプライ品モデル（本書でのビジネスモデル・ナンバー39）」を、 コーヒー業界に適用することを考えたネスレ社は、 さらに、「ロックイン・モデル（ナンバー27）」「直販モデル（ナンバー12）」も組み合わせることで ネスプレッソを生み出した。 その成功実績を自社の別商品（お茶：Special.T、離乳食：BabyNes）にも 展開することでさらなる相乗効果が得られた――。 55種類のパターンを学ぶことで自社のビジネスモデル革新に挑戦してください。 PART 1　ビジネスモデル革新の手引き 　1.ビジネスモデルとはなにか？ 　2.ビジネスモデル・ナビゲーター 　3.変革の管理 PART 2　ビジネスモデル全55の勝ちパターン アドオン／アフィリエイト／合気道／オークション／バーター／キャッシュマシン／クロスセル／クラウドファンディング／クラウドソーシング／カスタマーロイヤルティ／デジタル化／直販モデル／Eコマース／体験の販売／フラット料金／部分所有／フランチャイズ／フリーミアム／プル戦略への移行／稼動保証／隠れた収益源／素材ブランディング／インテグレーター／専門特化プレイヤー／顧客データ活用／ライセンシング／ロックイン／ロングテール／保有能力の活用／マス・カスタマイゼーション／格安製品／オープンビジネス／オープンソース／オーケストレーター／従量課金／賽銭方式／個人間取引／成果報酬型契約／サプライ品モデル／レンタルモデル／レベニューシェア／リバースエンジニアリング／リバースイノベーション／ロビンフッド／セルフサービス／店舗内出店／ソリューションプロバイダー／サブスクリプション／スーパーマーケット／低所得層ターゲット／廃品リサイクル／両面マーケット／究極の逸品／プロシューマー／OEM製品／

生成型ディープラーニングの解説。人間にしかできないと思われていた創造的な作業を機械に行わせる技術の基礎から応用までを学ぶ。 生成型ディープラーニングの基礎から応用までを網羅！ 生成型ディープラーニングの解説書。「絵を描く」「曲を作る」といった、これまで人間にしかできないと思われていた創造的な作業を機械に行わせるという、いま最もホットな技術の基礎から応用までをJupyterノートブック環境で実際に試しながら学びます。第I部は基礎編です。機械学習プログラミング、変分オートエンコーダ、GANやVAEなど、生成モデルの作成において重要な基礎技術を学びます。第II部は応用編です。CycleGAN、エンコーダ―デコーダモデル、MuseGANなどのモデルを作成し、作画、作文、作曲といった創造的なタスクに取り組みます。さらには、実環境を用いずにゲームプレイAIの学習を可能にする、世界モデルを使った強化学習にも取り組みます。最後に生成モデリングの未来として、StyleGAN、BigGAN、BERT、GPT-2、MuseNetなどのアーキテクチャを紹介します。

パターン認識と統計的学習の概要 特徴空間の構成と統計的性質 線形識別の方法 ナイーブベイズ法 線形部分空間による次元縮約 テンプレートマッチングとk最近傍識別法 決定木 集団学習法 非線形判別関数とニューラルネットワーク カーネル法〔ほか〕

船井財団が毎年表彰しているグレートカンパニーアワード。受賞企業から８社セレクトし、各社のビジネスモデルの優秀性を解説。 8000社の選考対象企業から、船井財団が毎年10社前後の会社を表彰しているグレートカンパニーアワード。これまでの受賞企業から８社をセレクト。同社の評価ポイントを解説するとともに、これらの企業の各社のビジネスモデルの優秀性を解説。

Rを利用してパターン認識の様々な方法を解説 パターン認識とは、対象の特徴量から対象が属するカテゴリを推測する方法をさす。本書では、フリーソフトウェアであるRを利用して、パターン認識のさまざまな方法を解説している。手法としては、判別分析、ロジスティック回帰、k平均法、k近傍法、階層的クラスタリングといった古典的な方法から、サポートベクターマシンやブースティングといった比較的最近の話題まで取り上げている。各章は独立に読むことができるように構成され、簡単な例題をRを用いて実際に解析しながら読み進むことにより、パターン認識の基本的な考え方を身に着けることができる。また付録としてRの基本的な操作の説明と、アルゴリズムの実装例を紹介している。 第1章　判別能力の評価 第2章　k-平均法 第3章　階層的クラスタリング 第4章　混合正規分布モデル 第5章　判別分析 第6章　ロジスティック回帰 第7章　密度推定 第8章　k-近傍法 第9章　学習ベクトル量子化 第10章　決定木 第11章　サポートベクターマシン 第12章　正則化とパス追跡アルゴリズム 第13章　ミニマックス確率マシン 第14章　集団学習 第15章　2値判別から多値判別へ 付録A　Rの使い方 付録B　プログラムの実装例

