【2023最新】「深層学習」のおすすめ本100選!人気ランキング
- ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
- PythonとKerasによるディープラーニング
- ゼロから作るDeep Learning ❷ ―自然言語処理編
- Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎
- 深層学習 (機械学習プロフェッショナルシリーズ)
- 詳解 ディープラーニング ~TensorFlow・Kerasによる時系列データ処理~
- [第2版]Python 機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear)
- 人工知能は人間を超えるか ディープラーニングの先にあるもの (角川EPUB選書)
- 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ
- 機械学習スタートアップシリーズ これならわかる深層学習入門 (KS情報科学専門書)
自然言語処理編
本書はディープラーニング、ニューラルネットワークについての予備知識がなくても学習を進められるようゼロから丁寧に、理論とその実装について解説します。 実装にはPythonのディープラーニング向けのライブラリ、TensorFlow (1.0) およびKeras (2.0) を用います。 「ディープラーニングについて何となくわかってはいるけれど、もう少し理解を深めたい」「画像認識だけでなく、時系列データを分析するためのモデルについても学びたい」という方にとって、学びの役に立つのではないかと思います。 単純パーセプトロンにはじまり、多層パーセプトロン、ディープニューラルネットワーク、リカレントニューラルネットワークなど多くの手法について学びます。扱うデータの種類ごとに考えるべき課題も異なり、それに合わせてネットワークも様々な形に変化させ学習を進めます。 ディープラーニングは1つひとつのテクニックの積み重ねであり、その根底にあるのは「人間の脳をどう数式やアルゴリズムで表現できるか」です。本書で学んできた土台となる理論さえきちんと理解していれば、今後どのようなディープラーニングの手法が出てこようとも、すぐに理解し使いこなせるようになるでしょう。そして、自身で新たなモデルを考え出すこともできるはずです。 [本書の構成] 1章では、ニューラルネットワークの理論を学習するうえで必要となる数学の知識について簡単におさらいし、続く2章では、実装に向けてのPython開発環境のセットアップ、およびPythonライブラリの簡単な使い方を扱います。 3章からは、いよいよニューラルネットワークの学習に入っていきます。3章ではその基本形について学び、4章ではディープニューラルネットワーク、いわゆるディープラーニングについて学びます。通常のニューラルネットワークと何が違うのか、どのようなテクニックが用いられているのかを実装を交えて理解します。 5、6章では、時系列データを扱うためのモデルであるリカレントニューラルネットワークについて詳しく学んでいきます。5章では、リカレントニューラルネットワークの基本形を簡単なデータ例を用いて理論・実装について学び、6章ではその応用例について扱います。
本書では、機械学習の各コンセプトについて、理論的背景とPythonコーディングの実際を解説。初期の機械学習アルゴリズムから、ニューラルネットワーク(CNN/RNN)までの手法を取り上げます。Python関連ライブラリとしてはscikit‐learnやTensorFlowなどを使用。第2版では、第1版への読者のフィードバックを随所に反映し、ライブラリの更新に対応しました。13章以降はほとんど新規の書き下ろしです。本書は、機械学習を本格的に理解・実践するのに不可欠な一冊となっています。 「データから学習する能力」をコンピュータに与える 分類問題-単純な機械学習アルゴリズムのトレーニング 分類問題-機械学習ライブラリscikit‐learnの活用 データ前処理-よりよいトレーニングセットの構築 次元削減でデータを圧縮する モデルの評価とハイパーパラメータのチューニングのベストプラクティス アンサンブル学習-異なるモデルの組み合わせ 機械学習の適用1-感情分析 機械学習の適用2-Webアプリケーション 回帰分析-連続値をとる目的変数の予測〔ほか〕
【東京大学特任准教授 松尾 豊氏 推薦】 大人気「10秒で始める人工知能プログラミング学習サービス」の代表者がおくる、 人工知能プログラミングに必要な数学を、やさしく学ぶ参考書が登場! キホンのキホンからおさらいするから、ニガテな人でも大丈夫! 後半では、Pythonのコードを動かしてさらに理解を深められます! ■本書の目的 ・人工知能関連の書籍に現れる数式への抵抗感をなくし、専門書を読むための数学基礎力をつけます。 ・いくつかの人工知能のアルゴリズムを理解し、数式の意味を理解できるようにします。 ■本書の特長 ・ゼロからおさらいするので、誰でも読めます。 ・人工知能プログラミングに必要な分野に特化しています。 ・演習問題や例題で、理解を深められます。 ■本書の対象読者 ・人工知能アルゴリズムを用いてモデリングをしているが、その根底のアルゴリズムはブラックボックスであり、数学を復習したい方。 ・人工知能アルゴリズムを体系的に学びたいが、数学を忘れており、専門書に現れる数式が理解できない方。 ・人工知能アルゴリズムに興味があるが、ハードルが高いと感じている方。 ■目次 CHAPTER 1 数学基礎 中学1 年から高校の数学を復習し、機械学習で使う数学の「入門レベル」を固めます。 CHAPTER 2 微分 微分の概念や表現方法を学びます。機械学習では「ディープラーニング(深層学習)」「ニューラルネットワーク」「最小2 乗法」「勾配降下法」「誤差逆伝播法」などで微分を活用します。 CHAPTER 3 線形代数 高校の範囲に大学1 年で学ぶ線形代数を加え、ベクトル・行列・線形変換を学びます。線形代数は膨大なデータや複雑なシステムを扱うのに役立ちます。 CHAPTER 4 確率・統計 確率・統計は「傾向を知り、限られたデータから全体像を予測する」ために、機械学習で活用されます。分散・尤度・正規分布などの難しい用語もやさしく学びます。 CHAPTER 5 実践編1 回帰モデルで住宅価格を推定してみよう 「データから住宅価格を推定する」ことを題材に、線形回帰モデルを理解します。 CHAPTER 6 実践編2 自然言語処理で文学作品の作者を当てよう 「文学作品を分析する」ことを題材に、自然言語を数学的に表現する方法などを学びます。 CHAPTER 7 実践編3 ディープラーニングで手書き数字認識をしてみよう 「手書きの数字を認識させる」ことを題材に、ディープラーニングの一種であるDNNを、画像認識から学びます。 東京大学特任准教授 松尾 豊氏 推薦! 人工知能プログラミングに必要な数学を、ゼロから抜け漏れなく、体系的に学ぶ! 数学を復習したいエンジニアに! CHAPTER1 数学基礎 CHAPTER2 微分 CHAPTER3 線形代数 CHAPTER4 確率・統計 CHAPTER5 実践編1 回帰モデルで住宅価格を推定してみよう CHAPTER6 実践編2 自然言語処理で文学作品の作者を当てよう CHAPTER7 実践編3 ディープラーニングで手書き数字認識をしてみよう
サンプルコードを動かしながらTensorFlowとScikit-Learnで機械学習を学ぶ! サンプルコードを動かしながらTensorFlowとScikit-Learnで機械学習を学ぶ! 機械学習、特にニューラルネットワークの概要を解説し、単純な線形回帰から始まり、深いニューラルネットワークに移行する一連のテクニックを学びます。機械学習/深層学習に必要なサポートベクターマシン、デシジョンツリー、ランダムフォレスト、アンサンブルメソッドなど順を追って解説します。解説だけでなく、各章で練習問題を用意しており、またGithubにjupyter notebookで試せるコードが掲載しているため、試しながら学べる構成になっています。
人工知能とは何か? 機械学習・ディープラーニングとは何かを、高クオリティなマンガとともに、くわしく・やさしく解説していきます。 人工知能がどのように発展してきたのか、私たちの未来をどのように変えていくのか、そして人工知能とどのように向き合っていくのかをテーマにストーリーを構成。人工知能という難しそうなテーマを、より身近に感じられるようになる一冊です。 Chapter1 人工知能の正体 ・「人間の脳」と「人工知能」 ・人工知能の定義 Chapter2 人工知能の歴史 ・人工知能の誕生-第1次AIブーム- ・コンピュータとの対話-第2次AIブーム- Chapter3 人工知能の新時代① ・第3次AIブームの始まり ・機械学習の広がりと課題 Chapter4 人工知能の新時代② ・ディープラーニングとは何か ・ディープラーニングによるブレイクするー Chapter5 人工知能と心 ・心と身体性 ・人工知能と創造性 Chapter6 人工知能が変えていく未来 ・AIを牽引する企業たち ・「眼を持つ機械」の活用 Chapter7 人工知能が人類にもたらすもの ・人工知能と倫理的課題 ・「シンギュラリティ」とその先の未来
「なぜディープラーニングが形を区別できるのか」が見えてくる!Excelと対話しながらしくみを解き明かす画期的な超入門書!初めてのAI学習に最適!難しい数学計算はExcelに任せてディープラーニングのしくみを動かしながら理解できる! 1章 初めてのディープラーニング(畳み込みニューラルネットワークのしくみは簡単 AIとディープラーニング) 2章 Excelの確認とその応用(利用するExcel関数はたったの7個 Excelの参照形式 ほか) 3章 ニューロンモデル(神経細胞の働き 神経細胞の働きを数式表現 ほか) 4章 ニューラルネットワークのしくみ(読み物としてのニューラルネットワークのしくみ ニューラルネットワークが手書き文字を識別 ほか) 5章 畳み込みニューラルネットワークのしくみ(読み物としての畳み込み-ニューラルネットワークのしくみ 畳み込みニューラルネットワークが手書き数字を識別 ほか) 付録
