【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

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〕

自然言語処理編

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

AIを現実のビジネスにどう活かすか？　成功要件と最新事例をAIベンチャーのトップが解説。

「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によるGAN（敵対的生成ネットワーク）の学習書です。GANはディープラーニングの最先端の分野でゼロから新しいデータを生成します。いままでは大量の画像と高価な計算機が必要で、初心者が一人で実装するにはハードルが高い分野でしたしかし現在はクラウド環境の充実やGoogle Colaboratoryなど無料GPUも使えるようになり、ぐっとハードルが低くなりました。 本書では、GANの基礎を理解したうえで、画像生成、超解像、ドメイン変換、動画変換、スタイル操作、異常検知3Dデータ生成など応用まで網羅しました。 第1章　生成モデル 第2章　変分オートエンコーダ（VAE） 第3章　GANの基本モデル（DCGAN、CGAN、LSGAN） 第4章　超解像（ESRGAN） 第5章　ドメイン変換（pix2pix、CycleGAN） 第6章　動画変換（Recycle-GAN） 第7章　StyleGAN GANはディープラーニングの技術の一つで画像を生成できます。本書は可能な限り多くの生成モデルをカバーし、学習する手順を丁寧に解説します。機械学習による画像生成や画像変換を学びたい入門者に最適です。 第1章　生成モデル 第2章　変分オートエンコーダ（VAE） 第3章　GANの基本モデル（DCGAN、CGAN、LSGAN） 第4章　超解像（ESRGAN） 第5章　ドメイン変換（pix2pix、CycleGAN） 第6章　動画変換（Recycle-GAN） 第7章　StyleGAN

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

本書は日本ディープラーニング協会が実施する「ディープラーニングG検定」の法律・倫理分野に対象を絞ったテキストです。演習問題にはディープラーニングG検定の過去問題を収録しています。 AI関連の開発をする際に、そしてビジネスでAI活用する上で、どうしても最低限知っておかねばならない法律や倫理項目があります。しかし、AIに関する法律や倫理を学べる書籍は難解な法律家向けの書籍以外はほぼありません。 本書は、AIに関する法律・倫理の重要事項を、基礎から平易に解説しています。 ディープラーニングG検定の試験対策だけではなく、AI開発者やAIを活用してビジネスを行っている方、DX推進をされている方などにも幅広く活用していただけます。 第1章　導入 1-1　全体像と導入 第2章　AIに関する法律と契約 2-1　AIと法律の全体像-1　総論 2-2　AIと法律の全体像-2　知的財産権 2-3　著作権法-1　AIと著作権法の全体像 2-4　著作権法-2　著作権の基本 2-5　著作権法-3　AIのモデルと著作権 2-6　著作権法-4　著作物とAIの学習 2-7　著作権法-5　AI生成物と著作権 2-8　特許法-1　特許法 2-9　特許法-2　特許要件 2-10　特許法-3　発明者・職務発明 2-11　データ利活用 2-12　不正競争防止法-1　営業秘密 2-13　不正競争防止法-2　限定提供データ 2-14　不正競争防止法-3　不正競争行為 2-15　個人情報保護法-1 　　　個人情報保護法の全体像 2-16　個人情報保護法-2 　　　個人情報、個人データ、保有個人データとは何か 2-17　個人情報保護法-3 　　　個人情報、個人データ、保有個人データの規制 2-18　個人情報保護法-4　その他の情報カテゴリ 　　　（要配慮個人情報、仮名加工情報、匿名加工情報、個人関連情報） 2-19　個人情報保護法-5　医療情報・カメラ画像 2-20　個人情報保護法-6　海外の個人情報保護制度 2-21　独占禁止法 2-22　契約-1　開発契約① 2-23　契約-2　開発契約② 2-24　契約-3　秘密保持契約 2-25　契約-4　AIサービス提供契約 第3章　AI倫理とAIガバナンス 3-1　AI倫理とAIガバナンスの概要 3-2　国内外の諸ルール 3-3　プライバシー 3-4　公平性 3-5　安全性とセキュリティ 3-6　悪用 3-7　透明性 3-8　民主主義 3-9　環境保護 3-10　仕事 3-11　その他の価値 3-12　AIガバナンス

