【2023年】「keras」のおすすめ 本 81選!人気ランキング

この記事では、「keras」のおすすめ 本 をランキング形式で紹介していきます。インターネット上の口コミや評判をベースに集計し独自のスコアでランク付けしています。
記事内に商品プロモーションを含む場合があります
目次
  1. PythonとKerasによるディープラーニング
  2. scikit-learn、Keras、TensorFlowによる実践機械学習 第2版
  3. Pythonディープラーニングシステム実装法-Kerasによる画像・一般データ分類システムの構築-(Keras2.4系以降対応) (設計技術シリーズ86)
  4. 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
  5. 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ
  6. 最短コースでわかる ディープラーニングの数学
  7. TensorFlowとKerasで動かしながら学ぶ ディープラーニングの仕組み ~畳み込みニューラルネットワーク徹底解説~ (Compass Booksシリーズ)
  8. TensorFlow2 TensorFlow & Keras対応 プログラミング実装ハンドブック
  9. 詳解ディープラーニング 第2版 ~TensorFlow/Keras・PyTorchによる時系列データ処理~ (Compass Booksシリーズ)
  10. 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
他71件
No.1
100
みんなのレビュー
まだレビューはありません
No.2
81
みんなのレビュー
まだレビューはありません
No.3
74

2020年6月、KerasはTensorflowに統合されましたが、本書は統合されたKeras2.4系以降のものを対象とした最新の内容となります。 本書は、実践的なDeep Learning システムの構築のための知識の修得を目的としてます。ビジネスや研究の現場において、自分の問題にDeep Learning を適用でき、商用サービスや研究成果の創出に繋げられるという意味です。 この観点から、本書では汎用的な問題を題材とし、入力から出力までのシステム全体をメンテナンス性の高いコードで説明します。さらに、教師ありデータが少ない場合の対策や、ネットワーク形状の試行錯誤やハイパーパラメータのチューニングがしやすいシステム設計など、Deep Learning システム開発の現場で役立つ実用的なトピックも扱います。 ▽対象読者 本書の対象読者は次のような方々です。 ・Deep Learningを用いて実践的なシステム開発をしたい読者 ・Deep Learningプログラミングの中級者・上級者を目指す読者 より具体的には、実践的なDeep Learning システムを構築する必要がある、企業の研究者・開発者・プログラマや、大学の教員・研究員・学生のような方々です。 ▽動作環境 本書では、下記の動作環境にてプログラムの動作確認を行っています。バージョンが多少異なっても大きな問題はありませんが、快適な学習・実践のためにはGPU 環境を推奨します。Keras は、独立していた2.3 系までのものではなく、Tensorflow に統合された2.4 系以降のものを対象としています。 ・CUDA環境 ◦CUDA Toolkit 10.1 update2 ◦cuDNN v7.6.5 for CUDA 10.1 ・Python 環境 ◦ Python 3.7.7 ・Deep Learning 関連Python ライブラリ ◦TensorFlow 2.2.0 ・その他のPython ライブラリ ◦numpy 1.18.4 ◦ scipy 1.4.1 ◦ scikit-learn 0.23.1 ◦ pandas 1.0.3 ◦ matplotlib 3.2.1 ◦ pillow 7.1.2 ◦ pydot 1.4.1 ◦ hyperopt 0.2.4 ・その他のライブラリ ◦ Graphviz 2.30.1 【目次】 第1部:画像分類システムの構築 1Deep Learningによる画像分類の基礎 1.1本章の概要 1.2データセット 1.3画像分類ニューラルネットワークの設計 1.4画像分類ニューラルネットワークの実装 1.5ハードコーディングからの脱却 1.6ネットワーク構造の可視化 1.7訓練状況の可視化 1.8本章のまとめ 2Deep Learningによる画像分類の応用 2.1本章の概要 2.2データセット 2.3画像分類ニューラルネットワークの設計 2.4画像分類ニューラルネットワークの実装 2.5過学習を抑制する手段 2.6データ拡張 2.7ドロップアウト 2.8バッチ正規化 2.9早期終了 2.10学習率の動的削減 2.11訓練済みネットワークの利用 2.12転移学習 2.13ファインチューニング 2.14本章のまとめ 3Deep Learningによる画像分類の実践 3.1本章の概要 3.2データセット 3.3バッチ処理アプリケーション 3.4インタラクティブアプリケーション 3.5本章のまとめ 第2部:一般データ分類システムの構築 4Deep Learningによる一般データ分類システムの基礎 4.1本章の概要 4.2データセット 4.3一般データ分類ニューラルネットワークの設計 4.4一般データ分類ニューラルネットワークの実装 4.5早期終了・学習率の動的削減 4.6本章のまとめ 5Deep Learningによる一般データ分類の応用 5.1本章の概要 5.2データセット 5.3一般データ分類ニューラルネットワークの設計 5.4一般データ分類ニューラルネットワークの実装 5.5Denoising autoencoderによる事前学習 5.6多入力ニューラルネットワーク 5.7ハイパーパラメータの最適化 5.8本章のまとめ 6Deep Learningによる一般データ分類の実践 6.1本章の概要 6.2データセット 6.3処理の概要 6.4データのフォーマット変換 6.5データのノイズ除去 6.6データの正規化 6.7データの可視化 6.8エンコーダ・推定器の構築 6.9推定の実行 6.10本章のまとめ