文科と理科両方の学生のために，統計的なものの考え方の基礎をやさしく解説するとともに，統計学の体系的な知識を与えるように，編集・執筆された．豊富な実際例を用いつつ，図表を多くとり入れ，視覚的にもわかりやすく親しみながら学べるよう配慮した． 第1章 統計学の基礎（中井検裕，縄田和満，松原 望） 第2章 1次元のデータ（中井検裕） 第3章 2次元のデータ（中井研裕，松原 望） 第4章 確率（縄田和満，松原 望） 第5章 確率変数（松原 望） 第6章 確率分布（松原 望） 第7章 多次元の確率分布（松原 望） 第8章 大数の法則と中心極限定理（中井検裕） 第9章 標本分布（縄田和満） 第10章 正規分布からの標本（縄田和満） 第11章 推定（縄田和満） 第12章 仮説検定（縄田和満，松原 望） 第13章 回帰分析（縄田和満） 統計数値表 練習問題の解答

45カ国のイノベーターによるビジネスモデルのイノベーション実践ガイド 現在世界中で主なコンサルタントと会社によって使用されている実用的な革新のテクニックを披露。3M、エリクソン、デロイトなどの一流企業で利用されています。これまでの時代遅れな概念を捨て去り、価値創成の新しいモデルを掲げたこの本はすべての組織のマーケッターや開発社員、コンサルタント、企業家、およびリーダーにとって読み応えのある一冊です。 ビジネスモデルを9つの要素に分解することで、深いレベルで顧客、販売チャネル、パートナー、収入の流れ、原価構造などが理解できます。また、一般的なパターンを、豊富な事例を元に、すばらしいグラッフィクを用いて詳細に解説。ビジネスモデルの理解、設計、実行を系統的に学ぶことができます。本書はいわば、イノベーションを起すための、革新的かつ斬新な「ビジネスモデル発生装置」です。 Canvas　キャンバス ビジネスモデルの定義 9つの構築ブロック ビジネスモデルキャンバス Patterns　パターン アンバンドルビジネスモデル ロングテール マルチサイドプラットフォーム ビジネスモデルとしてのフリー戦略 オープンビジネスモデル Design　デザイン 顧客インサイト アイデア創造 ビジュアルシンキング プロトタイピング ストーリーテリング シナリオ Strategy　戦略 ビジネスモデル環境 ビジネスモデル評価 ブルーオーシャン戦略におけるビジネスモデル 複数のビジネスモデル運営 Process　プロセス ビジネスモデルのデザインプロセス Outlook　展望 展望 Afterword　あとがき この本はどのようにできあがったか 参考文献