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

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

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

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 人工知能と世界の見方 人工知能と社会

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

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。

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

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

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

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

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

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

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

大学で学ぶ数学の基礎知識とPythonコードを紐づけて機械学習の基本を学べる！ 数学の基礎知識とPythonコードを紐づけて機械学習の基本を学べる！ 【本書の目的】 現在、人工知能関連のプロダクト・サービスが数多く見受けられるようになりました。 人工知能関連の開発に機械学習の基礎知識は必須です。 本書はそうした機械学習の基礎知識を学びたいエンジニアに向けた書籍です。 【本書の特徴】 本書は機械学習の基本について、数学の知識をもとに、 実際にPythonでプログラムしながら学ぶことができる書籍です。 ・最新のPython 3.7に対応 ・学習内容を「要点整理」で復習 ・数式とコードをつなげたわかりやすい解説 【読者が得られること】 本書を読み終えた後には、機械学習のしくみとプログラミング手法を理解できます。 【対象読者】 機械学習の基礎を学びたい理工学生・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 　1.1　機械学習について 　1.2　Pythonのインストール 　1.3　Jupyter Notebook 　1.4　KerasとTensorFlowのインストール 第2章　Pythonの基本 　2.1　四則演算 　2.2　変数 　2.3　型 　2.4　print文 　2.5　list（リスト、配列変数） 　2.6　tuple（タプル） 　2.7　if文 　2.8　for文 　2.9　ベクトル 　2.10　行列 　2.11　行列（ndarray）の四則演算 　2.12　スライシング 　2.13　条件を満たすデータの書き換え 　2.14　Help 　2.15　関数 　2.16　ファイル保存 第3章　グラフの描画 　3.1　2次元のグラフを描く 　3.2　3次元のグラフを描く 第4章　機械学習に必要な数学の基本 　4.1　ベクトル 　4.2　和の記号 　4.3　積の記号 　4.4　微分 　4.5　偏微分 　4.6　行列 　4.7　指数関数と対数関数 第5章　教師あり学習：回帰 　5.1　1次元入力の直線モデル 　5.2　2次元入力の面モデル 　5.3　D次元線形回帰モデル 　5.4　線形基底関数モデル 　5.5　オーバーフィッティングの問題 　5.6　新しいモデルの生成 　5.7　モデルの選択 　5.8　まとめ 第6章　教師あり学習：分類 　6.1　1次元入力2クラス分類 　6.2　2次元入力2クラス分類 　6.3　2次元入力3クラス分類 第7章　ニューラルネットワーク・ディープラーニング 　7.1　ニューロンモデル 　7.2　ニューラルネットワークモデル 　7.3　Kerasでニューラルネットワークモデル 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） 　8.1　MNISTデータベース 　8.2　2層フィードフォワードネットワークモデル 　8.3　ReLU活性化関数 　8.4　空間フィルター 　8.5　畳み込みニューラルネットワーク 　8.6　プーリング 　8.7　ドロップアウト 　8.8　集大成のMNIST認識ネットワークモデル 第9章　教師なし学習 　9.1　2次元入力データ 　9.2　K-means法 　9.3　混合ガウスモデル 第10章　要点のまとめ 　要点のまとめ