みんなのレビュー
まだレビューはありません
No.4
71
みんなのレビュー
ディープラーニングの概要は分かっているし機械学習はある程度理解しているつもりだけど、ディープラーニングの中身はちゃんと理解できていない人にぜひ読んで欲しい書籍。ディープラーニングは一旦これ1冊読んでおけば問題なし。複雑で難しい印象だったディープラーニングがこれを読むだけで一気に身近なものになる。
No.5
70
みんなのレビュー
まだレビューはありません
No.6
68
みんなのレビュー
まだレビューはありません
No.7
66

ディープラーニングを学ぶなら、「仕組み」も「プログラム」もしっかり解説している本書から! ディープラーニングの代表とも言える「畳み込みニューラルネットワーク(CNN)」を例として、その仕組みを根本から理解すること、そして、TensorFlowを用いて実際に動作するコードを動かしながら学べる書籍です。 ディープラーニングについて解説する書籍は多数発行されていますが、本書では、「きちんとニューラルネットワークの原理から理解すること」と、「その原理をどのようにコードとして書くか」の両方がバランスよく学べます。 表面的にコードを覚えるだけでは、応用力は身に付きません。根本から理解しておくことで、現場に出てからも長く使える基礎力を身に付けましょう! ※本書では、プログラムの実行環境としてGoogle Colaboratoryを利用するため、面倒な環境構築は不要です。 ※2016/9発行の『TensorFlowで学ぶディープラーニング入門』をもとに、Python3系、TensorFlow 2.0ベースに書き換えたほか、全体的に解説を見直し、修正しています。そのほか、実行環境をGoogle Colaboratoryに変更、オートエンコーダーによるアノマリー検知やDCGAN による画像生成などのトピックを追加しています。 (以下、本書の「はじめに」より抜粋・編集) 本書は、機械学習やデータ分析を専門とはしない、一般の方を対象とした書籍です。と言っても、ディープラーニングの歴史や人工知能の将来展望を語る啓蒙書ではありません。ディープラーニングの代表とも言える「畳み込みニューラルネットワーク」を例として、その仕組みを根本から理解すること、そして、TensorFlowを用いて実際に動作するコードを作成することが本書の目標です。 本書は、「TensorFlowで学ぶディープラーニング」(2016/9発行)をもとにした改訂版です。サンプルコードはTensorFlow 2.0対応のKerasで書き直しています。Kerasを用いることでコードの内容はシンプルになりました。さらに、GoogleColaboratoryを用いることで難しい実行環境のセットアップも不要になりました。 さらにまた、改訂にあたり、学習後のモデルを解釈する手法、オートエンコーダによるアノマリー検知、そして、画像生成に用いられるDCGANなど、より高度な話題も内容に含めました。 本書のゴールは、コードの背後に隠された、ニューラルネートワークを構成するさまざまなパーツの動作原理を知り、ディープラーニングの本質を理解することです。 本書では、手書き文字の認識処理を行う「畳み込みニューラルネットワーク」を例として、これを構成する1つひとつのパーツの役割を丁寧に解説しています。また、Kerasを用いることで、数式を意識することなく、ニューラルネットワークを構成するコードが書けるようになりましたが、やはり、数学的な理解も欠かすことはできません。2次元平面のデータを用いた簡単な例を通して、それぞれのパーツの背後にある「数学的な仕組み」も丁寧に解説しています。 