「人工知能を使ったプロジェクト」でチャンスをつかむ! 世の中で氾濫している「人工知能・AI」という言葉に惑わされないようにするため、人工知能についての正しい知識を身につけ、理解することが必要です。 人工知能分野の発展に貢献しているのが 機械学習・深層学習(ディープラーニング)と呼ばれる技術で「人工知能(AI)を使ってなにかプロジェクトをやってほしい」と言われたとき「ビジネス課題を機械学習・深層学習でどのように解決すればよいか」と置き換えて考えればよいケースがほとんどです。 本書では、あいまいな状態になっているビジネス上の課題を機械学習を試すことのできるような形に課題を書き換えたり、人工知能の代表的な手法である推論・探索、知識表現、機械学習、深層学習の各手法をフレームワークとして考え、実際のビジネスで活用できるといった“AI的思考力”を高める方法を解説していきます。 また人工知能は万能ではなく、ビジネス上における課題は千差万別です。本書の目指すところは「人工知能で解決できるものなのか」を自ら判断し、「人工知能のどの技術を使えばよいのか」が分かるようになることです。 人工知能技術の大部分は数学によって支えられていますが、本書はあくまでも「ビジネスで人工知能を活用するために知っておくべきこと」をまとめたものですので“難しい数式”は一切出てきません(もちろん、プログラミングも)。 『機械学習・深層学習という言葉は聞いたことはあるけれど、よく分からない』『ビジネス課題に適用できる自信がない』『どのように評価すればよいのか検討がつかない』といった方にとって、本書は役に立つはずです。 イントロダクション 1 [知識編] 人工知能とは 1.1 そもそも人工知能をつくる目的は? 「面倒くさい」が技術を進歩させる / ビジネスも「効率化」するのではなく「楽」をする 1.2 その人工知能「どの」人工知能? 強い人工知能と弱い人工知能 / 「弱さ」にも種類がある 1.3 知能を得るには知識が必要 思考が早い人工知能 ―第1次ブーム / 何を思考すればいい? / 博識な人工知能 第2次ブーム / あいまいな知識は人間だけのもの / 知識だけで知能はできない 1.4 人間が頑張るから機械が学習するへ 学習とは、パターンに分けること / パターンに分けるとは、知識を身につけること / 学習する人工知能 ―第3次ブーム 2 [実用編] 機械学習:問題を整理し解決する 2.1 問題を整理する 課題のパターンを整理する / 課題設定を整理する 2.2 問題へのアプローチ 人間も機械も、知らないものは知らない / アプローチのときは、三角関係を意識する 2.3 学習を評価する 評価のために未知をつくりだす / 評価の落とし穴に注意 / 数値が悪くても「いい」場合がある / 評価のインパクトは%になる 2.4 推薦問題を考える 3 [発展編] 深層学習というブレイクスルー 3.1 深層学習は「どこが」すごいのか? 特徴を捉えないと予測はできない / 脳みそをモデル化する / テクノロジーの進化は単独では成し得ない 3.2 深層学習は「どこで」すごいのか? 4 [実践編]ビジネスでAIを展開する 4.1 中を育てるのか 外に頼むのか データサイエンティストなのか 機械学習エンジニアなのか / ブーム最大の貢献は環境が整ったこと 4.2 機械学習に必要なものを知る (再び)ブーム最大の貢献は環境が整ったこと 4.3 機械学習なのか 統計なのか エピローグ
◆◆ PythonとTFLearnで無理なく体験学習 ◆◆ 本書は「これからディープラーニングを学びたい」と考えているIT エンジニアの方々を対象にしています。 そして、ディープラーニングの手法を理解し、自分で実装できるようになることを目指します。 ディープラーニングを初めて学ぶITエンジニアは、2つの障壁を越えねばなりません。 一つは「ディープラーニングの手法」、特に、理論を説明する数式が難解なこと。 もう一つは「どうやって使うのか、実装方法が分からない」ことです。 ■数式なしで理論を理解 そこで本書は、是非知っておきたい3つの手法、即ち、①全結合のニューラルネットワーク、 ②畳み込みニューラルネットワーク(CNN)、③再帰型ニューラルネットワーク(RNN)のみに話題を集中。 IT エンジニアなら抵抗感なく読めるように、数式を一切使わず、気鋭のデータサイエンティストが 丁寧に理論を解説します。 ■簡単に実装できるライブラリを使用 実装については、Google社のディープラーニング・フレームワークTesorFlowに注目。 TesorFlowと完全互換性があり、かつ、TesorFlowよりも初心者に適したTFLearnライブラリを使うことで、 Python 3による実装を体験します。 実装環境の構築方法も一から説明し、サンプルコードには逐次解説を加えました。 ■理論と実装の反復で理解を深める 第1章では、機械学習とディープラーニングの概要、実装ライブラリについて説明します。 第2章では、TFLearnを使った実装環境を構築し、ツールの使い方を学びます。 第3章では、全結合のニューラルネットワークの仕組みを理解した後、 手書き文字画像のMNISTデータセットを使って、画像の分類問題を解いてみます。 第4章ではCNNを解説した後、再度、MNISTデータを分類。また、JPEG等の一般的な画像の分類も行います。 第5章では、時系列データに適したRNNの仕組みを理解した後、対話テキストの分類に挑戦。 ここでもMNISTの分類を行ってみます。 本書に沿って体験学習を進めれば、ディープラーニングの手法を無理なく理解でき、 手を動かして実装できるようになるでしょう。 1 初めてのディープラーニング 1.1 機械学習とディープラーニング 1.2 ディープラーニングのライブラリ 2 ディープラーニングの実装準備 2.1 ディープラーニングの環境構築 2.2 Jupyter Notebookの使い方 2.3 Pythonプログラミングの基礎 3 ディープニューラルネットワーク体験 3.1 ニューラルネットワークの仕組み 3.2 ディープラーニングの仕組み 3.3 ディープラーニングの実装手順 3.4 手書き文字画像MNISTの分類 4 畳み込みニューラルネットワークの体験 4.1 畳み込みニューラルネットワークの仕組み 4.2 手書き文字画像MNISTの分類 4.3 一般的な画像の分類 5 再帰型ニューラル ネットワークの体験 5.1 再帰型ニューラルネットワークの仕組み 5.2 対話テキストの分類 5.3 手書き文字画像MNISTの分類 Appendix 付録 A.1 TensorBoardの使い方 A.2 ディープラーニングの環境構築(Windows編) A.3 Ubuntu仮想イメージのインポート方法 参考文献
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
機械学習の世界は、学ぶべき分野が多岐に及びます。本書は、広大な学習範囲に対して、真正面から取り組み、しかしスムーズかつスッキリと学びきることができる入門書です。データ分析の「全体の流れ」を繰り返し追いかけることで、機械学習の全体像と本質が自然に染み込む仕掛けとなっています。しかも単に繰り返すのではなく、段階的に高度な内容に挑戦し、最終的には応用術も身に付けられます。シリーズで好評の「エラー解決・虎の巻」も収録! 本書で機械学習の楽しさ、奥深さをじっくり学び、新しい未来への道を拓いてみませんか。
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
さまざまな業界で導入が進められているAIについて、どのような分野で活用されているのかが鳥瞰図で一目でわかる AIの導入事例が一目でわかる! 金融、流通、製造、インフラなど全8業界36業種のAIの導入について、どのような分野で活用されているのか、 どのような事項との親和性が高いかといったことについて鳥瞰図で解説。豊富な実例も掲載しており、ビジネスのアイデア創出にも応用できます。 また、「こんな応用可能性があります」にとどめず、実際に実装したりトライアルをするときのノウハウも掲載しています。 本書掲載の鳥瞰図はご購入者特典としてDLして活用できます。 【本書に掲載されている業種】 〈流通〉 コンビニ・スーパーマーケット 百貨店業 郵便・運送業 〈製造〉 自動車製造業 食品・飲料製造業 化粧品・日用品製造業 金属製造業・化学工業 重工業 建設業 繊維工業(アパレル) 電機製造業 〈金融〉 銀行業 保険業 証券業 〈サービス〉 ホテル業 旅行代理業 外食業 テーマパーク 放送局 〈インフラ〉 通信業 鉄道業 航空業 空港 道路・交通インフラ管理業 エネルギー業(ガス・電気) 石油および天然ガス生産・販売業 〈公共〉 学校・学習塾 警察・警備 消防・防災 〈ヘルスケア〉 病院 介護サービス業 製薬業 〈その他〉 農業 水産業 スタジアム・(プロ/アマ)スポーツ ゲーム業 Chapter 1 流通 コンビニ・スーパーマーケット 百貨店業 郵便・運送業 詳細解説:商品需要予測に基づく在庫管理 Chapter 2 製造 自動車製造業 食品・飲料製造業 化粧品・日用品製造業 金属製造業・化学工業 重工業 建設業 繊維工業(アパレル) 電機製造業 詳細解説:査定自動化・見積り自動化 Chapter 3 金融 銀行業 保険業 証券業 詳細解説:不正検知 Chapter 4 サービス ホテル業 旅行代理業 外食業 テーマパーク 放送局 詳細解説:キャンペーン企画・価格設定 Chapter 5 インフラ 通信業 鉄道業 航空業 空港 道路・交通インフラ管理業 エネルギー業(ガス・電気) 石油および天然ガス生産・販売業 詳細解説:劣化予測・メンテナンス計画作成 Chapter 6 公共 学校・学習塾 警察・警備 消防・防災 詳細解説:画像データによる異常検知・品質評価 Chapter 7 ヘルスケア 病院 介護サービス業 製薬業 詳細解説:センサーデータによる異常検知 Chapter 8 その他 農業 水産業 スタジアム・(プロ/アマ)スポーツ ゲーム業 詳細解説:見込み顧客分析・離反分析
これからAIを学ぶ人に向けた入門書。ビジネスへの活用法から最新技術までをカバーした、「最初に手にすべきAI本」 本書は、これから人工知能(AI)を学びたいと考える人に向けたAIの入門書です。エンジニアではない人、すなわち中高生や文系学部の大学生、文系出身のビジネスパーソンや経営者などでも理解できるように、分かりやすくAIの本質や基礎知識を解説しました。AIのビジネスへの活用法からAIの最新技術までをカバーした、「最初に手にすべきAI本」です。 著者は、日本経済新聞社や日経BPのセミナーでAIやIoTの講座を教える人気講師。フジテレビの「ホンマでっか!?TV」に評論家として出演もしています。語り口が初心者にも分かりやすいと定評のある著者が、必要最低限のポイントに絞り、できる限り専門用語を使わないように配慮しながら書き上げました。 初心者でも人工知能の本質を短時間で理解できるようにするために、それぞれの状況や理解度に応じて学習できるように3部に分けて構成しています。 第1部(第1章)は「基礎編」です。ここでは、今後、人工知能が中心となる社会で生きていくために必要最低限の知識についてまとめました。人工知能は何が得意で、何が不得意なのか、そして社会をどう変えていくのかについて解説しています。 第2部(第2~4章)は「ビジネス編」です。ここでは、ビジネスに人工知能を活用するに当たり、各業界の活用事例や今後どのような使われ方をするのかについて書いています。 また、人工知能を活用する際の注意事項を中心に、プロジェクト推進方法や国などの支援状況についても解説しています。 第3部は「技術編」です。ここでは、人工知能の仕組みについて解説しています。今後、データサイエンスや人工知能に関する知識は、エンジニアや人工知能のプロジェクトに関わる人にとっては必須の知識です。 本書を読めば、AIに関する一般向けの本にありがちな曖昧すぎてよく分からない、なぜそこにAIを使う必要があるのか理解できないといった疑問を解消できると思います。 第1章【基礎編】人工知能(AI)の世界 第2章【ビジネス編】産業別に見た人工知能事例と未来予想図 第3章【ビジネス編】人工知能活用に関する国の施策 第4章【ビジネス編】人工知能プロジェクトの進め方と注意点 第5章【技術編】機械学習 ~これまでの人工知能と歴史~ 第6章【技術編】ディープラーニング ~現在の人工知能~ 第7章【技術編】人工知能開発と運用管理 第8章【技術編】人工知能の最新技術 ~これからの人工知能~ 第9章 人工知能開発に関するいろいろなFAQ