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）

東大 松尾研究室が提供するあの人気講座が待望の書籍化！ 本書は、2017年と2018年に東京大学で実施された「グローバル消費インテリジェンス寄付 講座」の学生向けオフライン講義と、社会人向けオンライン講座で使われた教材がベースになっています。 約400名ほどの受講枠（2年間）に、のべ1,800人以上の応募があった人気の講義です。この本のベースとなるコンテンツはJupyter Notebook形式で公開されていますが、この内容をさらに精査、ブラッシュアップし、読みやすく整えたものが本書になります。 ●本書の内容 本書には、データサイエンティストになるための基礎をつめこんでいます。データサイエンティストは、Pythonや確率・統計、機械学習など、幅広くさまざまな分野の知識を必要とします。 すべての分野を1冊で学ぶことは無理ですので、各分野で深入りはせず基礎的な事項を取り扱っています。データサイエンティストになるための地図と羅針盤のような位置づけとなることをイメージしています。 この本は主にPython 3を使って、基本的なプログラムの書き方、データの取得、読み込み、そのデータ操作からはじまり、さまざまなPythonのライブラリの使い方、確率統計の手法、機械学習（教師あり学習、教師なし学習とチューニング）の使い方についても学びます。取り扱っているデータは、マーケティングに関するデータやログデータ、金融時系列データなどさまざまで、モデリングの前にそれらを加工する手法も紹介しています。データサイエンティストになるには、どれも必要なスキルです。 本書には、さらに以下の3つの特徴があります。 ・実際のデータを使って手を動かしながら、データサイエンスのスキルを身に付けることができる ・データ分析の現場で使える実践的な内容（データ前処理など）が含まれている ・練習問題や総合問題演習など実際に頭を使って考える内容がたくさんある この本に書いてあることを実践し、読み終えた後には、実際の現場でデータ分析ができるようになるはずです。 ●この本の対象読者 この本は、プログラミングの経験があり、理系の大学1～2年生程度の教養課程の数学（線形代数、微分積分学、確率統計の基礎など）を終えている方を対象にしています。具体的には、勉強熱心な大学3～4年生の理系の学生さんや大学院生の方、また社会人になってデータサイエンスを学ぼうという意欲の高い方たちが対象です。データサイエンスの入門レベルから中級レベルの手前までを考えている人に最適で、本書のゴールもデータサイエンス入門レベルを卒業できることを想定しています。 "Contents Chapter 1 本書の概要とPythonの基礎 1-1 データサイエンティストの仕事 　1-1-1 データサイエンティストの仕事 　1-1-2 データ分析のプロセス 　1-1-3 本書の構成 　1-1-4 本書を読み進めるのに役立つ文献 　1-1-5 手を動かして習得しよう 1-2 Pythonの基礎 　　1-2-1 Jupyter Notebookの使い方 　1-2-2 Pythonの基礎 　1-2-3 リストと辞書型 　1-2-4 条件分岐とループ 　Column　format記法と%記法 　1-2-5 関数 　Practice 練習問題1-1 　Practice 練習問題1-2 　1-2-6 クラスとインスタンス 　Practice 1章 総合問題 Chapter 2 科学計算、データ加工、グラフ描画ライブラリの使い方の基礎 2-1 データ分析で使うライブラリ 　2-1-1 ライブラリの読み込み 　2-1-2 マジックコマンド 　2-1-3 この章で使うライブラリのインポート 2-2 Numpyの基礎 　2-2-1 Numpyのインポート 　2-2-2 配列操作 　2-2-3 乱数 　Column　Numpyは高速 2-2-4 行列 　Practice 練習問題2-1 　練習問題2-2 　練習問題2-3 2-3 Scipyの基礎 　2-3-1 Scipyのライブラリのインポート 　2-3-2 行列計算 　2-3-3 ニュートン法 　Practice 練習問題2-4 　練習問題2-5 　