数理統計学とRの使い方を同時にマスター．既に刊行している「一変量統計編」の続刊．数理統計学とRをより実践的に活用できるよう工夫を凝らした書． 目　次： 第1章　分割表の検定(1) 1.1　統計で用いられるデータの種類 質的データ／量的データ 1.2　適合度検定 1.3　適合度検定をやってみる 1.4　カイ二乗統計量 1.5　尤度比検定 1.6　カイ二乗検定の数学的仕組み 1.7　章末問題 第2章　分割表の検定(2) 2.1　分割表の独立性の検定 2.2　2×2分割表 イエーツの補正／一般的な2×2分割表のカイ二乗値 2.3　母比率の差の検定 2標本の比率の検定の数学的原理 2.4　フィッシャーの正確検定 フィッシャーの正確検定の計算原理 2.5　独立性の検定が役に立つ場合 2.6　残差分析 2.7　章末問題 第3章　単回帰分析 3.1　散布図を近似する直線を求める 回帰直線の当てはまりのよさ／最小二乗法と最尤推定との関係 3.2　Rにおける決定係数 定数項(切片)を0とした場合 3.3　説明変数と被説明変数の取り方で回帰直線が変わること 3.4　外れ値の影響 3.5　章末問題 第4章　赤池情報量基準によるモデル選択 4.1　cars再考 4.2　AIC (赤池情報量基準) 4.3　AICについて カルバック＝ライブラー情報量／正規分布に対する KL情報量 4.4　AICの導出の概略 4.5　KL情報量の性質についての補足 4.6　章末問題 第5章　線形モデル 5.1　線形モデルの定式化 5.2　最小二乗推定パラメータの性質 5.3　分散σ2の不偏推定量 5.4　母数の検定 5.5　 ^α, ^β の分布を見る 5.6　章末問題 第6章　曲線の当てはめ 6.1　lmを用いた曲線当てはめがうまくいく場合 6.2　lmによる当てはめが使えない場合-非線形最小二乗法 6.3　nls関数に関するいくつかの注意 6.4　変数変換と直線回帰を組み合わせる方法 両対数グラフが直線的な場合／より複雑な変換を必要とする場合 6.5　章末問題 第7章　重回帰分析 (1) 7.1　ワインの価格を予想する 7.2　重回帰分析の原理 7.3　分析例 7.4　Excelファイルのデータを読み込む 7.5　章末問題 第8章　重回帰分析 (2) 8.1　多重共線性とは何か 8.2　多重共線性の数学的仕組み 8.3　多重共線性のシミュレーション例 8.4　正しく推定できる場合 8.5　交互作用 交互作用の例 8.6　ダミー変数 8.7　章末問題 第9章　一般化線形モデルの基礎 9.1　一般化線形モデルの定義 条件付き期待値／一般化線形モデルの概要 9.2　指数型分布族 指数型分布族の期待値と分散 9.3　フィッシャー情報行列 9.4　一般化線形モデルのパラメータ最尤推定 9.5　スコア関数の具体的な形 9.6　残差逸脱度 9.7　章末問題 第10章　二項選択モデル 10.1　二項選択モデルの考え方 10.2　ロジスティックモデルとプロビットモデル 10.3　ロジスティックおよびプロビット回帰分析の例 ロジットモデルとプロビットモデルの母数の推定値 10.4　より複雑なモデルへの適用 10.5　章末問題 第11章　計数データへの一般化線形モデルの適用 11.1　ポアソンモデル 11.2　ポアソンモデルの適用例 11.3　負の二項分布モデル 負の二項分布／warpbreaks 11.4　章末問題 第12章　多変量正規分布とその応用 12.1　多変量の正規分布 12.2　集中楕円 集中楕円を描いてみる 12.3　集中楕円と分散共分散行列の固有値の関係を確認する 相関係数の区間推定／二次元正規乱数の応用 12.4　相関のない二次元正規分布に対する t0の分布 相関係数の区間推定の数学的原理 12.5　章末問題 第13章　主成分分析 13.1　主成分分析の考え方 13.2　Rによる主成分分析 13.3　USArrestsを用いた分析例 13.4　章末問題 第14章　分散分析と多重比較入門 14.1　三群以上の比較問題 平均点に差があるか?／データの様子を調べる／Rによる一元配置分散分析 14.2　一元配置分散分析の数学的原理 全変動の分解公式／F分布 14.3　多重比較 ボンフェローニの方法／ホルムの方法／チューキーの方法 14.4　二元配置分散分析 14.5　章末問題

全国400万人の中小企業経営者、個人事業主の方へ! 1日15分! 50個の公式に当てはめるだけであなたの会社が爆発的に儲かりだす! ◆読むだけで「勝ち組の仕事」がどんどん生まれる! 「成功するしくみ」を思いつくためのアイデア公式集。 ◇本書「はじめに」より抜粋 突然ですが、御社のビジネスには競合他社にない「ビジネスモデル」はありますか? もし、仮になくても心配ご無用です。 この本を1日15分、ちょっとした「スキマ時間」に目を通すだけで、御社オリジナルのビジネスモデルを思いつき、6カ月後には借入金すら雲散霧消しているでしょう。 この本は、ビジネスモデルを発想するための本です。 既存のビジネスモデルの書籍との違いは次の3点です。 1、中小企業、個人事業主向けであること 2、1日15分読めばOK! であること 3、実戦的な内容であること 「大学では教えてくれないこと」を意識して、この本をまとめています。 事例はベンチャー、中小企業。読まないことを前提とした構成。そして実戦的な内容。 長年に渡ってビジネスと格闘してきたあなたのお役に立つはずです。 第1章 ビジネスモデルは一部の天才だけのものではない 第2章 ビジネスモデルを生み出す発想法 第3章 実例で見るビジネスモデルの公式50

