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

手を動かしアプリを動かしながら学ぶをコンセプトにしたPyTorchの入門書。「解説」と「コード作成」を柱とした構成。 手を動かして学ぶ!! 「手を動かしアプリを動かしながら学ぶ」をコンセプトにしたPyTorchの入門書です。「解説」と「コード作成」を柱とした構成で、主な特徴は次の通りです。 ・最低限の知識でアプリ開発までを実現できる。 ・実用性のあるアプリを作りながら学ぶ。 ・実用性のあるアプリにより学習モチベーションが上がる。 第4章では実用性のある「株価の予測」アプリを開発します。アプリづくりの面白さを通し、読者に楽しみながらPyTorchを学んでいただくものです。

ディープラーニング技術を使った自然言語処理においてword2vec、LSTM、seq2seq、BERTは、重要な技術です。本書では、機械学習フレームワークのPyTorchを利用することで、それらのディープラーニング技術を使ったプログラムをより容易に実装する方法を解説します。本書で作成するプログラムは、「文章内の単語の品詞を分類する」「日英の機械翻訳を行う」「質問に対する回答を返す」ことなどを目的にしています。本書は、そうした自然言語処理システムの実装を試してみたいという方にとって格好の一冊です。

ディープラーニングの本格的な入門書。外部のライブラリに頼らずPython 3によってゼロからディープラーニングを作成できる。 実際にシステムを作りながらディープラーニングを学ぶ！ ディープラーニングの本格的な入門書。外部のライブラリに頼らずに、Python 3によってゼロからディープラーニングを作ることで、ディープラーニングの原理を楽しく学びます。ディープラーニングやニューラルネットワークの基礎だけでなく、誤差逆伝播法や畳み込みニューラルネットワークなども実装レベルで理解できます。ハイパーパラメータの決め方や重みの初期値といった実践的なテクニック、Batch NormalizationやDropout、Adamといった最近のトレンド、自動運転や画像生成、強化学習などの応用例、さらには、なぜディープラーニングは優れているのか？ なぜ層を深くすると認識精度がよくなるのか？ といった“Why”に関する問題も取り上げます。

大ベストセラーの続編。さらに作る、さらに深くDeep Learningに迫る！ 大ベストセラーの続編。さらに作る、さらに深くDeep Learningに迫る！ コンピュータの専門書としては異例の大ヒットを記録した『ゼロから作るDeep Learning』の続編。第二弾の本書では、自然言語処理や時系列データ処理に焦点を当て、ディープラーニングを使ってさまざまな問題に挑みます。word2vecやRNN（リカレントニューラルネットワーク）、LSTMやGRU、seq2seqやAttention……ディープラーニングを支えるこれら最先端の技術を実装レベルでマスターできます。前作同様、平坦な言葉で分かりやすくをモットーに、高度に見える技術の裏側をじっくり説明し、実際に作ることで理解を深めます。最後までコンセプトは変わらない。ゼロから作る！

ディープラーニングの本書オリジナルフレームワークをゼロから作り、最小限のコードでモダンな機能を実現。知識を深める。 超人気シリーズの第3弾―令和の時代の新ドラゴンブック！ 大ヒットを続ける超人気シリーズの第3弾。今回は「DeZero」というディープラーニングのフレームワークをゼロから作ります。DeZeroは本書オリジナルのフレームワークです。最小限のコードで、フレームワークのモダンな機能を実現します。本書では、この小さな―それでいて十分にパワフルな―フレームワークを、全部で60★のステップで完成させます。それによって、PyTorch、TensorFlow、Chainerなどの現代のフレームワークに通じる知識を深めます。キャッチフレーズは―作るからこそ、見えるモノ。