練習問題2-6 2-4 Pandasの基礎 　2-4-1 Pandasのライブラリのインポート 　2-4-2 Seriesの使い方 　2-4-3 DataFrameの使い方 　2-4-4 行列操作 　2-4-5 データの抽出 　2-4-6 データの削除と結合 　2-4-7 集計 　2-4-8 値のソート 　2-4-9 nan（null）の判定 　Practice 練習問題2-7 　Practice 練習問題2-8 　Practice 練習問題2-9 2-5 Matplotlibの基礎 　2-5-1 Matplotlibを使うための準備 　2-5-2 散布図 　2-5-3 グラフの分割 　2-5-4 関数グラフの描画 　2-5-5 ヒストグラム 　Column　さまざまなデータのビジュアル化 　Practice 練習問題2-10 　Practice 練習問題2-11 　Practice 練習問題2-12 　Practice 2章 総合問題 Chapter 3 記述統計と単回帰分析 3-1 統計解析の種類 　3-3-1 記述統計と推論統計 　3-3-2 この章で使うライブラリのインポート 3-2 データの読み込みと対話 　3-2-1 インターネットなどで配布されている対象データの読み込み 　3-2-2 データの読み込みと確認 　3-2-3 データの性質を確認する 　Column 　｢変数」という用語について 　3-2-4 量的データと質的データ 3-3 記述統計 　3-3-1 ヒストグラム 　3-3-2 平均、中央値、最頻値 　3-3-3 分散と標準偏差 　3-3-4 要約統計量とパーセンタイル値 　3-3-5 箱ひげ図 　3-3-6 変動係数 　3-3-7 散布図と相関係数 　3-3-8 すべての変数のヒストグラムや散布図を描く 　Practice 練習問題3-1 　Practice 練習問題3-2 　Practice 練習問題3-3 3-4 単回帰分析 　3-4-1 線形単回帰分析 　3-4-2 決定係数 　Practice 練習問題3-4 　Practice 練習問題3-5 　Practice 練習問題3-6 　Practice 3章 総合問題 Chapter 4 確率と統計の基礎 4-1 確率と統計を学ぶ準備 　4-1-1 この章の前提知識 　4-1-2 この章で使うライブラリのインポート 4-2 確率 　4-2-1 数学的確率 　4-2-2 統計的確率 　4-2-3 条件付き確率と乗法定理 　4-2-4 独立と従属 　4-2-5 ベイズの定理 　Practice 練習問題4-1 　Practice 練習問題4-2 　Practice 練習問題4-3 4-3 確率変数と確率分布 　4-3-1 確率変数、確率関数、分布関数、期待値 　4-3-2 さまざまな分布関数 　4-3-3 カーネル密度関数 　Practice 練習問題4-4 　Practice 練習問題4-5 　Practice 練習問題4-6 4-4 応用：多次元確率分布 　4-4-1 同時確率関数と周辺確率関数 　4-4-2 条件付き確率関数と条件付き期待値 　4-4-3 独立の定義と連続分布 4-5 推計統計学 　4-5-1 大数の法則 　4-5-2 中心極限定理 　4-5-3 標本分布 　Practice 練習問題4-7 　Practice 練習問題4-8 　Practice 練習問題4-9 4-6 統計的推定 　4-6-1 推定量と点推定 　4-6-2 不偏性と一致性 　4-6-3 区間推定 　4-6-4 推定量を求める 　Practice 練習問題4-10 　Practice 練習問題4-11 　Practice 練習問題4-12 4-7 統計的検定 　4-7-1 検定 　4-7-2 第1種の過誤と第2種の過誤 　4-7-3 ビッグデータに対する検定の注意 　Practice 練習問題4-13 　Practice 4章 総合問題 Chapter 5 Pythonによる科学計算（NumpyとScipy） 5-1 概要と事前準備 　5-1-1 この章の概要 　5-1-2 この章で使うライブラリのインポート 5-2 Numpyを使った計算の応用 　5-2-1 インデックス参照 　Practice 練習問題5-1 　