企画立案、プロジェクト実行、組織マネジメントに即効！思考がどんどんカタチになるフレームワーク集！ 「アイデアが浮かばない！」 「会議がまとまらない！」 「意思決定で迷ってしまう！」 そんな悩みをお持ちの方に捧げるフレームワーク集です。 【掲載フレームワーク】 ・問題や課題を発見するフレーム……8点 ・市場を分析するフレーム……13点 ・課題解決のアイデアを練るフレーム……10点 ・戦略を立案するフレーム……14点 ・業務を改善するフレーム……10点 ・組織をマネジメントするフレーム……11点 ・他者に伝える・共有するフレーム……4点 【本書のポイント】 ・個人はもちろん、チームでも活用できる ・使い方のほか、活用のヒントも多数掲載 ・すべて記入例がありイメージしやすい ・PowerPointテンプレートですぐ使える 【掲載フレームワーク（一部）】 ・As is ／ To be ・なぜなぜ分析 ・ロジックツリー ・緊急度／重要度マトリクス ・意思決定マトリクス ・ファイブフォース分析 ・SWOT分析 ・パレート分析 ・ペルソナ・共感マップ ・カスタマージャーニーマップ ・4P分析 ・バリューチェーン分析 ・コア・コンピタンス分析 ・ブレインライティング ・マンダラート ・シナリオグラフ ・オズボーンのチェックリスト ・ストーリーボード ・プロコン表 ・ペイオフマトリクス ・アンゾフの成長マトリクス ・STP ・ビジネスモデル・キャンバス ・ガントチャート ・KPIツリー ・AARRR ・KPT ・PDCA ・PERT図 ・RACI ・ムリ・ムダ・ムラ（ダラリの法則）・Will／Can／Must ・Need／Wantマトリクス ・認知／行動ループ ・PM理論 ・ステークホルダー分析 ・動機付け・衛生理論 ・GROWモデル 序章　フレームワークを活用するために 第1章　問題・課題を発見する STEP1　問題をあぶり出す -01　As is／To be -02　6W2H -03　なぜなぜ分析 -04　コントロール可能／不可能 STEP2　問題を整理する -05　ロジックツリー -06　課題設定シート STEP3　優先順位の決定 -07　緊急度／重要度マトリクス -08　意思決定マトリクス コラム　他責と自責のどちらで考えるか 第2章　市場を分析する STEP1　マクロ環境や自社について分析する -09　PEST分析 -10　ファイブフォース分析 -11　VRIO分析 -12　SWOT分析 STEP2　顧客について分析する -13　パレート分析 -14　RFM分析 -15　ペルソナ -16　共感マップ -17　カスタマージャーニーマップ STEP3　競合について分析する -18　4P分析 -19　4P＋誰に何を分析 -20　バリューチェーン分析 -21　コア・コンピタンス分析 コラム　定量・定性の違いをきちんと知っておこう 第3章　課題解決のためのアイデアを練る STEP1　制限なくアイデアを発想する -22　ブレインライティング -23　マンダラート -24　形態分析法 -25　シナリオグラフ -26　オズボーンのチェックリスト STEP2　アイデアを形にしてみる -27　アイデアシート -28　ストーリーボード STEP3　アイデアの評価と選択 -29　プロコン表 -30　SUCCESs -31　ペイオフマトリクス コラム　アイデア発想や評価の場面では「バイアス」に気を付けよう 第4章　戦略を立案する STEP1　戦略の方向性を考える -32　プロダクト・ポートフォリオ・マネジメント -33　アンゾフの成長マトリクス -34　クロスSWOT -35　STP -36　ポジショニングマップ STEP2　どのように実現するかを考える -37　ビジネスモデル・キャンバス -38　スキーム図 -39　AIDMA -40　ガントチャート -41　組織図 STEP3　目標を設定する -42　ロードマップ -43　KPIツリー -44　AARRR -45　SMART コラム　バックキャスティングとフォアキャスティング 第5章　業務を改善する STEP1　結果を振り返る -46　KPT -47　YWT -48　PDCA（チェックシート） STEP 2　業務の状態を可視化する -49　業務棚卸シート -50　業務フロー図 -51　PERT図 -52　RACI STEP3　改善策を考える -53　ムリ・ムダ・ムラ（ダラリの法則） -54　ECRS -55　業務改善提案シート コラム　会議運営を担当する場合に押さえておきたいポイント 第6章　組織をマネジメントする STEP1　目的を共有する -56　ミッション・ビジョン・バリュー -57　Will／Can／Must -58　Need／Wantマトリクス STEP 2　メンバー間の関係性の質を高める -59　ジョハリの窓 -60　認知／行動ループ -61　ウォント／コミットメント -62　PM理論 -63　ステークホルダー分析 STEP3　メンバーのモチベーションを高める -64　動機付け・衛生理論 -65　Will／Skillマトリクス -66　GROWモデル コラム　会議を行う際はグランドルールを設定しておく 第7章　他者に伝える・共有する STEP1　情報を伝える -67　商品企画書 -68　イベント企画書 -69　PREP -70　TAPS 巻末付録1　フレームワークの活用MAP 巻末付録2　フレームワーク活用場面の一覧表