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
本書では、Pytorchを使い、実際の製品やサービスの開発時に役に立つ手法を紹介するようにしています。 本書で紹介する「AI開発」では、必ずしもすべての章で、ニューラルネットワークの構造(ニューロン同士の接続の仕方)を一から新しく作成するようなことはしませんが、ModelZOOやGitHub上で公開されているモデルも、積極的に採用するようにしています。また、利用できる学習済みのモデルが公開されている際には、それをダウンロードして使用するようにします。 本書では、章によって、異なるAIを開発しますが、その際には、公開されているモデルをそのまま流用して「広義のAI」のみを作成したり、あるいは公開済みのモデルを転移学習・ファインチューニングしたりと、その都度、もっとも近道であると思われるスキームを利用して、「AI開発」を行います。 本書では次のような機能を解説しています。 ・CHAPTER 02・・・画像認識 ・CHAPTER 03・・・異常検出 ・CHAPTER 04・・・物体検出 ・CHAPTER 05・・・セグメンテーション ・CHAPTER 06・・・顔認証 ・CHAPTER 07・・・線画イラスト変換 ・CHAPTER 08・・・OCRの文字認識 ・CHAPTER 09・・・OCRの文章認識 本書では次のような機能を解説しています。 ・CHAPTER 02・・・画像認識 ・CHAPTER 03・・・異常検出 ・CHAPTER 04・・・物体検出 ・CHAPTER 05・・・セグメンテーション ・CHAPTER 06・・・顔認証 ・CHAPTER 07・・・線画イラスト変換 ・CHAPTER 08・・・OCRの文字認識 ・CHAPTER 09・・・OCRの文章認識
現在扱われている各種機械学習の根幹とされる「ボルツマン機械学習」を中心に、機械学習を基礎から理解できるように解説。 イラストを使って初心者にわかりやすく解説!! 現在扱われている各種機械学習の根幹とされる「ボルツマン機械学習」を中心に、機械学習を基礎から専門外の人でも普通に理解できるように解説し、最終的には深層学習の実装ができるようになるまでを目指しました。 さらに機械学習の本では、当たり前になってしまっている表現や言葉、それが意味していることを、この本ではさらにときほぐして解説しています。 第1章 何も知らない鏡 第2章 美しさの秘訣 第3章 最適化問題に挑戦 第4章 深層学習に挑戦 第5章 未来を予測する 第6章 美しく見せる鏡 第7章 顔だけで美しさを
広がるAI化格差と5年先を見据えた企業戦略 ▼技術から利用動向、制度政策に至るまで、国内と海外の人工知能の最新動向がすべてわかるAI白書の2020年版 DX(デジタルトランスフォーメーション)のための重要な技術であるAIの社会実装が進む一方、そのAI化で格差が広がっています。また、5Gのサービス開始、EU一般データ保護規則、米中間の対立など、AIを取り巻く環境は目まぐるしく変化しています。 第1章では、石角友愛氏(パロアルトインサイトCEO)と中島秀之 AI白書編集委員長(札幌市立大学理事長・学長)の対談、北野宏明 AI白書編集委員(ソニーコンピュータサイエンス研究所代表取締役社長・所長)と片岡 晃 IPA社会基盤センター長の対談を通じて、AIをめぐる日本の課題とビジネス戦略について解説。第2章「技術動向」では、AIに関する技術の概要と最新動向を整理し、第3章「利用動向」では国内外でのAI活用事例を紹介。さらに、AIの社会実装を支える環境として、第4章で「制度政策」、第5章で社会実装に係る課題解決の方向性(AI人材育成及びスタートアップエコシステム)について記載しています。 『AI白書2019』に最新情報を加え、大幅にアップデートしています。AIの基礎的な技術解説から、国内外の多様な導入事例、制度・政策面での取り組み、中国のAI動向データ、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。AIを実装し、DXを推進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。 DX(デジタルトランスフォーメーション)のための重要な技術であるAIの社会実装。そのAI化で格差が広がっている。AIの技術や利用動向、制度政策、スタートアップエコシステムに至るまで、AIのすべてを解説 □第1章「2020年のAIとビジネス」 生産性やDXといった日本の課題、AI時代のビジネス戦略をテーマにした対談、など □第2章「技術動向」 AIを支える技術と最新動向、ディープラーニング、開発基盤、標準化・オープンプラットフォーム・信頼性、各国の研究開発の現状、など □第3章「利用動向」 日本と世界の分野別の利用動向、AI利用動向アンケート調査、AI導入予算・AI市場規模、中国のAI最新動向、など □第4章「制度政策動向」 AIに関する原則・ガイドライン、制度改革(モビリティ、データ流通、知的財産)、各国の政策動向、など □第5章「AI実装を推進するAI人材育成と地域スタートアップエコシステム」 スタートアップエコシステム、AI人材の育成、社会実装の課題と現状、など
強化学習が実装できる! エンジニアのために、Pythonのサンプルコードとともに、ゼロからていねいに解説。コードも公開! 強化学習が実装できる! エンジニアのために、Pythonのサンプルコードとともに、ゼロからていねいに解説。実用でのネックとなる強化学習の弱点とその克服方法、さらに活用領域まで紹介した。コードも公開! ・Pythonプログラミングとともに、ゼロからていねいに解説。 ・コードが公開されているから、すぐ実践できる。 ・実用でのネックとなる強化学習の弱点と、その克服方法まで紹介。 【おもな内容】 Day1 強化学習の位置づけを知る Day2 強化学習の解法(1): 環境から計画を立てる 価値の定義と算出: Bellman Equation 動的計画法による状態評価の学習: Value Iteration 動的計画法による戦略の学習: Policy Iteration モデルベースとモデルフリーとの違い Day3 強化学習の解法(2): 経験から計画を立てる 経験の蓄積と活用のバランス: Epsilon-Greedy法 計画の修正を実績から行うか、予測で行うか: Monte Carlo vs Temporal Difference 経験を状態評価、戦略どちらの更新に利用するか Day4 強化学習に対するニューラルネットワークの適用 強化学習にニューラルネットワークを適用する 状態評価を、パラメーターを持った関数で実装する: Value Function Approximation 状態評価に深層学習を適用する: Deep Q-Network 戦略を、パラメーターを持った関数で実装する: Policy Gradient 戦略に深層学習を適用する: Advantage Actor Critic(A2C) 状態評価か、戦略か Day5 強化学習の弱点 サンプル効率が悪い 局所最適な行動に陥る、過学習をすることが多い 再現性が低い 弱点を前提とした対応策 Day6 強化学習の弱点を克服するための手法 サンプル効率の悪さへの対応:モデルベースとの併用/表現学習 再現性の低さへの対応:進化戦略 局所最適な行動/過学習への対応:模倣学習/逆強化学習 Day7 強化学習の活用領域 行動の最適化 学習の最適化 Day1 強化学習の位置づけを知る Day2 強化学習の解法(1): 環境から計画を立てる Day3 強化学習の解法(2): 経験から計画を立てる Day4 強化学習に対するニューラルネットワークの適用 Day5 強化学習の弱点 Day6 強化学習の弱点を克服するための手法 Day7 強化学習の活用領域
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
Pythonを使った機械学習の入門に最適な1冊! 近ごろ話題の機械学習、「気になるけどなんだか難しそう……」と思っていません か? 実は、機械学習の基本はとてもシンプルで、プログラミング初心者にも最 適なんです。本書は、プログラミングやPython、機械学習の初心者向けに、マン ガでPython機械学習を解説します。機械学習の代表的な手法である単回帰をはじ め、重回帰やk近傍法、k平均法などの考え方を、「ペットのウサギの理想体重 は?」「予算内の引っ越し先は?」といった身近な問題を通じて解説するので、 やさしく楽しく学べます。Pythonの開発環境もブラウザさえあれば無料で使える Google Colaboratoryを用いるので、面倒な環境構築は一切不要。インターネッ トに接続できるパソコンがあればすぐに学習を開始できます。ほかの機械学習の 書籍だと難しかったという方へも、オススメの一冊です。「そろそろ常識 知っ ておこう! 」シリーズは、会話形式の解説をマンガテイストに進化させ、マン ガ、会話、チュートリアルをシームレスに組み合わせたニュースタイルの解説 書。常識とされながらも覚えにくいテーマをピックアップし、要点をマンガでわ かりやすく解説します。 第1章 Pythonを触ってみよう 第2章 Pythonの基礎 第3章 機械学習を体験してみよう 第4章 機械学習を実践しよう 第5章 データを集めるには
豊富な図解と具体例で、最適な入門書!ディープラーニングに必要な数学の知識を基本からしっかり学べる! 1章 ニューラルネットワークの考え方 2章 ニューラルネットワークのための数学の基本 3章 ニューラルネットワークの最適化 4章 ニューラルネットワークと誤差逆伝播法 5章 ディープラーニングと畳み込みニューラルネットワーク