Practice 練習問題5-2 　Practice 練習問題5-3 5-2-2 Numpyの演算処理 　Practice 練習問題5-4 　Practice 練習問題5-5 　Practice 練習問題5-6 5-2-3 配列操作とブロードキャスト 　Practice 練習問題5-7 　Practice 練習問題5-8 　Practice 練習問題5-9 5-3 Scipyを使った計算の応用・ 　5-3-1 補間 　5-3-2 線形代数：行列の分解 　Practice 練習問題5-10 　Practice 練習問題5-11 　Practice 練習問題5-12 　Practice 練習問題5-13 　Practice 練習問題5-14 　5-3-3 積分と微分方程式 　Practice 練習問題5-15 　Practice 練習問題5-16 　5-3-4 最適化 　Practice 練習問題5-17 　Practice 練習問題5-18 　Practice 5章 総合問題 Chapter 6 Pandasを使ったデータ加工処理 6-1 概要と事前準備 　6-1-1 この章で使うライブラリのインポート 6-2 Pandasの基本的なデータ操作 　6-2-1 階層型インデックス 　Practice 練習問題6-1 　Practice 練習問題6-2 　Practice 練習問題6-3 6-2-2 データの結合 　Practice 練習問題6-4 　 練習問題6-5 　 練習問題6-6 6-2-3 データの操作と変換 　Practice 練習問題6-7 　Practice 練習問題6-8 　Practice 練習問題6-9 6-2-4 データの集約とグループ演算 　Practice 練習問題6-10 　Practice 練習問題6-11 　Practice 練習問題6-12 6-3 欠損データと異常値の取り扱いの基礎 　6-3-1 欠損データの扱い方 　Practice 練習問題6-13 　Practice 練習問題6-14 　Practice 練習問題6-15 　6-3-2 異常データの扱い方 6-4 時系列データの取り扱いの基礎 　6-4-1 時系列データの処理と変換 　Practice 練習問題6-16 　6-4-2 移動平均 　Practice 練習問題6-17 　Practice 6章 総合問題 Chapter 7 Matplotlibを使ったデータ可視化 7-1 データの可視化 　7-1-1 データの可視化について 　7-1-2 この章で使うライブラリのインポート 7-2 データ可視化の基礎 　7-2-1 棒グラフ 　7-2-2 円グラフ 　Practice 練習問題7-1 　Practice 練習問題7-2 　Practice 練習問題7-3 7-3 応用：金融データの可視化 　7-3-1 可視化する金融データ 　7-3-2 ローソクチャートを表示するライブラリ 7-4 応用：分析結果の見せ方を考えよう 　7-4-1 資料作成のポイントについて 　Practice 7章 総合問題 　Column　移動平均時系列データと対数時系列データ Chapter 8 機械学習の基礎（教師あり学習） 8-1 機械学習の全体像 　8-1-1 機械学習とは 　8-1-2 教師あり学習 　8-1-3 教師なし学習 　8-1-4 強化学習 　8-1-5 この章で使うライブラリのインポート 8-2 重回帰 　8-2-1 自動車価格データの取り込み 　8-2-2 データの整理 　8-2-3 モデル構築と評価 　8-2-4 モデル構築とモデル評価の流れのまとめ 　Practice 練習問題8-1 8-3 ロジスティック回帰 　8-3-1 ロジスティック回帰の例 　8-3-2 データの整理 　8-3-3 モデル構築と評価 　8-3-4 スケーリングによる予測精度の向上 　Practice 練習問題8-2 　Practice 練習問題8-3 8-4 正則化項のある回帰：ラッソ回帰、リッジ回帰 　8-4-1 ラッソ回帰、リッジ回帰の特徴 　8-4-2 重回帰とリッジ回帰の比較 　Practice 練習問題8-4 8-5 決定木 　8-5-1 キノコデータセット 　8-5-2 データの整理 　8-5-3 