自然言語処理編

　機械学習とは，コンピュータに学習能力を持たせるための方法論を研究する学問の名称であり，もともとは人工知能分野の一部として研究されていた。その後，機械学習は統計学と密接な関わりを持つようになり，「統計的学習」として独自の発展の道を歩み始めた。そして，1990年代から現在に至るまでの計算機やインターネットの爆発的な普及と相まって統計的学習の技術は目覚ましい発展を遂げ，いまや情報検索，オンラインショッピングなど，われわれの日常生活とは切り離すことのできない情報通信技術の根幹を支える重要な要素技術の一つとなった。 　本書は，このような発展著しい統計的学習分野の世界的に著名な教科書である“The Elements of Statistical Learning” の全訳である。回帰や分類などの教師あり学習の入門的な話題から，ニューラルネットワーク，サポートベクトルマシンなどのより洗練された学習器，ブースティングやアンサンブル学習などの学習手法の高度化技術，さらにはグラフィカルモデルや高次元学習問題に対するスパース学習法などの最新の話題までを幅広く網羅しており，計算機科学などの情報技術を専門とする大学生・大学院生，および，機械学習技術を基礎科学や産業に応用しようとしている大学院生・研究者・技術者にとって最適な教科書である。 第1章　序章 第2章　教師あり学習の概要 2.1 導入 2.2 変数の種類と用語 2.3 予測のための二つの簡単なアプローチ：最小2乗法と最近傍法 　　2.3.1 線形モデルと最小2乗法 　　2.3.2 最近傍法 　　2.3.3 最小2 乗法から最近傍法へ 2.4 統計的決定理論 2.5 高次元での局所的手法 2.6 統計モデル，教師あり学習，関数近似 　　2.6.1 同時分布Pr(X,Y) のための統計モデル 　　2.6.2 教師あり学習 　　2.6.3 関数近似 2.7 構造化回帰モデル 　　2.7.1 なぜ問題が困難なのか 2.8 制限付き推定法 　　2.8.1 粗度に対する罰則とベイズ法 　　2.8.2 カーネル法と局所回帰 　　2.8.3 基底関数と辞書による方法 2.9 モデル選択と，バイアスと分散のトレードオフ 第3章　回帰のための線形手法 3.1 導入 3.2 線形回帰モデルと最小2乗法 　　3.2.1 例：前立腺癌 　　3.2.2 ガウス＝マルコフ定理 　　3.2.3 単純な単回帰から重回帰へ 　　3.2.4 複数の目的変数 3.3 変数選択 　　3.3.1 最良変数組み合わせ選択 　　3.3.2 前向き/後向き漸次的選択法 　　3.3.3 前向き段階的回帰 　　3.3.4 例：前立腺癌（続き） 3.4 縮小推定 　　3.4.1 リッジ回帰 　　3.4.2 lasso 　　3.4.3 考察：部分集合選択，リッジ回帰，lasso 　　3.4.4 最小角回帰 3.5 入力に対して線形変換を行う方法 　　3.5.1 主成分回帰 　　3.5.2 部分最小2乗法 3.6 考察：選択法と縮小法の比較 3.7 複数の目的変数の縮小推定と変数選択 3.8 lasso と関連する解追跡アルゴリズムに関する詳細 　　3.8.1 逐次前向き段階的回帰 　　3.8.2 区分的線形解追跡アルゴリズム 　　3.8.3 ダンツィク選択器 　　3.8.4 グループlasso 　　3.8.5 lasso の性質について 　　3.8.6 総当たり座標最適化 3.9 計算上考慮すべき事柄 第4章　分類のための線形手法 4.1 導入 4.2 指示行列の線形回帰 4.3 線形判別分析 　　4.3.1 正則化判別分析 　　4.3.2 線形判別分析の計算 　　4.3.3 階数低減型線形判別分析 4.4 ロジスティック回帰 　　4.4.1 ロジスティック回帰モデルの当てはめ 　　4.4.2 例：南アフリカの心臓疾患データ 　　4.4.3 2 次近似と2 次推測 　　4.4.4 L1 正則化付きロジスティック回帰 　　4.4.5 ロジスティック回帰か線形判別分析か 4.5 分離超平面 　　4.5.1 ローゼンブラットのパーセプトロン学習アルゴリズム 　　4.5.2 最適分離超平面 第5章　基底展開と正則化 5.1 導入 5.2 区分的多項式とスプライン 　　5.2.1 3次自然スプライン 　　5.2.2 例：南アフリカの心臓疾患データ 　　5.2.3 例：音素認識 5.3 フィルタリングと特徴抽出 5.4 平滑化スプライン 　　5.4.1 自由度と平滑化行列 5.5 平滑化パラメータの自動選択 　　5.5.1 固定自由度 　　5.5.2 バイアスと分散のトレードオフ 5.6 ノンパラメトリックロジスティック回帰 5.7 多次元スプライン 5.8 正則化と再生核ヒルベルト空間 　　5.8.1 カーネルにより生成される関数空間 　　5.8.2 再生核ヒルベルト空間の例 5.9 ウェーブレット平滑化 　　5.9.1 ウェーブレット基底とウェーブレット変換 　　5.9.2 適応的ウェーブレットフィルタリング 第6章　カーネル平滑化法 6.1 1次元カーネル平滑化手法 　　6.1.1 局所線形回帰 　　6.1.2 局所多項式回帰 6.2 カーネル幅の選択 