大好評！デジタル時代の必携リテラシー、G検定の「公式テキスト」の改訂版！ 【本書の特徴】 ・大ベストセラー、ディープラーニング G検定 公式テキストの改訂版。 ・改訂された新シラバスに完全準拠。 ・試験運営団体である「日本ディープラーニング協会」が監修。 ・章末問題を大増量。分かりやすい解説付き。 ・ディープラーニングに関する入門書としても最適。 【対象読者】 ・ G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概要を学びたい人 ・ディープラーニングを事業活用しようと思っている人・DX推進を検討している人 【G検定とは】 ・内容：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 ・試験方式：知識問題（多肢選択式）、オンライン実施（自宅受験） ・日程：年3回（詳細は公式サイトにて公表） 【目次】 試験の概要 第1章 人工知能（AI）とは 第2章 人工知能をめぐる動向 第3章 人工知能分野の問題 第4章 機械学習の具体的手法 第5章 ディープラーニングの概要 第6章 ディープラーニングの手法 第7章 ディープラーニングの社会実装に向けて Appendix　事例集 産業への応用 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 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 第3章　人工知能分野の問題 3-1.人工知能分野の問題 第4章　機械学習の具体的手法 4-1.代表的な手法 4-2.モデルの評価 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 5-4.活性化関数 第6章　ディープラーニングの手法 6-1.畳み込みニューラルネットワーク 6-2.深層生成モデル 6-3.画像認識分野での応用 6-4.音声処理と自然言語処理分野 6-5.深層強化学習 6-6.モデルの解釈性の問題とその対応 第7章　ディープラーニングの社会実装に向けて 7-1.AIと社会 7-2.AIプロジェクトを計画する 7-3.データを集める 7-4.データを加工・分析・学習させる 7-5.実装・運用・評価する 7-6.クライシス・マネジメントをする Appendix　事例集 産業への応用 A-1.製造業領域における応用事例 A-2.モビリティ領域における応用事例 A-3.医療領域における応用事例 A-4.介護領域における応用事例 A-5.インフラ領域における応用事例 A-6.サービス・小売・物流領域における応用事例 A-7.農林水産業領域における応用事例 A-8.その他領域における応用事例

AIの最先端で活躍する23人へのインタビュー集。AIの過去、現在、社会への影響について議論する。 AIの最先端を知るための23人のインタビュー集！ 本書は、AIの最先端で活躍する23人の開発者、起業家、政策立案者へのインタビュー集です。『テクノロジーが雇用の75%を奪う』などで知られるMartin Fordがインタビュアーを担当。AlphaGoを開発したDemis Hassabis、シンギュラリティを提唱したRay Kurzweil、『スーパーインテリジェンス』の著者Nick Bostromなどが、AIの過去、現在、そしてAIが社会に及ぼす影響について多様な視点から議論を行います。 AIの最先端で活躍する23人へのインタビュー集。AIの過去、現在、社会への影響について議論する。

急速に広がるディープラーニング活用の今と未来がわかる！国内の事例を体系的に取り上げ先駆者が解説 AIは研究から実用フェーズへ―― 急速に広がるディープラーニング活用の今と未来がわかる！ 国内35社の事例を体系的に取り上げ、先駆者が苦労したポイントを解説 ＜日本ディープラーニング協会監修＞ 活用を検討する企業でよく生じる疑問にも答えます。 次世代の新規事業や業務改善の企画に欠かせない1冊！ インターネットに遅れること20年、ディープラーニングは、 「汎用目的技術」の1つとして、あらゆる産業を変えていくとみられています。 汎用目的技術とは、古くは動物の家畜化、車輪、印刷の発明から、鉄道、電気、 自動車、インターネットまで「原理は単純で汎用的でさまざまなことに利用できる」 技術のことをいいます。 本書は、ディープラーニングが与えるインパクトを事例を基に解説します。 第1章では、東京大学大学院工学系研究科 特任准教授の松尾豊氏が描く「ディープラーニングをベースにしたAIの技術的発展」（ロードマップ）を解説。 第2～5章ではこのロードマップを基に国内の先進事例を分類して紹介していきます。 カツ丼の盛り付けを判定、泳ぐマグロの数を数える、クリーニング衣類を判別、文章の校閲、河川の護岸の傷判定、送電線の異常検知、道路下の空洞を探る、タクシーの乗客数予測、テレビCMの効果を予測、お弁当の盛り付け、重機で自動掘削、白黒映像の色付け、仮想アイドル画像の生成、プロ並みアナウンサー、人の話し方をまねる……続々登場する、こうしたディープラーニングの驚異の活用法が分かります。 第1章　ディープラーニングの発展予測 第2章　[Step1] 人の「眼」となり単純作業から解放する 第3章　[Step2] 「五感」を担い行動予測や異常検知を実現 第4章　[Step3] 現実社会に柔軟に対応 「ロボット」「自動運転」の時代 第5章　「創作」業務へも広がる活用範囲 第6章　ビジネス活用Ｑ＆Ａ 　　　　──向く分野/向かない分野、データ、人材、投資などの悩みに回答