エントロピー：不純度の指標 　8-5-4 情報利得：分岐条件の有益さを測る 　8-5-5 決定木のモデル構築 　Practice 練習問題8-5 8-6 k-NN（k近傍法） 　8-6-1 k-NNのモデル構築 　Practice 練習問題8-6 　Practice 練習問題8-7 8-7 サポートベクターマシン 　8-7-1 サポートベクターマシンのモデル構築 　Practice 練習問題8-8 　Practice 8章 総合問題 Chapter 9 機械学習の基礎（教師なし学習） 9-1 教師なし学習 　9-1-1 教師なしモデルの種類 　9-1-2 この章で使うライブラリのインポート 9-2 クラスタリング 　9-2-1 k-means法 　9-2-2 k-means法でクラスタリングする 　9-2-3 金融マーケティングデータをクラスタリングする 　9-2-4 エルボー法によるクラスター数の推定 　9-2-5 クラスタリング結果の解釈 　9-2-6 k-means法以外の手法 　Practice 練習問題9-1 9-3 主成分分析 　9-3-1 主成分分析を試す 　9-3-2 主成分分析の実例 　Practice 練習問題9-2 9-4 マーケットバスケット分析とアソシエーションルール 　9-4-1 マーケットバスケット分析とは 　9-4-2 マーケットバスケット分析のためのサンプルデータを読み込む 　9-4-3 アソシエーションルール 　Practice 9章 総合問題 Chapter 10 モデルの検証方法とチューニング方法 10-1 モデルの評価と精度を上げる方法とは 　10-1-1 機械学習の課題とアプローチ 　10-1-2 この章で使うライブラリのインポート 10-2 モデルの評価とパフォーマンスチューニング 　10-2-1 ホールドアウト法と交差検証法 　10-2-2 パフォーマンスチューニング：ハイパーパラメータチューニング 　Practice 練習問題10-1 　Practice 練習問題10-2 　10-2-3 パフォーマンスチューニング：特徴量の扱い 　10-2-4 モデルの種類 　10-3 モデルの評価指標 　10-3-1 分類モデルの評価：混同行列と関連指標 　10-3-2 分類モデルの評価：ROC曲線とAUC 　Practice 練習問題10-3 　10-3-3 回帰モデルの評価指標 　Practice 練習問題10-4 10-4 アンサンブル学習 　10-4-1 バギング 　Practice 練習問題10-5 　10-4-2 ブースティング 　10-4-3 ランダムフォレスト、勾配ブースティング 　Practice 練習問題10-6 　10-4-4 今後の学習に向けて 　Practice 練習問題10-7 　Practice 10 章 総合問題 Chapter 11 総合演習問題 11-1 総合演習問題 　11-1-1 総合演習問題（1） 　11-1-2 総合演習問題（2） 　11-1-3 総合演習問題（3） 　11-1-4 総合演習問題（4） 　11-1-5 総合演習問題（5） 　11-1-6 総合演習問題（6） 　11-1-7 参考：今後のデータ分析に向けて Appendix A-1 本書の環境構築について 　A-1-1 Anacondaについて 　A-1-2 Anacondaのパッケージをダウンロードする 　A-1-3 Anacondaをインストールする 　A-1-4 pandas-datareaderおよびPlotlyのインストール A-2 練習問題解答 　A-2-1 Chapter1 練習問題 　A-2-2 Chapter2 練習問題 　A-2-3 Chapter3 練習問題 　A-2-4 Chapter4 練習問題 　A-2-5 Chapter5 練習問題 　A-2-6 Chapter6 練習問題 　A-2-7 Chapter7 練習問題 　A-2-8 Chapter8 練習問題 　A-2-9 Chapter9 練習問題 　A-2-10 Chapter10 練習問題 　A-2-11 Chapter11 総合演習問題 　Column　ダミー変数と多重共線性 A-3 参考文献・参考URL 　A-3-1 参考文献 　A-3-2 参考URL