Chapter 01 TensorFlow/Keras入門 第1章のはじめに 1-1 最小二乗法で学ぶ機械学習の基礎  1.1.1 機械学習の考え方  1.1.2 勾配降下法によるパラメーターの最適化 1-2 TensorFlowとKerasの使い方  1.2.1 実行環境の準備  1.2.2 Low-level APIによる実装例  1.2.3 Kerasによる実装例 1-3 ニューラルネットワークの役割  1.3.1 分類問題とニューラルネットワーク  1.3.2 ディープラーニングの特徴 Chapter 02 分類アルゴリズムの基礎 第2章のはじめに 2-1 ロジスティック回帰による二項分類器  2.1.1 確率を用いた誤差の評価  2.1.2 Kerasによるロジスティック回帰の実装  2.1.3 テストセットを用いた検証 2-2 ソフトマックス関数と多項分類器  2.2.1 線形多項分類器の仕組み  2.2.2 ソフトマックス関数による確率への変換 2-3 線形多項分類器による手書き文字の分類  2.3.1 MNIST データセットの利用方法  2.3.2 画像データの分類アルゴリズム  2.3.3 Kerasによる線形多項分類器の実装  2.3.4 ミニバッチと確率的勾配降下法 Chapter 03 ニューラルネットワークを用いた分類処理 第3章のはじめに 3-1 単層ニューラルネットワークの構造  3.1.1 単層ニューラルネットワークによる二項分類器  3.1.2 隠れ層が果たす役割  3.1.3 ノード数の違いによる効果 3-2 単層ニューラルネットワークによる手書き文字の分類  3.2.1 単層ニューラルネットワークを用いた多項分類器  3.2.2 TensorBoardによるトレーニングログの確認 3-3 多層ニューラルネットワークへの拡張  3.3.1 多層ニューラルネットワークの効果  3.3.2 特徴変数に基づいた分類ロジック  3.3.3 補足:パラメーターが極小値に収束する例 Chapter 04 畳み込みフィルターによる画像の特徴抽出 第4章のはじめに 4-1 畳み込みフィルターの機能  4.1.1 畳み込みフィルターの例  4.1.2 Kerasによる畳み込みフィルターの適用  4.1.3 プーリング層による画像の縮小 4-2 畳み込みフィルターを用いた画像の分類  4.2.1 特徴変数による画像の分類  4.2.2 畳み込みフィルターの動的な学習 4-3 畳み込みフィルターを用いた手書き文字の分類  4.3.1 単層CNNによる手書き文字の分類  4.3.2 動的に学習されたフィルターの確認 Chapter 05 畳み込みフィルターの多層化による性能向上 第5章のはじめに 5-1 畳み込みニューラルネットワークの完成  5.1.1 多層型の畳み込みフィルターによる特徴抽出  5.1.2 Kerasによる多層CNNの実装  5.1.3 手書き文字の認識アプリケーション 5-2 学習済みフィルターの解釈  5.2.1 フィルターの出力を最大化する画像の構成  5.2.2 予測への影響が大きい領域の検出 5-3 少し高度な話題  5.3.1 CIFAR-10(カラー写真画像)の分類に向けた拡張  5.3.2 オートエンコーダによるアノマリー検知  5.3.3 DCGAN による画像生成モデル Appendix A 「A Neural Network Playground」による直感的理解 B バックプロパゲーションによる勾配ベクトルの計算 C 数学公式