初心者でも使いやすいPythonのフレームワーク「Flask」で物体検出アプリを作成するWebアプリ開発の入門書。 Webアプリの作り方からAPI化、デプロイメントまで エンジニアとデータサイエンティストのためのFlask入門 Pythonのフレームワーク「Flask」によるWebアプリ開発の入門書です。 まずは、最小のアプリの作成から始め、問い合わせフォーム、データベースを使ったアプリ、 認証機能と段階的に作成しながら、Flaskによるアプリ開発の基礎を習得します。 その後、画像データ(写真)から物体を判別する物体検知アプリを作成しながら 実践的なアプリの作り方、その機能をWeb API化する方法について解説します。 また、物体検知機能(手書き文字認識をする分析コード)を題材に、 どのように機械学習をアプリに組み込んでいくかについても詳しく解説します。 【本書の主な内容】 ●Flaskと開発の基礎 ◯問い合わせフォーム/DBアプリの作成 ◯認証機能の作成 ◯物体検知アプリの作成 ●API化/デプロイメント ◯物体検知アプリのWeb API化 ◯Web APIとして外部公開 ●機械学習APIの開発 ◯分析コードから機械学習APIを開発する工程と方法 【主な対象読者】 ●Pythonで簡単にWebアプリ開発を始めたいエンジニア ●機械学習に興味のあるWebエンジニア ●Pythonを分析用途でしか使ったことがない人 ●自分でもアプリやWeb APIを作りたいデータサイエンティスト 【章構成】 ●第0部 イントロダクション Flaskの概要と環境構築 ●第1部 Flask入門 最小限のアプリを作る――Flaskの基礎 データベースを利用したアプリを作る 認証機能を追加する ●第2部[Flask実践1]物体検知アプリの開発 アプリの仕様と準備 画像一覧画面を作る サインアップとログインの画面を作る 画像アップロード画面を作る 物体検知機能を作る 検索機能を作る カスタムエラー画面を作る ユニットテストを作る ●第3部[Flask実践2]物体検知機能のAPI化/デプロイメント Web APIの概要 物体検知APIの仕様 物体検知APIの実装 物体検知アプリのデプロイメント ●第4部機械学習APIの開発 機械学習の概要 機械学習APIの開発工程と実践 ■第0部 イントロダクション 第0章 Flaskの概要と環境構築 0.1 Flaskの設計思想 0.2 なぜFlaskを使うのか 0.3 Python製Webフレームワークの比較 0.4 環境構築 ■第1部 Flask入門 第1章 最小限のアプリを作る——Flask基礎の基礎 1.1 MVT(Model、View、Template)モデル 1.2 最小限のアプリを作成する 1.3 問い合わせフォームを作成する 1.4 クッキー(Cookie) 1.5 セッション 1.6 レスポンス 第2章 データベースを利用したアプリを作る 2.1 ディレクトリ構成 2.2 アプリを起動する―Blueprintの利用 2.3 SQLAlchemyをセットアップする 2,4 データベースを操作する 2.5 データベースを使ったCRUDアプリを作成する 2.6 テンプレートの共通化と継承 2.7 コンフィグを設定する 第3章 認証機能を作る 3.1 作成する認証機能とディレクトリ構成 3.2 アプリに認証機能を登録する 3.3 サインアップ機能を作成する 3.4 ログイン機能を作成する 3.5 ログアウト機能を作成する ■第2部 Flask実践(1) 物体検知アプリの開発 第4章 アプリの仕様と準備 4.1 物体検知アプリの仕様 4.2 ディレクトリ構成 4.3 物体検知アプリを登録する 第5章 画像一覧画面を作る 5.1 UserImageモデルを作成する 5.2 画像一覧画面のエンドポイントを作成する 5.3 画像一覧画面のテンプレートを作成する 5.4 SQLAlchemyのテーブル結合とリレーションシップ 第6章 サインアップとログインの画面を作る 6.1 サインアップ画面のエンドポイントを更新する 6.2 共通ヘッダを作成する 6.3 サインアップ画面のテンプレートを更新する 6.4 ログイン画面のエンドポイントを更新する 6.5 ログイン画面のテンプレートを更新する 6.6 サインアップ/ログイン画面の動作を確認する 第7章 画像アップロード画面を作る 7.1 画像アップロード先を指定する 7.2 画像を表示するエンドポイントを作成する 7.3 画像一覧画面に画像アップロード画面への導線と画像一覧を追加する 7.4 画像アップロード画面のフォームクラスを作成する 7.5 画像アップロード画面のエンドポイントを作成する 7.6 画像アップロード画面のテンプレートを作成する 7.7 画像アップロード画面の動作を確認する 第8章 物体検知機能を作る 8.1 UserImageTagsモデルを作成する 8.2 物体検知機能のフォームクラスを作成する 8.3 物体検知機能のライブラリをセットアップする 8.4 物体検知機能のエンドポイントを作成する 8.5 画像一覧画面にタグ情報を表示する 8.6 画像一覧画面に[検知]ボタンとタグ情報を表示する 8.7 物体検知機能の動作を確認する 8.8 画像削除機能を作成する 第9章 検索機能を作る 9.1 画像検索機能のエンドポイントを作成する 9.2 画像検索機能のテンプレートを作成する 9.3 画像検索機能の動作を確認する 第10章 カスタムエラー画面を作る 10.1 カスタムエラー画面のエンドポイントを作成する 10.2 カスタムエラー画面のテンプレートを作成する 10.3 カスタムエラー画面の表示を確認する 第11章 ユニットテストを作る 11.1 pytestを使ってみる―pytestの基礎 11.2 pytestのフィクスチャ 11.3 物体検知アプリのテストを作成する ■第3部 Flask実践(2)物体検知機能のAPI化/デプロイメント 第12章 Web APIの概要 12.1 World Wide Web(WWW)とAPIの意味 12.2 リソースの場所を示すURIの役割 12.3 HTTPメソッドによるリソースのCRUD操作 第13章 物体検知APIの仕様 13.1 物体検知APIの処理の流れ 13.2 PyTorchのインストールと学習済みモデルの保存 第14章 物体検知APIの実装 14.1 物体検知APIのディレクトリ構成とモジュール 14.2 実装の準備 14.3 [実装1]API起動コードの実装 14.4 [実装2]データの準備/前処理/後処理コードの実装 14.5 [実装3]学習済みモデルの実行コードの実装 14.6 [実装4]ルーティングの実装 第15章 物体検知アプリのデプロイメント 15.1 Dockerの概要 15.2 Cloud Runの概要 15.3 Dockerの利用準備 15.4 Cloud Runの利用準備 15.5 [手順1]Google Cloudのconfiguraionの初期設定 15.6 [手順2]Dockerfileの作成 15.7 [手順3]Dockerイメージをビルド 15.8 [手順4]DockerイメージをGCRにプッシュ 15.9 [手順5]Cloud Runにデプロイ ■第4部 機械学習APIの開発 第16章 機械学習の概要 16.1 機械学習にまつわる概念 16.2 機械学習で扱うデータ 16.3 機械学習が扱うタスク 16.4 数式とコードによるアルゴリズムの表現方法 16.5 機械学習で利用するPythonライブラリ 16.6 Pythonライブラリによるロジスティック回帰の表現方法 第17章 機械学習APIの開発工程と実践 17.1 最適な機械学習アルゴリズム/モデルの選定 17.2 機械学習アルゴリズム/モデルの実装 17.3 機械学習APIの仕様 17.4 開発の準備 17.5 [実装工程1]分析コードをプロダクションコードにする 17.6 [実装工程2]プロダクションコードをAPIにする 17.7 正常動作の挙動確認 17.8 [Future Work]機械学習APIから機械学習基盤とMLOpsへ
最新のライブラリに対応!機械学習の基本を数式とプログラムを紐づけてしっかり学べる! Pythonプログラムを動かしながら機械学習の基礎をしっかり学べる! 【本書の目的】 人工知能関連サービスや商品開発において 機械学習の基礎知識が必要となります。 本書では数式とPythonプログラムをつなげて 機械学習の基礎をしっかり学ぶことができます。 【本書の特徴】 本書は、機械学習の原理を数式でしっかり理解し、 Pythonプログラムによってその理解を深めていくことができる書籍です。 ・数式とコードを連携して解説 ・学習内容を「要点整理」で復習 ・TensorFlow 2.7に対応 ・Python 3.9に対応 【読者が得られること】 機械学習のしくみとPythonプログラムを つなげて理解できます。 【対象読者】 機械学習の基礎を数学的な原理からプログラム実装までしっかり学びたい理工学生・エンジニア 【目次】 第 1 章 機械学習の準備 第 2 章 Pythonの基本 第 3 章 グラフの描画 第 4 章 機械学習に必要な数学の基本 第 5 章 教師あり学習:回帰 第 6 章 教師あり学習:分類 第 7 章 ニューラルネットワーク・ディープラーニング 第 8 章 ニューラルネットワーク・ディープラーニングの応用(手書き数字の認識) 第 9 章 教師なし学習 第10章 要点のまとめ 第1章 機械学習の準備 第2章 Pythonの基本 第3章 グラフの描画 第4章 機械学習に必要な数学の基本 第5章 教師あり学習:回帰 第6章 教師あり学習:分類 第7章 ニューラルネットワーク・ディープラーニング 第8章 ニューラルネットワーク・ディープラーニングの応用(手書き数字の認識) 第9章 教師なし学習 第10章 要点のまとめ
「音声合成」とは、人間の音声を人工的に作り出す音声情報処理の一分野です。深層学習の発展に従い、画像認識・音声認識などの分野と同様に、音声合成においてもパラダイムシフトが起きています。本書では従来の統計的音声合成システムの基礎を解説した上で、深層学習技術による近年の音声合成の発展について詳説しています。また実際に公開されているデータセットを用いて、深層学習を用いた音声合成システムの実装も行っています。本書は『Pythonで学ぶ音源分離』『同音声認識』に続く、中級者以上向けの「機械学習実践シリーズ」です。
知っておくべきAI技術を直観的に理解! 人工知能とは何かという基本的な問いから、人工知能にできること・できないことまで、イラストと文章でわかりやすく解説。人工知能の概念を直感的に理解できます。人工知能用語リファレンスとしても使える一冊です。 ■本書で解説しているキーワード シンギュラリティ / 収穫加速の法則 / ダートマス会議 / 全脳アーキテクチャ / 自動走行 / スマートシティ / 社会的脳(ソーシャルブレイン) / 人工知能と倫理 / 古典的AI / ディープラーニング / 機械学習 / 教師なし学習の重要性 / 強化学習 / 遺伝的アルゴリズム / 人工生命 / IBM Watson(ワトソン) / AlphaGo / エキスパートシステム / 探索エンジン / ディープQ ネットワーク / ネオコグニトロン / ミラーニューロン / ニューラルネットワーク / パーセプトロン / ヘッブ則 / シグモイド関数 / データマイニング / 協調フィルタリング / 検索アルゴリズム / 最良優先探索 / クラウド上の人工知能 / スパース・モデリング、スパース・コーディング / マルコフモデル / 隠れマルコフモデル / ベイズの定理、ベイジアンネットワーク / ゲームAI / 人狼知能 / 完全情報ゲーム / 不完全情報ゲーム / ゲーム理論 / 囚人のジレンマ / モンテカルロ木探索 / エージェント指向 / 知識指向 / 分散人工知能 / サブサンプション・アーキテクチャ / マルチエージェント / 自動会話システム / 人工無能 / オントロジー / セマンティック / LDA / 知識表現 / 自然言語処理 / 反射型AI 、非反射型AI / 意思決定アルゴリズム / ボイド / サイバネティクス / 画像認識 / 群知能 / 人工知能と自然知能 / シンボリズムとコネクショニズム / チューリングテスト / フレーム問題 / 心身問題、心脳問題 / 強いAI、弱いAI / シンボルグラウンディング問題 / 中国語の部屋 / 最急降下法 / 局所解 / ファジー理論 / カオス 第1章 人工知能ってなんだろう? 第2章 社会と歴史の中の人工知能 第3章 学習・進化する人工知能 第4章 人間を超える人工知能 第5章 人間の脳を真似る人工知能 第6章 ビッグデータと予測する人工知能 第7章 ゲームの中の人工知能 第8章 人工知能のさまざまなかたち 第9章 おしゃべりをする人工知能たち 第10章 意思決定する人工知能 第11章 生物を模倣する人工知能 第12章 人工知能の哲学的問題 第13章 人工知能が用いる数学 終章 人工知能にできること、できないこと 第1章 人工知能ってなんだろう? 第2章 社会と歴史の中の人工知能 第3章 学習・進化する人工知能 第4章 人間を超える人工知能 第5章 人間の脳をまねる人工知能 第6章 ビックデータと予測する人工知能 第7章 ゲームの中の人工知能 第8章 人工知能のさまざまなかたち 第9章 おしゃべりをする人工知能たち 第10章 意思決定する人工知能 第11章 生物を模倣する人工知能 第12章 人工知能の哲学的問題群 第13章 人工知能が用いる数学 終章 人工知能にできること、できないこと