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

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。

日本一有名なデータサイエンティストが分析組織の全貌を初公開！ 社内の「便利屋」が最強のチームになるまでの挫折と成功の軌跡 日経情報ストラテジーが選ぶ「データサイエンティスト・オブ・ザ・イヤー」の初代受賞者である、 大阪ガスの河本薫氏による待望の2冊目となる本。 同氏が所長を務めるデータ分析組織「ビジネスアナリシスセンター」の生い立ちから数々の失敗、乗り越えてきた壁、そして分析組織のリーダーに求められる信念と行動を初告白します。 社内外の誰からも注目されていなかった無名のチームが、いかにして日本一有名なデータ分析組織に生まれ変われたのか。 チームを率いる著者がこれまで語ることがなかった苦悩や挫折、そして、ある日突然有名になってからの状況の変化などを、余すところなく赤裸々につづった一冊です。 データサイエンティストを目指す人はもちろんのこと、社内でデータ分析組織に携わる人や、これから同じような組織を作りたい人、イノベーションや業務改革を成功させたい人には必読書といえます。 本書はデータ分析の手法の紹介にはフォーカスしていません。 なぜなら著者は「データ分析は業務改革やイノベーションを実現するための手段の1つに過ぎない」と考えているからです。 むしろ、チームのメンバーとデータ分析でイノベーションを起こすという「ミッション」を共有し、問題を解くことではなく会社に役立つことに価値を置く「カルチャー」を育み、社内の事業部門から「信頼（レピュテーション）」を勝ち取ってイノベーションを達成することがデータ分析組織の役割であり、責任範囲であるという持論を展開します。 そのために必要なノウハウや社内での話の進め方、人の巻き込み方などの経験談をふんだんに盛り込みました。 ◆第1章　ビジネスアナリシスセンターの実像 1.1　組織構成と役割 　データ分析の専門家は一つの側面に過ぎない 1.2　会社への貢献 　意思決定プロセスを改革するのが仕事 1.3　十八年の長い道のり 　現場に相手にされなかった苦難の時代 ◆第2章　四種類の「人の壁」を乗り越える 2.1　乗り越える壁（その一） 　事業部門との連携が成功の絶対条件 2.2　乗り越える壁（その二） 　会社全体に貢献してこそ評価される 2.3　乗り越える壁（その三） 　メンバーの能力だけでなくマインドも育てる 2.4　乗り越える壁（その四） 　メンバーのモチベーションを保つ ◆第3章　事業部門から信頼と予算を勝ち取る 3.1　スポンサーシップ制度 　事業部門から予算をもらう独立採算制 3.2　分析者の守備範囲 　データ分析で終わらず「業務改革」まで立ち会う 3.3　人手不足を外部委託で補う 　自分で解くことのこだわりは捨てた ◆第4章　分析組織は経営に必ず貢献できる 4.1　全方位外交が基本 　全組織と仕事ができる利点を生かす 4.2　経営者の視点で分析に臨む 　環境変化を敏感に捉える習慣を付ける 4.3　成果をアピールする 　自分たちの貢献度をリーダーがPR ◆第5章　メンバーの幸福を勝ち取る 5.1　成長の道筋を示す 　ステップアップの青写真を描く 5.2　成長できる仕事をアサイン 　一気通貫で任せる覚悟がリーダーには必要 5.3　サラリーマンとしての幸せ 　個人のブランド価値を高める ◆第6章　十八年かけて築いた三つの無形財産 6.1　私たちのミッション 　メンバーの心に根づいて行動が変わる 6.2　カルチャーを消さない 　役立つことに価値を置く文化を守る 6.3　レピュテーションを獲得 　社内からの信頼が最大の財産 ◆第7章　分析組織のリーダーに求められるもの 7.1　モチベーションの維持は大仕事 　データ分析の価値を生みだすのは人 7.2　挑戦する新分野はリーダーが決める 　ビジョンメイキングと率先垂範 7.3　人脈と知名度と評判 　リーダーのコネでメンバーを助ける 7.4　分析組織のタクティクス 　目的は清く、進め方は腹黒く

新シラバスに完全対応！G検定受験者必携の問題集が増補改訂して再登場！2021年春に公開された最新シラバスに沿って収録問題を増補。新たに「人工知能と法律・契約および動向」の章を追加して、個人情報保護法に関する設問、道路交通法に関する設問（自動運転など）、知財・発明・AI創作物の著作権に関する設問、AI開発契約に関する設問（契約ガイドラインなど）、国や自治体のAI活用方針に関する設問などにバッチリ対応しました。また、最新技術動向として、XAI、DX、自然言語処理、音声認識、強化学習最新技術などの設問なども追加し、近々の出題傾向もしっかり学習できます。巻末には、実際の試験と同等の出題数による模擬試験「総仕上げ問題」を収録。試験直前の実力診断までしっかりサポート！