みんなのレビュー
まだレビューはありません
No.8
64

TensorFlowは、Google社が公開しているPython向け機械学習用ライブラリです。本書はPythonの基礎を学習した方に向けて、JupyterNotebookを使ったTensorFlowの活用法を解説する入門書です。シンプルな二値分類から画像認識、自然言語処理における時系列データの分析までを理論をまじえて体系的に解説します。 TensorFlowがバージョン2.0となったことにともない、Kerasがライブラリとして取り込まれ、計算グラフのコーディングが不要となるなど、大幅な改善がされています。 それに伴い、以前のバージョンで作成したソースコードが動作しなくなっています。そこで「TensorFlow&Kerasプログラミング実装ハンドブック」の内容を一新してバージョン2に完全対応しました。 第1章 機械学習ライブラリTensorFlow 第2章 開発環境の容易とPythonの基礎 第3章 TensorFlowの基本 第4章 例題で学ぶTensorFlowの基本 第5章 TensorFlowによるディープラーニング

みんなのレビュー
まだレビューはありません
No.9
64

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

みんなのレビュー
まだレビューはありません
No.11
61

◆◆ 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

みんなのレビュー
まだレビューはありません
No.13
61

ディープラーニングをゼロから始めて、しっかりと理解したい人のための入門書。やさしい言葉で、大事なところを省くことなく説明。 AIのしくみと、使いこなすための技術がいっぺんに身につくディープラーニングの入門書 ディープラーニングをゼロから始めて、しっかりと理解したい人のための入門書です。ディープラーニングの基礎を一歩一歩着実に理解しながら、NumPyとKerasを使った実践的なAIプログラミングを学ぶことができます。 本書は、ディープラーニングの原理を説明しているテキストでも、そのプログラミングを実践形式でまとめたチュートリアルのような本でもありません。それらの両方をバランスよく組み合わせた、本当の意味でディープラーニングをわかるように解説した本です。「AIの学習とは」から、「ディープラーニングによる画像認識プログラムの作成」までを、なるべくやさしい言葉で、しかし大事なところを省くことなく説明しています。 これからディープラーニングを学ぶ人、また、いまいちディープラーニングについてわからないことがある人、プログラムがうまく実行できない人におすすめの書籍です。 第1章 AIプログラミングを始めよう 第2章 AIの学習の基本的な考え方 第3章 AIの学習の基本的なしくみ 第4章 ニューラルネットワークの導入 第5章 ニューラルネットワークに勾配降下法を適用する 第6章 単純パーセプトロンを組み合わせる 第7章 ニューラルネットワークを2層にする 第8章 ニューラルネットワークを多層にする 第9章 Kerasを使ってプログラミングする 第10章 CNNで時系列データを処理しよう 第11章 RNNで時系列データを処理しよう 第12章 ディープラーニングで画像認識を行おう

みんなのレビュー
まだレビューはありません
No.14
61
みんなのレビュー
まだレビューはありません
No.15
59

ディープラーニング活用の教科書

日本ディープラーニング協会
日経BP
みんなのレビュー
まだレビューはありません
No.16
59

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。

みんなのレビュー
まだレビューはありません
No.17
58

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

みんなのレビュー
まだレビューはありません
No.18
57

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

みんなのレビュー
まだレビューはありません
No.21
57

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

みんなのレビュー
まだレビューはありません
No.25
57

世界のトップ企業50はAIをどのように活用しているか?