AI、人工知能の目覚ましい発展に寄与したディープラーニング。そのしくみと最新の動向を、イラストで解説したシリーズ第2弾。 ディープラーニング(機械学習、深層学習)はAI、人工知能の急速な進化に寄与している。知能とは何かを問うということは、人間の考え方や視覚、聴覚、言語といった普段なにげなく使っている感覚と脳の関係を一から考え直すことにほかならない。本書はディープラーニングとはどういう技術なのか、そのしくみと最新の動向をわかりやすい文章とイラストで解説する。話題の先端科学に触れたいという知的好奇心に応えるイラスト図解シリーズ第2弾。 谷田部卓著;0501;03;AI、人工知能の目覚ましい発展に寄与したディープラーニング。そのしくみと最新の動向を、イラストで解説したシリーズ第2弾。;20180401 ◇Chapter1 機械学習とは 機械の勉強方法とは――機械学習の原理 〈DL Talk〉何でも解決できる万能アルゴリズムは存在しない 機械が言葉を操る方法――自然言語処理 〈DL Talk〉言葉は生き物なのでお世話が必要 〈AI Story〉天才チューリングの栄光と悲劇 ◇Chapter2 ディープラーニングのしくみ どちらも学習する機械――機械学習とディープラーニング 〈DL Talk〉認識とは分類することと見つけたり 深い学習とは――ディープラーニングの原理 〈DL Talk〉ディープラーニングは数式ばかり 機械に眼を与えるしくみ――CNNとは 〈DL Talk〉眼の獲得で生物もAIも一気に進化 機械に耳を与えるしくみ――RNNとは 〈DL Talk〉RNNは最も古いディープラーニング 機械にも創造力を――画像生成とGAN 〈DL Talk〉お手本があれば絵も描けるAI 〈AI Story〉人工知能の父ミンスキーの功績とその罪 ◇Chapter3 AIアプリケーションの開発方法 AIを使うためには――AI技術の活用環境 〈DL Talk〉ビジネスでAIはツールでしかない AIを導入するには――機械学習の開発 〈DL Talk〉クラウドMLのメリットとデメリット AIのつくり方――ディープラーニングの開発 〈DL Talk〉ディープラーニングを試してみよう 手軽なAI利用法――APIサービス 〈DL Talk〉手軽なAPIサービスでも注意が必要 〈AI Story〉格闘するニューラルネットワーク研究者たちの歴史 ◇Chapter4 AI技術とビジネス ビジネス利用の実態とは――AI技術の応用と課題 〈DL Talk〉AIビジネスの将来は広がるはず AIは使えるのか――ディープラーニングのビジネス 〈DL Talk〉元気な企業だけがAIを使いこなせる AIは言葉を理解できるか――自然言語処理のビジネス 〈DL Talk〉チューリング・テストはもう突破できるか AIビジネスは成り立つのか――AI技術のビジネス課題 〈DL Talk〉目指せAIエンジニア AIは人類の敵か味方か――AIが与える社会的影響 〈DL Talk〉人類の未来はAIが握るのか 〈AI Story〉AIの未来とは 主要クラウド企業のAPIサービス 日本企業のAPIサービス さくいん 参考文献
機械学習のフレームワークChainerのバージョンアップ対応版。特に畳み込みニューラルネットトワークについても解説。 Chainerのバージョン2でディープラーニングのプログラムを作る 本書はChainer を使ってディープラーニングのプログラムの作り方を示すものです。ディープラーニングは複雑なネットワークで表現された関数の回帰の問題と見なせます。そしてこのような問題は勾配法で解きます。この観点から Chainer によるプログラムの作成法を示しました。Chainerが2にバージョンアップしたため、2に対応し発行するものです。畳み込みニューラルネットワークについても解説しています。 はじめに 第0章 Chainer とは 第1章 NumPy で最低限知っておくこと 第2章 ニューラルネットのおさらい 第3章 Chainer の使い方 第4章 Chainer の利用例 第5章 Trainer 第6章 Denoising AutoEncoder 第7章 Convolution Neural Network 第8章 word2vec 第9 章Recurrent Neural Network 第10章 翻訳モデル 第11章 Caffe のモデルの利用 第12章 GPU の利用 参考文献 ソースプログラム 第11章 Caffeのモデル利用 第12章 GPUの利用
面白さを追求したPython自然言語処理の入門書が登場。コピー&ペーストでサンプルを動かしながら、楽しく基本が学べます。 Python自然言語処理を、遊びながら学ぼう! 「面白さ」と「学び」がひとつに詰まった入門書! 本書は、プログラミング言語Pythonによる自然言語処理を、 「面白さ」「ユニークさ」を追求したサンプルプログラムで学べる入門書です。 ●「オレ ニク タベル ウマイ!」原始人語の翻訳機を作ろう ●メロスはいつまで激怒していた?原作から心情を分析! ●あの文豪が新作を書いたら?架空の小説を執筆しよう ●コンピューターは「群馬」と「栃木」の違いを見分けられるのか? ●「ナミ」と「フネ」から「サザエ」は生まれる?子どもの命名AIを作ろう ●AIが三国志を読んだら、武将たちのライバル関係を理解できるのか? ●「赤の他人」の反対は「白い恋人」?あらゆる対義語を自動生成しよう プログラムは、すべて実行ボタンひとつで簡単に動くため、 プログラミングに慣れていなくても、すらすら読み進められます。 また本書では勉強にはつきものの、 難しい専門用語の解説や、複雑な数式の説明は登場しません。 まずは、奇想天外なサンプルを動かして、楽しく遊んでみてください。 勉強をしているつもりはなくても、いつの間にか、 基本的な知識や、分野の全体像が身についているはずです。 【こんな人におすすめ!】 ・Pythonによる自然言語処理を学びたい初心者 ・他の入門書を読んで、挫折してしまった人 ・プログラミングでとにかく面白いことがしてみたい人 第1章 1行で愛を作る 第2章 ハロー!ゲンシジン! 第3章 メロスの激おこ具合を冷静に可視化する 第4章 江戸川&コナンの小説を自動生成してみる 第5章 「??」-「群馬」=「宇都宮」-「栃木」を機械に求めさせる 第6章 両親の名前の漢字を足し算して、子供を命名するAIを作る 第7章 もしAIが三国志を読んだら。孔明や関羽のライバルは誰なのか? 第8章 「赤の他人」の対義語は「白い恋人」、をAIで自動生成する 終章 天才的なアイデアを出して開発するための5つのコツ
AIで「ソニック」「レトロゲーム」「Unityゲーム」「マインクラフト」「スタークラフト2」「FX・株トレード」を攻略 AIで「ソニック」「レトロゲーム」「Unityゲーム」「マインクラフト」「スタークラフト2」「ロボット制御」「FX・株トレード」を攻略 人工知能によるゲームの攻略は、ゲーム開発者のみならず、機械学習を学びたい学生や研究者にとっても、最もホットな話題となっており、日々新たな攻略アルゴリズムが発表されています。そのなかでも、2015年12月に設立された非営利団体「OpenAI」は、その中心的な存在となっています。 「OpenAI」は、誰でも自由に使える強化学習ツールキット「OpenAI Gym」を公開しており、このなかにはAtraiのゲーム環境やロボット制御の環境などの学習用の環境が多数含まれています。本書では、この「OpenAI Gym」を使って、ゲームを攻略するAIを作るための手法を手順を追って解説しています。 「OpenAI Gym」では、さまざまな強化学習アルゴリズムがまとめられた「Stable Baselines」を組み合わせて学習を行うため、本書でも「Stable Baselines」の概要から各アルゴリズムの詳細、学習状況の監視の方法などをサンプルを作りながら紹介しています。 Atraiのゲーム環境には、AIで攻略するための無償のゲームが数多く含まれていますが、「OpenAI Gym」の「Gym Retro」環境は、より高度な市販ゲームを攻略するためのもので、本書では実際に有償の「ソニック・ザ・ヘッジホッグ」(セガ/メガドライブ版)のゲームを入手して攻略していきます。 「OpenAI Gym」は、レトロゲーム以外にも「マインクラフト」「スタークラフトII」といった最新ゲームを攻略するための環境、Unityゲームを攻略するためのGymラッパー、ロボット制御の強化学習、FX・株の値動きを予測する環境など、多数の環境が接続でき、本書の最後ではさまざまなバリエーションの学習の概要も取り上げます。 1章 深層学習と開発環境の概要 1-1 人工知能と機械学習 1-2 教師あり学習と教師なし学習と強化学習 1-3 強化学習 1-4 開発環境と開発フレームワーク 2章 Pythonの開発環境の準備 2-1 Anacondaの準備 2-2 Google Colabの準備 2-3 Pythonの文法 3章 OpenAI Gymツールキットの概要と環境構築 3-1 OpenAI Gymの概要 3-2 OpenAI Gymのインストールと動作確認 3-3 Gymインタフェース 3-4 行動空間と状態空間 4章 強化学習アルゴリズムStable Baselinesの概要と環境構築 4-1 Stable Baselinesの概要とインストール 4-2 強化学習アルゴリズムの分類と特徴 4-3 平均報酬と平均エピソード長の出力とMonitorの利用 4-4 モデルの保存と読み込み 4-5 TensorBoardとコールバックによる学習状況の監視 4-6 マルチプロセッシングの概要と実装 4-7 Stable Baselines Zooによる学習済みモデル実行 5章 Atari環境の攻略 5-1 Atari環境の学習 5-2 前処理 5-3 ハイパーパラメータの調整 5-4 クラウド学習 5-5 模倣学習によるAtrai環境の学習 6章 Gym Retro環境の攻略 6-1 Gym Retro環境の構築 6-2 Gym Retroの学習 6-3 ゲームインテグレーションの作成 7章 ソニック環境の攻略 7-1 ソニック環境の準備 7-2 強化学習によるソニック環境の攻略 7-3 模倣学習によるソニック環境の攻略 7-4 ソニックのAIをさらに強化する試み 8章 さまざまな強化学習環境 8-1 OpenAIのMuJoCo環境とRobotics環境 8-2 PyBullet 環境:オープンソースな3D物理シミュレーション環境 8-3 AnyTrading:トレーディングの強化学習環境 8-4 Unity ML-Agents:Unityの強化学習環境 8-5 Gymラッパー:Unity ML-Agents環境をGym環境に変換 8-6 MarLÖ:マインクラフトの模倣学習環境 8-7 PySC2:StarCraft IIの強化学習環境 8-8 そのほかの強化学習環境