6.3 R^p における局所回帰 6.4 R^p における構造化局所回帰モデル 　　6.4.1 構造化カーネル 　　6.4.2 構造化回帰関数 6.5 局所尤度およびその他の手法 6.6 カーネル密度推定と識別 　　6.6.1 カーネル密度推定 　　6.6.2 カーネル密度分類器 　　6.6.3 単純ベイズ分類器 6.7 動径基底関数とカーネル 6.8 密度推定と識別のための混合モデル 6.9 計算上考慮すべき事柄 第7章　モデルの評価と選択 7.1 導入 7.2 バイアス，分散，モデルの複雑度 7.3 バイアス－分散分解 　　7.3.1 例：バイアスと分散のトレードオフ 7.4 訓練誤差の最善度 7.5 訓練標本外誤差の推定 7.6 有効パラメータ数 7.7 ベイズ法とベイズ情報量規準 7.8 最小記述長 7.9 バプニック＝チェルボネンキス次元 　　7.9.1 例（続き） 7.10 交差確認 　　7.10.1 K分割交差確認 　　7.10.2 交差確認を実行する正しい方法と間違った方法 　　7.10.3 交差確認は本当に有効か 7.11 ブートストラップ法 　　7.11.1 例（続き） 7.12 条件付きテスト誤差か期待テスト誤差か 第8章　モデル推論と平均化 8.1 導入 8.2 ブートストラップと最尤推定法 　　8.2.1 平滑化の例 　　8.2.2 最尤推定による推論 　　8.2.3 ブートストラップ法vs.最尤推定 8.3 ベイズ法 8.4 ブートストラップ法とベイズ推論の関係 8.5 EM アルゴリズム 　　8.5.1 要素が二つの混合モデル 　　8.5.2 一般の場合のEM アルゴリズム 　　8.5.3 最大化－最大化手法としてのEM 8.6 事後確率分布から標本抽出するためのMCMC 8.7 バギング 　　8.7.1 例：模擬データによる木 8.8 モデルの平均と統合 8.9 確率的探索：バンピング 第9章　加法的モデル，木，および関連手法 9.1 一般化加法的モデル 　　9.1.1 加法的モデルの当てはめ 　　9.1.2 例：加法的ロジスティック回帰 　　9.1.3 まとめ 9.2 木に基づく方法 　　9.2.1 背景 　　9.2.2 回帰木 　　9.2.3 分類木 　　9.2.4 他の問題 　　9.2.5 例：スパムメール（続き） 9.3 抑制的規則導出法 　　9.3.1 例：スパムメール（続き） 9.4 多変量適応的回帰スプライン 　　9.4.1 例：スパムメール（続き） 　　9.4.2 例：試行データ 　　9.4.3 その他の話題 9.5 階層的エキスパート混合モデル 9.6 欠損データ 9.7 計算上考慮すべき事柄 第10章　ブースティングと加法的木 10.1 ブースティング法 　　10.1.1 本章の概要 10.2 ブースティングの加法的モデル当てはめ 10.3 前向き段階的加法的モデリング 10.4 指数損失とアダブースト 10.5 なぜ指数損失関数か 10.6 損失関数とロバスト性 10.7 データマイニングの「万能」手法 10.8 例：スパムデータ 10.9 ブースティング木 10.10 勾配ブースティングによる数値最適化 　　10.10.1 最急降下法 　　10.10.2 勾配ブースティング 　　10.10.3 勾配ブースティングの実装 10.11 ブースティングのための木の適切な大きさ 10.12 正則化 　　10.12.1 縮小法 　　10.12.2 部分標本化 10.13 説明性 　　10.13.1 予測変数の相対的重要性 　　10.13.2 部分依存図 10.14 具体例 　　10.14.1 カリフォルニアの住宅 　　10.14.2 ニュージーランドの魚 　　10.14.3 個人属性情報データ 第11章　ニューラルネットワーク 11.1 導入 11.2 射影追跡回帰 11.3 ニューラルネットワーク 11.4 ニューラルネットワークの当てはめ 11.5 ニューラルネットワークを訓練するときのいくつかの問題 　　11.5.1 初期値 　　11.5.2 過学習 　　11.5.3 入力のスケーリング 　　11.5.4 隠れユニットと隠れ層の数 　　11.5.5 複数の極小解 11.6 例：試行データ 11.7 例：郵便番号データ 11.8 考察 11.9 ベイズニューラルネットワークとNIPS 2003 チャレンジ 　　11.9.1 ベイズ，ブースティング，バギング 　　11.9.2 性能比較 11.10 計算上考慮すべき事柄 第12章　サポートベクトルマシンと適応型判別 12.1 導入 12.2 サポートベクトル分類器 　　12.2.1 サポートベクトル分類器の計算 　　12.2.2 例：混合分布（続き） 12.3 サポートベクトルマシンとカーネル 　　12.3.1 分類のためのSVM の計算 　　12.3.2 罰則化手法としてのSVM 　　12.3.3 関数推定と再生核 　　12.3.4 SVM と次元の呪い 　　12.3.5 SVM 分類器のための解追跡アルゴリズム 　　12.3.6 回帰のためのSVM 　　12.3.7 回帰とカーネル 　　12.3.8 考察 12.4 線形判別分析の一般化 12.5 