人気のAIフレームワーク「PyTorch」で、ディープラーニングプログラミングができるようになる本です。 人気のAIフレームワーク「PyTorch」で、ディープラーニングプログラミングができるようになる本です。ディープラーニングのアルゴリズムが原理からわかります。 初心者でも他書に頼らず、本書1冊でマスターできます! （本書掲載のコードは、2023年3月にリリースされたPyTorch 2.0でも、そのまま動作します） 本書は、次のような読者を想定しています。 1. 企業でディープラーニングプログラムを業務で利用している、あるいはこれから利用しようとしているITエンジニアや研究者 Keras/Tensorflowを使った経験がある方は、まずPyTorch独特の「ポリシー」につまずきがちです。 PyTorchは「多値分類モデルにおける損失関数」の考え方が独特で、それを分かりやすく解説します。 2. 理工系の大学・大学院の学生で研究の一環としてディープラーニングのプログラムを開発する必要がある方 今後、論文で公開されている実装コードを試すには、PyTorchの知識が必須になってきます。 本書では、ディープラーニングに必要な数学をイメージとして解説するので、公開コードを深く理解し、応用できるようになります。 3. まだPythonもKeras/TensorFlowも知らないが、ディープラーニングプログラミングをこれから勉強してみたいという方 初心者に向けて、PyTorchプログラミングを理解するのに必要な、Pythonの基本文法と、NumPy、Matplotlibの必要最小限の機能を、巻末の講座として用意しました。 目的がディープラーニングだけなら、本書の講座で書いた概念・機能だけを理解すれば十分で、ディープラーニングを学ぶためのスタートラインに立てます。 本書は、新しい概念は一気には詰め込まず、できるだけ細分化して一歩一歩確実に進めます。 機械学習の基本から、「CNN」などを使った画像認識ディープラーニングモデルの開発・チューニングまでをじっくり学べます。 人気のAIフレームワーク「PyTorch」で、ディープラーニングプログラミングができるようになる本です。 初心者でも他書に頼らず、本書1冊でマスターできます! 序章 初めての画像認識 ◆基礎編 1 章　ディープラーニングのためのPython のツボ 2 章　PyTorch の基本機能 3 章　初めての機械学習 4 章　予測関数の定義 ◆機械学習 実践編 5 章　線形回帰 6 章　2 値分類 7 章　多値分類 8 章　MNIST を使った数字認識 ◆画像認識 実践編 9 章　CNN による画像認識 10 章　チューニング技法 11 章　事前学習済みモデルの利用 12 章　カスタムデータの画像分類 講座 Python入門、NumPy入門、Matplotlib入門