「音声認識」とは音声信号から発話内容を認識することで、AIスピーカなどに利用されている技術です。本書は、音声認識技術の発展経緯を学びながら、深層学習を用いた最新の音声認識システムを実装できるまでを目的とし、手法の目的やアルゴリズムの概要を解説、続いて数式レベルでの詳説、最後にソースコード付きで実装という流れで解説しています。特に手法の概要については「その手法は何を目的として生み出されたのか」という経緯と「なぜその手法は前述の目的を達成できるのか」について直感的に理解できるよう工夫しています。
グーグルエンジニアらへの取材に基づきその技術をやさしく解説 最新の事例から、将来のビジネスの変化を探る1冊 ディープラーニングは、人工知能や機械学習と何が違う? この技術によって将来、ビジネスはどう変化する? グーグルのエンジニアらへの取材に基づき、 その技術をやさしく解説するとともに 最新の事例から、将来のビジネスの変化を探る1冊。 囲碁のプロ棋士に勝つ、クイズのチャンピオンに勝つ──、人工知能(AI)はこうした特定分野で象徴的な成果を上げてきました。しかし、最近ではAIが人々の生活や経済活動を改善して、世の中を変えていく可能性を示す実例が次々と出てきました。 例えば、米グーグルは、AIを使った「Google翻訳」の精度を大きく改善し、長年「実用的ではない」と言われてきた機械翻訳を日常生活では十分実用的なレベルへと引き上げました。また、同社はデータセンターにおけるサーバーなどの冷却電力を40%も削減しました。これもAIを活用して空調や窓の調節・開閉など約120の要素を制御し最適化した成果です。大手IT企業は次々と、画像認識、音声認識、翻訳といったAI機能を安価に提供し始めており、いわば「蛇口をひねればAIがすぐ使える」時代が間もなく到来します。 このAIの進化をけん引するのが、脳の神経回路が仕組みの原点にある「ディープラーニング」という技術です。本書では、グーグルのエンジニアらへの取材に基づき、このディープラーニング技術をやさしく解説。また、将来のビジネスがどう変わるのか、グーグルのサービスや日本企業の取り組み事例から探るとともに、その未来の姿に迫ります。 序 章 ディープラーニングがすべてのビジネスを変える 第1章 人工知能と機械学習とディープラーニングはどう違う? 第2章 ディープラーニングの仕組み 第3章 グーグルのディープラーニング活用事例 第4章 ディープラーニングで業務効率化、国内で続々始まる 第5章 データ×目的で整理し、活用の展開図を描こう 第6章 ディープラーニングが課題を解決する未来へ グーグルクラウド・マシンラーニング・グループ研究責任者のジア・リーさんに聞く 序章 ディープラーニングがすべてのビジネスを変える ビッグデータでディープラーニングが実力発揮 トヨタは日米の全乗用車を通信対応に 人工知能でイノベーションを生む時代に 中小企業にも人工知能の恩恵 1章 超入門 人工知能と機械学習とディープラーニングはどう違う? ディープラーニングは機械学習の一部 機械学習は人間がプログラムを作らない コンピューターの発達がディープラーニングを可能に 「リサーチの洪水」のごとき人工知能の広がり 「モバイルファースト」から「AIファースト」へ 2章 入門 ディープラーニングの仕組み 機械学習「以外」の人工知能とは 機械学習の基本 機械学習といってもいろいろな手法がある ニューラルネットワークは脳の神経構造 分類の仕方はコンピューターが自分で学んでいく ネット上の「遊び場」でニューラルネットを理解 教師あり学習と強化学習 「アルファ碁」は強化学習をフル活用 3章 グーグル事例編 グーグルのディープラーニング活用事例 ■未来へ向けて、広がるディープラーニングの活用 話しかけて使う家庭のAIコンシェルジュ 人間相手のように話が通じる?! ■自動運転を支えるディープラーニング ディープラーニングでデータセンターを劇的に省エネ化 ■人間の目を超える、ものを見分ける画像認識 写真を自動で分類する「Googleフォト」 お絵描きを人工知能が評価する「Quick,Draw!」 コンピューターも夢を見られるか?「ディープドリーム」の実験 優れたアートや音楽を生み出す「マジェンタ」 動画像の認識も! 「読唇術で人間の専門家に勝つ」 ■文章を理解するテキスト分析 自動で返信メールの候補文を作る「Inbox」 迷惑メールフィルタの精度も格段に向上 企業の情報検索をスムーズにする「グーグルスプリングボード」 ■話しかけるだけでコンピューターと意思疎通をする「音声認識」 会話しながら人間をサポートする「Google アシスタント」 合成音声もピアノの曲も作成できる「WaveNet」 ■言語の壁を越える可能性が見えてきた「機械翻訳」 ニューラルネットでGoogle翻訳が進化 ■ディープラーニングの成果を手軽に使える「機械学習API」 カスタマイズしたディープラーニングを活用できる「テンソルフロー」 ディープラーニングが向く領域、向かない領域 4章 企業事例編 ディープラーニングで業務効率化、国内で続々始まる ■安藤ハザマ、トンネル工事の岩盤の堅さを判定 掘削工事の自動的な最適化まで視野に ■クルマの写真から型式まで特定、オークネットIBS 年間約500万台の中古車データを活用 クルマの向きが識別できず悩む 中古車取引の活性化に貢献 ■エアロセンス、ドローン空撮データへ活用 少ない教師データで自動車の台数検出システムを構築 測量の効率を高めるマーカーを開発 ■Peach、音声認識AIで運航案内を24時間化 人と人工知能の役割分担 ■三井住友FG、カード不正検知精度が劇的に向上 コールセンターへは全席に導入 データから答えは出てこない 5章 活用フレームワーク編 データ×目的で整理し、活用の展開図を描こう ■データ×目的による整理法 先行する画像データの活用 音声データはコールセンター中心 まずはコスト削減から入るのが現実的 ■成功に必要な常識と人材の転換 活用の展開図を描けるか 必要な人材像は? 機械学習はコモディティー化、次の特別な存在は 6章 将来展望編 ディープラーニングが課題を解決する未来へ グーグルクラウド・マシンラーニング・グループ研究責任者のジア・リーさんに聞く 技術革新の牽引役はディープラーニング 人間は優秀、アルゴリズムの研究はまだまだ途上 ディープラーニングは「データハングリー」 現実世界の課題を解決することがAI研究の目標 おわりに
TensorFlow(テンソルフロー)の基本から開発手法まで徹底解説! 【本書の特徴】 2015年11月にGoogleがオープンソース化したソフトウェアライブラリ「TensorFlow(テンソルフロー)」は、 多くの開発者に支持され、多企業で採用されています。 本書は、TensorFlowの導入から、高レベルAPIであるKerasを利用した実践的な深層学習モデルまで解説した、 エンジニア向けの入門書です。第1部の基本編では、深層学習とTensorFlow、Kerasの基礎について解説し、 第2部の応用編では画像処理における応用的なモデルのKerasを使った実装方法を解説します。 特に、第2部では、「ノイズ除去」「自動着色」「超解像」「画風変換」「画像生成」を取り上げています。 TensorFlowやKerasの機能面を押さえつつ、現場で使用できるような実践的な深層学習モデルまでフォローしています。 【対象読者】 深層学習に入門したいエンジニア 【目次】 第1部 基本編 第1章 機械学習ライブラリTensorFlowとKeras 第2章 開発環境を構築する 第3章 簡単なサンプルで学ぶTensorFlowの基本 第4章 ニューラルネットワークとKeras 第5章 KerasによるCNNの実装 第6章 学習済みモデルの活用 第7章 よく使うKerasの機能 第2部 応用編 第8章 CAEを使ったノイズ除去 第9章 自動着色 第10章 超解像 第11章 画風変換 第12章 画像生成 第1部 基本編 第1章 機械学習ライブラリTensorFlowとKeras 第2章 開発環境を構築する 第3章 簡単なサンプルで学ぶTensorFlowの基本 第4章 ニューラルネットワークとKeras 第5章 KerasによるCNNの実装 第6章 学習済みモデルの活用 第7章 よく使うKerasの機能 第2部 応用編 第8章 CAEを使ったノイズ除去 第9章 自動着色 第10章 超解像 第11章 画風変換 第12章 画像生成
ディープラーニングの動作する数学の仕組みを解説。どの分野が必要かを知り、基本を理解し、どのように効いているかを学びます。 本書は、ディープラーニングを支え、ベースとなっている数学に焦点をあて、どのような仕組みで、どのように効いて、なぜ機能するのかの解説をしていきます。「ブラックボックス」と思われがちなディープラーニングの中身を理解していきます。 高校数学の知識を前提としながらも、必要な数学を復習しつつ、高校で習わない偏微分に関しては基本から必要な部分を解説して、ディープラーニングを支える数学の知識を学んでいきます。 「ディープラーニングという言葉は聞くが、どんなものなのか分からないので理解したい」「ブラックボックスと言われるディープラーニングの仕組みを知りたい」「ディープラーニングを学びたいけれど、数学の勉強のどこから手を付けていいか分からない」といった読者の興味に応える一冊です。 数学を学びながら、それがディープラーニングにどのように効いているのか分かることが重要です。その点を実感として理解することができれば、ディープラーニングの仕組みの本質が理解できたことにつながっていきます。そのためのディープラーニングの主要な概念の解説もしていきます。