適応型判別分析 　　12.5.1 FDA 推定値の計算 12.6 罰則付き判別分析 12.7 混合判別分析 　　12.7.1 例：波形データ 12.8 計算上考慮すべき事柄 第13章　プロトタイプ法と最近傍探索 13.1 導入 13.2 プロトタイプ法 　　13.2.1 K 平均クラスタリング 　　13.2.2 学習ベクトル量子化 　　13.2.3 混合ガウス分布 13.3 k 最近傍分類器 　　13.3.1 例：比較研究 　　13.3.2 例：k 最近傍法と画像シーンの分類 　　13.3.3 不変計量と接距離 13.4 適応的最近傍法 　　13.4.1 例 　　13.4.2 最近傍探索のための大域的な次元削減 13.5 計算上考慮すべき事柄 第14章　教師なし学習 14.1 導入 14.2 相関ルール 　　14.2.1 バスケット分析 　　14.2.2 アプリオリアルゴリズム 　　14.2.3 例：バスケット分析 　　14.2.4 教師あり学習としての教師なし学習 　　14.2.5 一般化相関ルール 　　14.2.6 教師あり学習法の選び方 　　14.2.7 例：バスケット分析（続き） 14.3 クラスタ分析 　　14.3.1 類似度行列 　　14.3.2 属性に基づく非類似度 　　14.3.3 オブジェクト間非類似度 　　14.3.4 クラスタリングアルゴリズム 　　14.3.5 組み合わせアルゴリズム 　　14.3.6 K 平均クラスタリング 　　14.3.7 ソフトなK 平均クラスタリングとしての混合ガウス分布 　　14.3.8 例：ヒト腫瘍マイクロアレイデータ 　　14.3.9 ベクトル量子化 　　14.3.10 K メドイドクラスタリング 　　14.3.11 実用上の問題 　　14.3.12 階層的クラスタリング 14.4 自己組織化マップ 14.5 主成分分析と主曲線・主曲面 　　14.5.1 主成分分析 　　14.5.2 主曲線と主曲面 　　14.5.3 スペクトラルクラスタリング 　　14.5.4 カーネル主成分分析 　　14.5.5 疎主成分分析 14.6 非負値行列分解 　　14.6.1 原型分析 14.7 独立成分分析と探索的射影追跡 　　14.7.1 隠れ変数と因子分析 　　14.7.2 独立成分分析 　　14.7.3 探索的射影追跡法 　　14.7.4 独立成分分析への直接的アプローチ 14.8 多次元尺度構成法 14.9 非線形次元削減と局所多次元尺度構成法 14.10 Google ページランクのアルゴリズム 第15章　ランダムフォレスト 15.1 導入 15.2 ランダムフォレストの定義 15.3 ランダムフォレストの詳細 　　15.3.1 抜取標本 　　15.3.2 変数重要度 　　15.3.3 類似度図 　　15.3.4 ランダムフォレストと過学習 15.4 ランダムフォレストの解析 　　15.4.1 分散と無相関効果 　　15.4.2 バイアス 　　15.4.3 適応型最近傍法 第16章　アンサンブル学習 16.1 導入 16.2 ブースティングと正則化軌跡 　　16.2.1 罰則付き回帰 　　16.2.2 「まばらなところに賭けろ」の法則 　　16.2.3 正則化軌跡，過学習，マージン 16.3 アンサンブルの学習 　　16.3.1 良いアンサンブルを学習する 　　16.3.2 規則のアンサンブル 第17章　無向グラフィカルモデル 17.1 導入 17.2 マルコフグラフとその性質 17.3 連続変数に対する無向グラフィカルモデル 　　17.3.1 グラフ構造が既知の場合のパラメータ推定 　　17.3.2 グラフ構造の推定 17.4 離散変数に対する無向グラフィカルモデル 　　17.4.1 グラフ構造が既知の場合のパラメータ推定 　　17.4.2 隠れ頂点 　　17.4.3 グラフ構造の推定 　　17.4.4 制限ボルツマンマシン 第18章　高次元の問題：p ≫ N 18.1 p がN よりもかなり大きい場合 18.2 対角線形判別分析と最近傍縮小重心 18.3 2次正則化を用いた線形分類器 　　18.3.1 正則化判別分析 　　18.3.2 2次正則化を用いたロジスティック回帰 　　18.3.3 サポートベクトル分類器 　　18.3.4 特徴選択 　　18.3.5 p ≫ N の場合の計算上の工夫 18.4 L_1 正則化を用いた線形分類器 　　18.4.1 lasso のタンパク質の質量分析への応用 　　18.4.2 関数型データに対する融合型lasso 18.5 特徴量が使えない場合の分類 　　18.5.1 例：文字列カーネルとタンパク質分類 　　18.5.2 内積カーネルとペア間距離に基づく分類器とその他のモデル 　　18.5.3 例：概要の分類 18.6 高次元回帰：教師あり主成分分析 　　18.6.1 潜在変数モデルとの関係 　　18.6.2 部分最小2 乗法との関係 　　18.6.3 特徴選択のための出力変数の前処理 18.7 特徴量評価と多重検定問題 　　18.7.1 誤り発見率 　　18.7.2 非対称閾値とマイクロアレイ有意性分析法 　　18.7.3 誤り発見率のベイズ的解釈