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 ◆日本ディープラーニング協会推薦図書◆ 日本ディープラーニング協会　監修 ディープラーニングをビジネスに生かす知識を問われる 同協会のG検定(ジェネラリスト)　推薦図書 松尾豊・同協会理事長による「ディープラーニング技術年表」収録 ディープラーニングは確かに実際のビジネスに溶け込み、商品やサービスでの活用が始まっています。 それによって業績を向上させた企業もあれば、社会課題の解決に結びつけている会社も実在します。 その最先端の実践的な事例を紹介しました。本書に「実践編」と付したのはこうした理由からです。 本書の最大の特徴の1つが、「ディープラーニングビジネス活用アワード」の受賞6プロジェクト全てを子細なケーススタディで紹介していることです。 日本ディープラーニング協会と一緒に、2019年春から準備を進めてきたものです。 エントリーはやや大手企業に偏重したきらいはありましたが、まさに腕自慢の実力派ぞろいでした。 大賞のキユーピーの食品加工で原料を検査する「AI食品原料検査装置」に始まって、楽天の自動翻訳プロジェクトである「Rakuten Translate」、 荏原環境プラントが進める「ごみ焼却プラント運転自動化プロジェクト」、水処理など流体向けAI分析のAnyTechの「水質判定AI『DeepLiquid』」、 保育園向けITサービスのユニファの「写真自動判定システムによる保育士の業務負荷軽減」、パッケージデザインのプラグの「パッケージデザインの好意度スコアを予測するAIサービス」の6事例を本書にまとめました。 できるだけ載せないようにしたケースもあります。 ディープラーニングといえば画像認識とばかりに、熟練工の目の代替として活用する事例は少なくない。 ただその点だけを極めても、効果の最大値は当該人件費の削減分にしかなりません。 結果として幼稚園児の笑顔が増える、あるいは静脈産業の支えになる、 といった大きな社会的意義をディープラーニングには持たせたい。そんな思いで作りました。 受賞6事例を含めた計26事例を、本書ではディープラーニング活用の効果で4つに分けました。 まず「商品開発・業界構造を変える」。 次が「消費者のデマンドに応える」。 そして「働き方を改革する」。 最後が「不正・異常を検知、社会課題を解決する」。 また資料的価値が高い、日本ディープラーニング協会理事長の松尾豊氏がまとめた「ディープラーニング技術年表」そして「インターネットでいうと1998年」も収録。 全編にわたって同協会の理事が一文字ずつ、とりわけ技術的な側面からアドバイスしてくれた貴重な書である。ぜひご覧になっていただきたい。 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 ◆日本ディープラーニング協会推薦図書◆ はじめに 【第1章】　ディープラーニングで付加価値高め　こうして稼ぐ 　　　　　 ―日本ディープラーニング協会 松尾豊理事長に聞く― 【第2章】　商品開発・業界構造を変える 　●キューピー 　　食品原料の異物を画像認識で検査　食の安全守るため装置は同業に外販も 　●プラグ 　　パッケージデザインの消費者調査をAIで代替　商品開発のやり方 ガラリ変わる可能性 　●AnyTech 　　水処理施設からチョコレートまで　「流体」の品質・状態を簡単チェック 　●NTTドコモ 　　店頭の商品を自動で認識　来店客の属性把握しPOSデータと連動で棚割り提案へ 　●フジクラ 　　半導体部品をディープラーニングで検査　AIプラットフォーム構築し全社のIoT基盤に 　●日本たばこ産業 　　コンビニのたばこ陳列を精度99％で認識　1013人超参加のコンテストで実現 　●トレタ 　　飲食店で売れ筋メニューが分析可能に　ディープラーニングによるラベリング技術とは 　●Sports Technology Lab 　　スポーツ選手の動きをディープラーニングで分析　チーム強化から選手移籍まで 　●ソフトバンク 　　5G×ディープラーニング　高品質画像でもリアルタイムぼかし加工 【第3章】　消費者のデマンドに応える 　●楽天 　　ストレスなく外国語を話したい　海外動画配信サービスで培った翻訳技術を活用 　●ヤフー 　　安いガソリン、空いてる駐車場を近くで探したい　ディープラーニングとドラレコで 　●SMBC日興証券 　　株式ポートフォリオの組み替え方を知りたい　資産総額13倍になるカラクリ 【第4章】　働き方を改革する 　●荏原環境プラント 　　ごみ焼却施設で「熟練運転員の目」を代替　5倍の効率化を実現 静脈産業を途絶えさせない 　●ユニファ 　　子供の「NG写真」をディープラーニングで自動排除　保育園の課題解決を支援 　●NTTデータジェトロニクス 　　社食食堂のレジで自動精算　人件費の削減、そして社員の満足度を高めて社内活性化へ 　●モノフル 　　トラックの人手不足問題に一石　ナンバーをAIで読み取り効率化 　●三菱総合研究所 　　財務諸表の数字を読み取り自動でリポート作成　シンクタンクの“夢”に一歩近づく 　●ディー・エヌ・エー（DeNA） 　　交通事故の削減支援をサービス化　AIとデータサイエンスのタッグで 　●イシダ 　　ディープラーニングでパスタをつかむ　AIと機械の“せめぎ合い”から生まれた新技術 　●AVILEN 　　鉄加工の図面を自動で読み解く　各種フォーマットの図面に対応 【第5章】　不正・異常を検知、社会課題を解決する 　●リコー 　　カメラ＋AIで路面の老朽化診断　事務機器からの多角化で数千万円の受注 　●日本気象協会 　　降雨予測のメッシュと時間を詳細化　スパコンを使わず実現、ダム管理などに活用 　●日本取引所自主規制法人 　　株の不正取引“見せ玉”に待った　証券取引所の不正検知にAI導入世界初 　●misosil 　　SNS広告でインフルエンサーの不正を暴く　フォロワー水増しをAIで発見 　●トプコン 　　眼底画像から健康状態を読み解く　デバイスのデータを加工する「センシングAI」とは？ 　●Ollo 　　月額3万円で顔認証システムが導入可能　エッジデバイスでの高速・高精度化を実現 【第6章】　先端技術の動向を知る おわりに