バーナード・マー
ディスカヴァー・トゥエンティワン
みんなのレビュー
まだレビューはありません
No.27
57

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

みんなのレビュー
まだレビューはありません
No.28
56

Python外部ライブラリである、TensorFlowとKerasの利用方法を理解するためのハンドブックサイズの本です。 Python外部ライブラリである、TensorFlowとKerasの利用方法を理解するためのハンドブックサイズの本です。Python言語を理解した人を読者対象として、外部ライブラリの活用方法を学びつつ、リファレンスとしての利用も可能です。本書を第一弾として、Python外部ライブラリで人気のライブラリを解説するハンドブックサイズの書籍をシリーズで提供いたします。 第1章 機械学習ライブラリTensorFlowとKeras 1.1 ディープラーニング 1.2 TensorFlowで何ができる? 第2章 開発環境の用意とPythonの基礎 2.1 Python/TensorFlowで開発するための環境を用意する 2.2 仮想環境の構築とライブラリのインストール 2.3 Jupyter Notebookの使い方 2.4 演算処理 2.5 Pythonが扱うデータの種類 2.6 リスト 2.7 if文とfor文 2.8 関数 2.9 クラス 2.10 NumPyのベクトル 2.11 パーセプトロンによる二値分類 第3章 TensorFlowの概要 3.1 TensorFlowのインストール 3.2 TensorFlowの使い方のキホン 3.3 データフローグラフを実行するいくつかのパターン 3.4 tf.placeholder(プレースホルダー) 第4章 TensorFlowの基本 4.1 tf.summary.FileWriterクラス 4.2 tf.train.‌GradientDescentOptimizerクラス 4.3 TensorFlowの数学関数 第5章 例題で学ぶTensorFlowの基本 5.1 tf.sigmoid()で2値分類を解く 5.2 tf.nn.softmax()でマルチクラス分類を解く 5.3 GradientDescentOptimizerでバックプロパゲーションを実装 5.4 tf.nn.relu()でニューロンを活性化する 5.5 tf.nn.conv2d、nn.max_pool、tf.nn.dropoutによるCNNの実装 5.6 Momentumオプティマイザー 5.7 Adagradオプティマイザー 5.8 RMSpropオプティマイザー 5.9 Adadeltaオプティマイザー 5.10 Adamオプティマイザー 5.11 Saverクラス 5.12 tf.nn.rnn_cell.LSTMCellクラス 5.13 Kerasライブラリによる自然言語処理

みんなのレビュー
まだレビューはありません
No.29
56

AI白書 2020

独立行政法人情報処理推進機構 AI白書編集委員会
KADOKAWA

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

みんなのレビュー
まだレビューはありません
No.31
56
みんなのレビュー
AIの権威である東大の松尾豊教授の書籍。小難しい内容はほとんどなく、一般受けするような内容でAIの今後について分かりやすく学べる書籍。
No.33
56
みんなのレビュー
ゴリゴリのデータサイエンティストやAIエンジニアを目指す人というよりも、コンサルタントやAIプランナーを目指す人向けの本。
No.36
56

人気のWebアプリケーションフレームワークLaravelの入門書です。最新のバージョン10に対応。 Webアプリケーションフレームワーク「Laravel」の入門書。 Webアプリ開発に興味があり、Laravelにどんな機能があるか知りたい人を対象に、すべての手順を「オールカラー」で、ていねいに解説します。 人気のWebアプリケーションフレームワークLaravelの入門書です。最新のバージョン10に対応。 CHAPTER 1 Laravelで何ができるの? CHAPTER 2 Laravelを使うための準備 CHAPTER 3 Laravelの仕組み CHAPTER 4 コードの基本的な入力方法 CHAPTER 5 Laravelとデータベースの連携 CHAPTER 6 投稿データの作成と保存 CHAPTER 7 投稿データの一覧表示 CHAPTER 8 ミドルウェアによるアクセス制限 CHAPTER 9 データの個別表示・編集・削除処理の搭載 CHAPTER 10 テストデータ作成・ペジネーション搭載 CHAPTER 11 エラーの解決方法 CHAPTER 12 今後の学習について

みんなのレビュー
まだレビューはありません
No.37
56
みんなのレビュー
ビジネスパーソンにAIの書籍を1冊オススメするなら間違いなくこれを選ぶ。データサイエンティスト協会の理事も努めビジネス・アカデミックの両面からデータサイエンスにBETしている安宅さんが語るAIのあり方。我々日本人がこれからの時代において世界でプレゼンスを発揮するためにはどうすればよいかを教えてくれる書籍で非常に感銘を受けた。どんよりとした日本の停滞感に対して少しでも希望を見出すことのできる書籍。安宅さんの書籍はどれも素晴らしいが絶対にこれは読んで欲しい。
No.38
56
みんなのレビュー
超人気のUdemy講師酒井さんの書籍。この書籍さえ一通り読んでおけばPythonは問題ないといっても過言ではないくらい網羅性があって分かりやすい。
No.39
56