仕事で機械学習に携わる際に知っておきたい事を伝えるというコンセプトで、機械学習を使った実務に初めて関わる読者のための1冊。 大好評の機械学習実務者向け書籍が最新情報にアップデート！ 2018年に発行された初版から3年ぶりの改訂となる本書は、「仕事で機械学習に携わる際に知っておきたい事」を伝えるというコンセプトはそのままに、3年の間に登場した新たな考え方、手法など最新の情報を踏まえて内容を全面的に見直しました。これまで同様、機械学習を使った実務に初めて関わる読者にとって頼りになる1冊となるでしょう。「バンディットアルゴリズム」を紹介する新章など、追加原稿も多数。 仕事で機械学習に携わる際に知っておきたい事を伝えるというコンセプトで、機械学習を使った実務に初めて関わる読者のための1冊。

実用に供されることの多い回帰分析の方法を，豊富な実例と厳密な数学的証明をおりまぜて解説。 統計手法のうち，最も実用に供されることの多い回帰分析の方法を，豊富な実例と厳密な数学的証明をおりまぜて解説。〔内容〕回帰分析への誘い／ベクトルと行列／多変量正規分布／線形回帰モデル／仮説検定・区間推定・予測／説明変数の問題 1.　回帰分析への誘い 　1.1　２変数回帰 　1.2　最小２乗推定 　1.3　本書のプラン 2.　ベクトルと行列 　2.1　ベクトルとベクトル空間 　2.2　行列と行列式 　2.3　２次形式の標準化 　2.4　不等式と最大最小問題 　2.5　ベクトルの微分とベクトル確率変数 3.　多変量正規分布 　3.1　多変量正規分布 　3.2　２次形式の分布 4.　線形回帰モデル 　4.1　最小２乗推定 　4.2　最小２乗推定量の性質 　4.3　誤差分散σ2 の推定 　4.4　回帰モデルの正準化 　4.5　推定量の分布 5.　仮説検定，区間推定，予測 　5.1　線形制約の検定 　5.2　信頼領域の構成 　5.3　区間予測 6.　標準的諸仮定からのズレ 　6.1　誤差項の相関と分散不均一 　6.2　仮説検定 　6.3　正規分布からのズレ 　6.4　残差の分析 7.　説明変数の問題 　7.1　説明変数選択のための諸基準 　7.2　多重共線性 　7.3　変数変換と非線形性 8.　文献解題 9.　付　表 10.　索　引

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

オークション等の注目のトピックスを盛り込み，解説をさらに丁寧に初学者にわかりやすく，新たに2色刷としてさらに読みやすく一新。 基礎から新しい研究成果までをカバーし，楽しみながらゲーム理論のエッセンスとその考え方を学べるスタンダードテキストの新版。オークション等の注目トピックスを盛り込み，さらに丁寧な解説でわかりやすく，新たに２色刷としてさらに読みやすく一新。 第１章　ゲーム理論とは何だろうか？ 第２章　選択と意思決定 第３章　戦略ゲーム 第４章　ナッシュ均衡点 第５章　利害の対立と協力 第６章　ダイナミックなゲーム 第７章　繰り返しゲーム 第８章　不確実な相手とのゲーム 第９章　交渉ゲーム 第10章　グループ形成と利得分配 第11章　進化ゲーム 第12章　ゲーム実験