プログラミング言語Python(パイソン)の入門書 本書はプログラミング言語Python(パイソン)の入門書です。 初めてPythonに取り組む人にとってもわかりやすいように、Pythonの文法の基本を1つずつ丁寧に説明します。小さなプログラムを実際に作りながらの説明なので、その文法がどんなものなのか、どんな時に使えばいいのかを理解しやすくなっています。また、プログラムが動く楽しさを味わいながら進むことができるようになっています。 後半では、より本格的にPythonを使っていくためのプログラミングを学んでいきます。途中少し難しめの解説があるところでは、「後から読んでも大丈夫」というマークを付けて、読み飛ばせるようになっています。 実践編や応用編では、少し長めのプログラムを書いて、デスクトップアプリやWebアプリを作ったり、機械学習で判定をするプログラムを書いたりする作例を紹介しています。これによって、本書で学習したことの理解を深めることもできますし、動くプログラムを作る楽しさや充実感を味わうことができます。 「初心者だけど、とりあえず動くものを作りたい」という目的にも使えますし、少し上達してから、後回しにしていた内容をもう一度読んで、「さらに力を付けて、高度なプログラミングにも挑戦してみたい」という目的にも使える、1冊で2度おいしい本です。 Chapter 1 Pythonのインストールとプログラムの実行 Chapter 1-1プログラミングや Pythonについて Chapter 1-2 Pythonのインストール Chapter 1-3 Pythonの対話モードについて Chapter 1-4 Python開発環境について Chapter 1-5 エディタで書いたスクリプトを実行しよう Chapter 2 はじめの一歩 .基本的な文法を学ぼう Chapter 2-1 電卓より便利な Pytyon Chapter 2-2 変数について Chapter 2-3 文字列について Chapter 2-4 ユーザーから入力を得る方法 Chapter 2-5 制御構文(1)条件分岐について Chapter 2-6 制御構文(2)繰り返しについて Chapter 3 リストや関数について - 便利な仕組みを知っておこう Chapter 3-1 リストについて Chapter 3-2 辞書型について Chapter 3-3 文字列の操作 Chapter 3-4 関数の定義と利用 Chapter 3-5 無名関数について Chapter 3-6 イテレータとジェネレータについて Chapter 3-7 例外処理について Chapter 4 モジュールやパッケージを使ってみよう Chapter 4-1 モジュールについて Chapter 4-2 PyPIのパッケージを使ってみよう Chapter 4-3 ファイル処理とwith構文 Chapter 4-4 コマンドラインツールを作ろう Chapter 4-5 正規表現について Chapter 5 実践編 ― Pythonを実践で使おう Chapter 5-1デスクトップアプリを作ってみよう Chapter 5-2 Webアプリを作ってみよう Chapter 5-3 Webアプリ/1行チャットを作ろう Chapter 5-4 機械学習に挑戦してみよう Chapter 5-5 機械学習でワインの美味しさを判定しよう Chapter 6 応用編 ― オブジェクト指向について Chapter 6-1 オブジェクト指向について Chapter 6-2 継承について Chapter 6-3 非公開メンバと静的メソッド Chapter 6-4 クラスの特殊メソッドについて Chapter 6-5 抽象基底クラスとダック・タイピング Chapter 6-6 ユニットテストについて Chapter 6-7 Webアプリで会員制 Webサイトを作ろう
近年、AIスピーカをはじめとした音声認識システムがさまざまな場面で使われています。一般的に音声認識システムは1人の声を聞き取ることを想定しており、それ以外の音があると聞きたい声を正確に聞き取ることが難しくなります。「音源分離」とはさまざまな音が混ざった中から欲しい音だけを抽出する技術です。音源分離の基礎からPythonを用いた実装までを詳しく解説しています。本書は中級者以上に向けた、特定の技術分野のアルゴリズムの紹介と、それを実装したコードを解説する、より技術的・実践的な「機械学習実践シリーズ」です。
本書は野村総合研究所のシステムコンサルティング事業本部で実施している「アナリティクス研修」をベースにした増補改訂版で、「統計的なモデリングとは何か?」「モデルに基づく要因の分析と予測の違いとは?」「具体的なモデルの作り方」「結果を解釈する際の落とし穴の見分け方」など、ビジネスの現場感を重視した構成です。実務で遭遇するデータ品質や加工のポイント、さらにRとPythonを利用し、データからモデルを作成して結果を得るという基本的な手順を体験できます。これからデータ分析や統計解析、機械学習を学び、現場でそれらを活用したい方に最短学習コースでお届けします。 第1章:データサイエンス入門 1.1:データサイエンスの基本 1.1.1:データサイエンスの重要性 1.1.2:データサイエンスの定義とその歴史 1.1.3:データサイエンスにおけるモデリング 1.1.4:データサイエンスとその関連領域 1.2:データサイエンスの実践 1.2.1:データサイエンスのプロセスとタスク 1.2.2:データサイエンスの実践に必要なツール 1.2.3:データサイエンスの実践に必要なスキル 1.2.4:データサイエンスの限界と課題 コラム:ビジネス活用における留意点 第2章:RとPython 2.1:RとPython 2.1.1:RとPythonの比較 2.2:R入門 2.2.1:Rの概要 2.2.2:Rの文法 2.2.3:データ構造と制御構造 2.3:Python入門 2.3.1:Pythonの概要 2.3.2:Pythonの文法 2.3.3:Pythonでのプログラミング 2.3.4:NumPyとpandas 2.4:RとPythonの実行例の比較 2.4.1:簡単な分析の実行例 第3章:データ分析と基本的なモデリング 3.1:データの特徴を捉える 3.1.1:分布の形を捉える ─ ビジュアルでの確認 3.1.2:要約統計量を算出する ─ 代表値とばらつき 3.1.3:関連性を把握する ─ 相関係数の使い方と意味 3.1.4:Rを使った相関分析 ─ 自治体のデータを使った例 3.1.5:確立分布とその利用 ─ 理論と実際の考え方 3.2:データからモデルを作る 3.2.1:目的変数と説明変数 ─ 説明と予測の「向き」 3.2.2:簡単な線形回帰モデル ─ Rによる実行と結果 3.2.3:ダミー変数を使ったモデル ─ グループ間の差異を分析 3.2.4:複雑な線形回帰モデル ─ 交互作用,モデル間の比較 3.2.5:線形回帰の仕組みと最小二乗法 3.3:モデルを評価する 3.3.1:モデルを評価するための観点 3.3.2:この結果は偶然ではないのか? ─ 有意確率と有意差検定 3.3.3:モデルはデータに当てはまっているか? ─ フィッティングと決定係数 3.3.4:モデルは複雑すぎないか? ─ オーバーフィッティングと予測精度 3.3.5:残差の分布 ─ 線形回帰モデルと診断プロット 3.3.6:説明変数同士の相関 ─ 多重共線性 3.3.7:標準偏回帰係数 第4章:実践的なモデリング 4.1:モデリングの準備 4.1.1:データの準備と加工 4.1.2:分析とモデリングの手法 4.2:データの加工 4.2.1:データのクレンジング 4.2.2:カテゴリ変数の加工 4.2.3:数値変数の加工とスケーリング 4.2.4:分布の形を変える ─ 対数変換とロジット変換 4.2.5:欠損値の処理 4.2.6:外れ値の処理 4.3:モデリングの手法 4.3.1:グループに分ける ─ クラスタリング 4.3.2:指標を集約する ─ 因子分析と主成分分析 4.3.3:一般化線形モデル(GLM)とステップワイズ法 4.3.4:2値データを目的変数とする分析 ─ ロジスティック回帰 4.3.5:セグメントの抽出とその特徴の分析 ─ 決定木 4.4:因果推論 4.4.1:データから因果関係を明らかにする ─ 統計的因果推論 4.4.2:因果の有無の検証 4.4.3:因果効果の推定 4.4.4:因果関係の定式化 ─ 構造方程式モデリング 4.4.5:因果関係の定式化 ─ 構造的因果モデル 4.4.6:因果関係の定式化 ─ ベイズ統計モデリング 4.4.7:因果の探索 4.4.8:因果関係に基づく変数選択 第5章:機械学習とディープラーニング 5.1:機械学習の基本とその実行 5.1.1:機械学習の基本 5.1.2:機械学習ライブラリの活用 ─ scikit-learn 5.1.3:機械学習の実行(教師あり学習) 5.1.4:機械学習の実行(教師なし学習) 5.1.5:スケーリングの実行(標準化・正規化) 5.1.6:次元の削減(主成分分析) コラム:機械学習と強化学習 5.2:機械学習アルゴリズムの例 5.2.1:k近傍法 5.2.2:ランダムフォレスト 5.2.3:ロジスティック回帰とリッジ回帰 5.2.4:サポートベクターマシン(SVM) 5.3:機械学習の手順 5.3.1:機械学習の主要な手順 5.3.2:ホールドアウト法による実行 5.3.3:クロスバリデーションとグリッドサーチ 5.3.4:閾値の調整 5.3.5:特徴量の重要度と部分従属プロット 5.4:機械学習の実践 5.4.1:データの準備に関わる問題 5.4.2:特徴抽出と特徴ベクトル 5.4.3:機械学習の実行例 5.5:ディープラーニング 5.5.1:ニューラルネットワーク 5.5.2:ディープラーニングを支える技術 5.5.3:ディープラーニング・フレームワーク 5.5.4:ディープラーニングの実行 5.5.5:生成モデル
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
機械学習のしくみを学ぶデータサイエンスの本質を理解する。 第1章 データサイエンスと機械学習 第2章 最小二乗法:機械学習理論の第一歩 第3章 最尤推定法:確率を用いた推定理論 第4章 パーセプトロン:分類アルゴリズムの基礎 第5章 ロジスティック回帰とROC曲線:学習モデルの評価方法 第6章 k平均法:教師なし学習モデルの基礎 第7章 EMアルゴリズム:最尤推定法による教師なし学習 第8章 ベイズ推定:データを元に「確信」を高める手法
AI開発に必要な数学の基礎知識がこれ1冊でわかる! AI開発に必要な数学の基礎知識がこれ1冊でわかる! 【本書の目的】 本書は以下のような対象読者に向けて、 線形代数、確率、統計/微分 といった数学の基礎知識をわかりやすく解説した書籍です。 【対象読者】 • 数学がAIや機械学習を勉強する際の障壁になっている方 • AIをビジネスで扱う必要に迫られた方 • 数学を改めて学び直したい方 • 文系の方、非エンジニアの方で数学の知識に自信のない方 • コードを書きながら数学を学びたい方 【目次】 序章 イントロダクション 第1章 学習の準備をしよう 第2章 Pythonの基礎 第3章 数学の基礎 第4章 線形代数 第5章 微分 第6章 確率・統計 第7章 数学を機械学習で実践 Appendix さらに学びたい方のために 序章 イントロダクション 0.1 本書の特徴 0.2 本書でできるようになること 0.3 本書の対象 0.4 人工知能(AI)とは? 0.5 人工知能向けの数学 0.6 本書の使い方 第1章 学習の準備をしよう 1.1 Anacondaのインストール 1.2 Jupyter Notebookの使い方 1.3 サンプルのダウンロードと本書の学び方 第2章 Python の基礎 2.1 Pythonの基礎 2.2 NumPyの基礎 2.3 matplotlibの基礎 第3章 数学の基礎 3.1 変数、定数 3.2 関数 3.3 べき乗と平方根 3.4 多項式関数 3.5 三角関数 3.6 総和と総乗 3.7 乱数 3.8 LaTeXの基礎 3.9 絶対値 COLUMN ディープラーニングが躍進する理由 第4章 線形代数 4.1 スカラー、ベクトル、行列、テンソル 4.2 ベクトルの内積とノルム 4.3 行列の積 4.4 転置 4.5 行列式と逆行列 4.6 線形変換 4.7 固有値と固有ベクトル 4.8 コサイン類似度 第5章 微分 5.1 極限と微分 5.2 連鎖律 5.3 偏微分 5.4 全微分 5.5 多変数合成関数の連鎖律 5.6 ネイピア数と自然対数 5.7 最急降下法 COLUMN シンギュラリティと指数関数 第6章 確率・統計 6.1 確率の概念 6.2 平均値と期待値 6.3 分散と標準偏差 6.4 正規分布とべき乗則 6.5 共分散 6.6 相関係数 6.7 条件付き確率とベイズの定理 6.8 尤度 6.9 情報量 COLUMN 自然言語処理とは 第7章 数学を機械学習で実践 7.1 回帰と過学習 7.2 分類とロジスティック回帰 7.3 ニューラルネットワークの概要 7.4 学習のメカニズム 7.5 単一ニューロンによる学習の実装 7.6 ディープラーニングへ Appendix さらに学びたい方のために AP 1 書籍や動画で学ぶ