日本ディープラーニング協会が実施している「ディープラーニングG検定ジェネラリスト」試験向けの資格試験対策用テキスト＆問題集 本書は、日本ディープラーニング協会が実施している「ディープラーニングG検定ジェネラリスト」試験向けの資格試験対策用のテキスト＆問題集です。試験に合格するために必要な知識習得と問題対策を一冊にまとめました。簡潔なレイアウトにし、数式をなるべく使わず、わかりやすい文章や図で説明しています。ディープラーニングをビジネスで活用したいと考えている人が対象読者となります。 試験について（試験概要） 合格のための攻略法 G検定ジェネラリスト合格への効率学習ロードマップ 本書の5つの工夫！ 第1章　人工知能（AI）をめぐる歴史と動向 Theme1　人工知能（AI）とは（人工知能の定義） Theme2　人工知能をめぐる動向 Theme3　人工知能分野の問題 章末問題・解答 第2章　数学的基礎 Theme1　確率統計 Theme2　情報理論 Theme3　行列・線形代数 Theme4　基礎解析 章末問題・解答 第3章　機械学習 Theme1　機械学習の基礎 Theme2　教師あり学習 Theme3　教師なし学習 章末問題・解答 第4章　機械学習の実装 Theme1　実装の全体像・事前準備 Theme2　前処理 Theme3　モデルの学習 Theme4　モデルの評価 章末問題・解答 第5章　ディープラーニングの概要 Theme1　ディープラーニングの特徴 Theme2　多層パーセプトロン Theme3　確率的最急降下法 Theme4　ニューラルネットワークの歴史 章末問題・解答 第6章　ディープラーニングの基本 Theme1　畳込みニューラルネットワーク Theme2　再帰型ニューラルネットワーク Theme3　自己符号化器（Autoencoder） Theme4　深層強化学習 Theme5　その他の手法 章末問題・解答 第7章　ディープラーニングの研究分野 Theme1　画像認識 Theme2　自然言語処理 Theme3　音声処理 Theme4　強化学習 章末問題・解答 第8章　ディープラーニングの産業展開 Theme1　製造業 Theme2　自動車産業 Theme3　インフラ・農業 Theme4　その他の事業 章末問題・解答 第9章　ディープラーニングの制度政策などの動向 Theme1　知的財産 Theme2　原則・ガイドラインと制度・政策 章末問題・解答

人気の「ディープラーニングG検定」試験を徹底分析！　試験に出る知識と問題で効率よく学習できる、テキスト＆問題集。 人気の「ディープラーニングG検定」合格のために、本試験を徹底分析！　試験に出る知識を効率よく習得し、出題実績の高いテーマの問題演習もできるオールインワンのテキスト＆問題集です。 ディープラーニングとは、現在AI（人工知能）の学習法の主流となっている学習手法です。そのため、ディープラーニングについて知ることは、AIについて知ることと言っても過言ではありません。 ディープラーニング「G検定」は、専門家ではない一般のビジネスパーソンや学生を対象としており、回を重ねるほどに受験者が著しく増加している注目の検定試験です。 本書は、過去に実施された本試験を徹底的に分析し、「出るところだけ」をわかりやすいテキストとしてまとめました。また、アウトプット演習として、過去問分析にもとづく予想問題を作成。本試験１回分を超える数の問題を解説付きで収録しています。1冊でインプット＆アウトプット学習を効率よくできるおすすめの対策本です。 【本書の特長】 ■ディープラーニングG検定の最新シラバスに基づいた章構成で体系的に、また、「出るところだけ」を効率的に学習できます！ ■分野・テーマごとに最重要な知識を「Super Summary」としてまとめました。学習を始める前に概略・全体像をつかむために、また、本試験の直前チェックとして役立ちます。 ■テキスト部分は、説明を「出るところだけ」に絞りました。また、図表を豊富に掲載し、知識をわかりやすく習得できます。 ■問題演習は、出題実績の高いテーマを厳選。また、本試験を超える問題数を収録し、この一冊だけで十分なアウトプット学習ができるようにしました。

フレームワーク編

データ分析に必要な理論、概念、分析手法を解説