人工知能 人工知能と世界の見方 人工知能と社会

みんなのレビュー
まだレビューはありません
No.40
56

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

みんなのレビュー
まだレビューはありません
No.45
56

【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

みんなのレビュー
まだレビューはありません
No.47
56
みんなのレビュー
ベイズを深く学びたいならこの書籍は外せない。ただかなり難解なので最初からこれに取り組むと挫折する。
No.54
56

「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

みんなのレビュー
まだレビューはありません
No.55
56

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。

みんなのレビュー
まだレビューはありません
No.56
56
みんなのレビュー
まだレビューはありません
No.58
56

自然言語処理編

みんなのレビュー
ゼロから分かるディープラーニングシリーズはどれも非常に分かりやすい。こちらの自然言語処理編は前作を読みディープラーニングの基本を理解してより高度なアーキテクチャを学びたいと思った時にオススメ。レベルは少々上がっているがそれでも分かりやすく学べる。RNNやLSTMなどが学べる
No.59
56

深層学習

Ian Goodfellow
KADOKAWA
みんなのレビュー
まだレビューはありません
No.60
56

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

みんなのレビュー
まだレビューはありません
No.62
56

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

みんなのレビュー
まだレビューはありません
No.63
56
みんなのレビュー
データ分析コンペKaggleに挑戦するならこれをまず読んでおけば大丈夫!Kaggleに参加しないにしてもデータ分析の本質やテクニックがギュッと詰まっているので実務に活かせる。高度な内容も登場するが分かりやすく解説してくれるので初心者でも読みやすい。それでいてベテランの人も多くの学びがある書籍。著者はKaggleの最上位グランドマスターの方々であり説得力がある。過去のコンペの事例も取り上げてくれるのでそんなアプローチあったのかぁと学びが深い。文句なしの星5つ!
No.64
56

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

みんなのレビュー
まだレビューはありません
No.65
56
みんなのレビュー
ある程度構文を覚えた後にPythonでの分析に慣れたいのであればこの書籍一択。Pythonでのデータ分析に慣れるためにはとにかく手を動かしまくること!
No.66
56
みんなのレビュー
データサイエンスを学ぶ上でこちらに一通り目を通しておくとベースが出来上がると思うのでオススメ。幅広く学べるがそこまで深く突っ込まないので気に入った領域は他の書籍で補完した方がよいかも!
No.67
56
みんなのレビュー
機械学習の手法やテクニックにフォーカスした書籍ではなくて、機械学習を仕事に取り入れるためにはどうすればよいのか?どういうところに注意しなくてはいけないのかがまとめられた書籍。実務で機械学習を利用している人利用する可能性のある人は絶対に読むべき書籍。そもそも本当に機械学習を使う必要があるのかということをしっかり考える、機械学習ありきのプロジェクトは必ず失敗する。
No.68
56
みんなのレビュー
まだレビューはありません
No.69
56
みんなのレビュー
日本のデータサイエンティスト第一人者である河本薫さんの書籍。現場にどうやってデータサイエンスを浸透していくか、組織としてどうやって価値ある分析アウトプットを出すことができるかが学べる。
No.70
56

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。

みんなのレビュー
まだレビューはありません
No.71
56

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!

みんなのレビュー
まだレビューはありません
No.72
56

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

みんなのレビュー
まだレビューはありません
No.73
56

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。

みんなのレビュー
まだレビューはありません
No.74
56

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〕

みんなのレビュー
まだレビューはありません
No.77
56

「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

みんなのレビュー
まだレビューはありません
No.78
56

フレームワーク編

みんなのレビュー
まだレビューはありません
No.79
56
みんなのレビュー
まだレビューはありません
No.81
56
みんなのレビュー
まだレビューはありません
search