ディープラーニング実装入門書の決定版! ニューラルネットワークの理論とディープラーニングの実装について丁寧に解説。実装には、Python(3.x)とディープラーニング向けライブラリKeras(2.x)、TensorFlow(2.x)、PyTorch(1.x)を用います。 本書では、自然言語処理をはじめとした時系列データ処理のためのディープラーニング・アルゴリズムに焦点を当てているのも大きな特徴の1つです。本書の[第1版](2017年)以降に次々と登場している新しい手法やモデルを丁寧に説明、記事も大幅にボリュームアップしました。 [本書の構成] 1章 数学の準備:ニューラルネットワークのアルゴリズムを理解するための数学の知識、偏微分と線形代数の基本を学びます。アルゴリズムが複雑になってもこの2つを押さえておけばきちんと理解できます。 2章 Pythonの準備:ディープラーニングのアルゴリズムを実装するため、Python環境の構築およびPythonの基本から代表的なライブラリの使い方までを解説します。 3章 ニューラルネットワーク:ニューラルネットワークとは何か、どういった手法かを解説します。単純パーセプトロン、ロジスティック回帰、多クラスロジスティック回帰、多層パーセプトロンを扱います。 4章 ディープニューラルネットワーク:ディープラーニングはニューラルネットワークのモデルの発展形です。ニューラルネットワークから「ディープ」ニューラルネットワークになるうえで発生する課題とそれを解決するテクニックについて解説します。 5章 リカレントニューラルネットワーク:ニューラルネットワークに「時間」という概念を取り込むとどのようなモデルになるのか。通常のディープラーニングのモデルではうまく扱うことができない時系列データの扱いに特化したモデルであるリカレントニューラルネットワーク(RNN)とその手法LSTM、GRUについて取り上げます。 6章 リカレントニューラルネットワークの応用:時系列データの扱いに関しては、自然言語処理で新しいモデルが考えられてきました。本章では、Encoder-Decoder、Attention、Transformerについて学んでいきます。 付録 ライブラリ内部の処理を理解するためのグラフの知識と、Pythonのデコレータ @tf.function の実装例、Keras、TensorFlow、PyTorchによるモデルの保存・読み込みについて解説します。 はじめに 1章 数学の準備 1.1 偏微分 1.2 線形代数 1.3 まとめ 1章の参考文献 2章 Python の準備 2.1 Python 2とPython 3 2.2 Anaconda ディストリビューション 2.3 Python の基本 2.4 NumPy 2.5 ディープラーニング向けライブラリ 2.6 まとめ 3章 ニューラルネットワーク 3.1 ニューラルネットワークとは 3.2 回路としてのニューラルネットワーク 3.3 単純パーセプトロン 3.4 ロジスティック回帰 3.5 多クラスロジスティック回帰 3.6 多層パーセプトロン 3.7 モデルの評価 3.8 まとめ 4章 ディープニューラルネットワーク 4.1 ディープラーニング向けライブラリの導入(Keras/TensorFlow/PyTorch) 4.2 ディープラーニングへの準備 4.3 活性化関数の工夫 4.4 ドロップアウトの導入 4.5 学習の効率化に向けて 4.6 学習率の設定 4.7 重みの初期値の設定 4.8 バッチ正規化 4.9 まとめ 4章の参考文献 5章 リカレントニューラルネットワーク 5.1 基本のアプローチ 5.2 LSTM 5.3 GRU 5.4 双方向リカレントニューラルネットワーク 5.5 埋め込み層における計算 5.6 まとめ 5章の参考文献 6章 リカレントニューラルネットワークの応用 6.1 Encoder-Decoder 6.2 Attention 6.3 Transformer 6.4 まとめ 6章の参考文献 付録 A.1 計算グラフ A.2 @tf.function A.3 モデルの保存と読み込み(Keras、TensorFlow、PyTorch) 索引
アルゴリズム取引にPythonを利用する方法を解説。自動取引戦略をシステマチックに構築、デプロイするための選択肢を学ぶ。 Pythonを使ってトレードを始めたい人に最適! 『Pythonによるファイナンス 第2版』の著者が、アルゴリズムトレードにPythonを利用する方法を解説する書籍です。具体的には、アルゴリズムトレード用の適切なPython環境の設定、データの取得、NumPy/pandasを使ったデータ分析、取引戦略のバックテスト、市場予測、ストリーミングのリアルタイム処理等、アルゴリズム取引のさまざまな側面にPythonを適用するさまざまな手法を紹介することにより、自動取引戦略をシステマチックに構築、デプロイするために、どんな選択肢があるのかを学ぶことができます。 アルゴリズム取引にPythonを利用する方法を解説。自動取引戦略をシステマチックに構築、デプロイするための選択肢を学ぶ。
ディープラーニングの発展・応用手法を実装しながら学ぼう 本書ではディープラーニングの発展・応用手法を実装しながら学習していきます。ディープラーニングの実装パッケージとしてPyTorchを利用します。扱うタスク内容とディープラーニングモデルは次の通りで「ビジネスの現場でディープラーニングを活用するためにも実装経験を積んでおきたいタスク」という観点で選定しました。 [本書で学習できるタスク] 転移学習、ファインチューニング:少量の画像データからディープラーニングモデルを構築 物体検出(SSD):画像のどこに何が映っているのかを検出 セマンティックセグメンテーション(PSPNet):ピクセルレベルで画像内の物体を検出 姿勢推定(OpenPose):人物を検出し人体の各部位を同定しリンク GAN(DCGAN、Self-Attention GAN):現実に存在するような画像を生成 異常検知(AnoGAN、Efficient GAN):正常画像のみからGANで異常画像を検出 自然言語処理(Transformer、BERT):テキストデータの感情分析を実施 動画分類(3DCNN、ECO):人物動作の動画データをクラス分類 本書は第1章から順番に様々なタスクに対するディープラーニングモデルの実装に取り組むことで高度かつ応用的な手法が徐々に身につく構成となっています。各ディープラーニングモデルは執筆時点でState-of-the-Art(最高性能モデル)の土台となっており、実装できるようになればその後の研究・開発に役立つことでしょう。 ディープラーニングの発展・応用手法を楽しく学んでいただければ幸いです。 実装環境 ・読者のPC(GPU環境不要)、AnacondaとJupyter Notebook、AWSを使用したGPUサーバー ・AWSの環境:p2.xlargeインスタンス、Deep Learning AMI(Ubuntu)マシンイメージ(OS Ubuntu 16.04|64ビット、NVIDIA K80 GPU、Python 3.6.5、conda 4.5.2、PyTorch 1.0.1) 第1章 画像分類と転移学習(VGG) 1.1 学習済みのVGGモデルを使用する方法 1.2 PyTorchによるディープラーニング実装の流れ 1.3 転移学習の実装 1.4 Amazon AWSのクラウドGPUマシンを使用する方法 1.5 ファインチューニングの実装 第2章 物体検出(SSD) 2.1 物体検出とは 2.2 Datasetの実装 2.3 DataLoaderの実装 2.4 ネットワークモデルの実装 2.5 順伝搬関数の実装 2.6 損失関数の実装 2.7 学習と検証の実施 2.8 推論の実施 第3章 セマンティックセグメンテーション(PSPNet) 3.1 セマンティックセグメンテーションとは 3.2 DatasetとDataLoaderの実装 3.3 PSPNetのネットワーク構成と実装 3.4 Featureモジュールの解説と実装 3.5 Pyramid Poolingモジュールの解説と実装 3.6 Decoder、AuxLossモジュールの解説と実装 3.7 ファインチューニングによる学習と検証の実施 3.8 セマンティックセグメンテーションの推論 第4章 姿勢推定(OpenPose) 4.1 姿勢推定とOpenPoseの概要 4.2 DatasetとDataLoaderの実装 4.3 OpenPoseのネットワーク構成と実装 4.4 Feature、Stageモジュールの解説と実装 4.5 TensorBoardXを使用したネットワークの可視化手法 4.6 OpenPoseの学習 4.7 OpenPoseの推論 第5章 GANによる画像生成(DCGAN、Self-Attention GAN) 5.1 GANによる画像生成のメカニズムとDCGANの実装 5.2 DCGANの損失関数、学習、生成の実装 5.3 Self-Attention GANの概要 5.4 Self-Attention GANの学習、生成の実装 第6章 GANによる異常検知(AnoGAN、Efficient GAN) 6.1 GANによる異常画像検知のメカニズム 6.2 AnoGANの実装と異常検知の実施 6.3 Efficient GANの概要 6.4 Efficient GANの実装と異常検知の実施 第7章 自然言語処理による感情分析(Transformer) 7.1 形態素解析の実装(Janome、MeCab+NEologd) 7.2 torchtextを用いたDataset、DataLoaderの実装 7.3 単語のベクトル表現の仕組み(word2vec、fastText) 7.4 word2vec、fastTextで日本語学習済みモデルを使用する方法 7.5 IMDb(Internet Movie Database)のDataLoaderを実装 7.6 Transformerの実装(分類タスク用) 7.7 Transformerの学習・推論、判定根拠の可視化を実装 第8章 自然言語処理による感情分析(BERT) 8.1 BERTのメカニズム 8.2 BERTの実装 8.3 BERTを用いたベクトル表現の比較(bank:銀行とbank:土手) 8.4 BERTの学習・推論、判定根拠の可視化を実装 第9章 動画分類(3DCNN、ECO) 9.1 動画データに対するディープラーニングとECOの概要 9.2 2D Netモジュール(Inception-v2)の実装 9.3 3D Netモジュール(3DCNN)の実装 9.4 Kinetics動画データセットをDataLoaderに実装 9.5 ECOモデルの実装と動画分類の推論実施
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