本書は実例を交えて、畳み込み/リカレント/敵対的生成ネットワーク（GAN/LSGAN/CGAN）、物体検出など解説します。 PyTorchはニューラルネットワークを構築できる深層学習フレームワークで、データの流れを動的に定義することができる「Define by Run」を採用しています。本書は、画像や文書の分類処理について学べるように、畳み込みネットワークからリカレントネットワーク、敵対的生成ネットワーク（GAN/LSGAN/CGAN）、物体検出までを実例を交えて体系的に解説します。 第1章　PyTorchと開発環境 第2章　PyTorchの基礎 第3章　PyTorchを使ったニューラルネット基礎 第4章　畳み込みネットワーク 第5章　リカレントニューラルネットワーク 第6章　敵対的生成ネットワーク 第7章　物体検出 第8章~第11章　各種パッケージ（torchパッケージ、torch.nnパッケージ、torch.optimパッケージ、torchvisionパッケージ）

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

PyTorchによるディープラーニング実装の決定版！ ディープラーニングの重要な基礎概念と、PyTorchを用いたディープラーニングの実装方法について、細部まで掘り下げて解説。限られたデータでニューラルネットワークを訓練する方法、訓練済みモデルのデプロイ方法など『ディープラーニング・プロジェクトのベストプラクティス』を提示します。 ・ディープラーニングのメカニズムを解説 ・Jupyter Notebook上でサンプルコードを実行 ・PyTorchを用いたモデル訓練の実施 ・実データを使用するプロジェクトをベースに実践的解説 ・本番環境へのさまざまなモデルデプロイ方法 PyTorchで実際にどのように組み込まれて実現されているのか、細部まで掘り下げた解説をしていますのでディープラーニングの活用を目指している開発者や詳しく知りたい方におすすめです。 Manning Publications『Deep Learning with PyTorch』の翻訳書 第1部　PyTorchの基礎 第1章 ディープラーニングとPyTorchの概要 第2章 訓練済みモデルの利用方法 第3章 PyTorchにおけるテンソルの扱い方 第4章 さまざまなデータをPyTorchテンソルで表現する方法 第5章 ディープラーニングの学習メカニズム 第6章 ニューラルネットワーク入門 第7章 画像分類モデルの構築 第8章 畳み込み（Convolution） 第2部　ディープラーニングの実践プロジェクト：肺がんの早期発見 第9章 肺がん早期発見プロジェクトの解説 第10章 LUNAデータをPyTorchデータセットに変換 第11章 結節候補を画像分類するモデルの構築 第12章 評価指標とデータ拡張を用いたモデルの改善 第13章 セグメンテーションを用いた結節の発見 第14章 結節・腫瘍解析システムの全体を構築 第3部　デプロイメント（Deployment） 第15章 本番環境にモデルをデプロイする方法 第1部 PyTorchの基礎 第1章 ディープラーニングとPyTorchの概要 第2章 訓練済みモデルの利用方法 第3章 PyTorchにおけるテンソルの扱い方 第4章 様々なデータをPyTorchテンソルで表現する方法 第5章 ディープラーニングの学習メカニズム 第6章 ニューラルネットワーク入門 第7章 画像分類モデルの構築 第8章 畳み込み 第2部 ディープラーニングの実践プロジェクト：肺がんの早期発見 第9章 肺がん早期発見プロジェクトの解説 第10章 LUNAデータをPyTorchデータセットに変換 第11章 結節候補を画像分類するモデルの構築 第12章 評価指標とデータ拡張を用いたモデルの改善 第13章 セグメンテーションを用いた結節の発見 第14章 結節・腫瘍解析システムの全体を構築 第3部 デプロイメント 第15章 本番環境にモデルをデプロイする方法

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

シリーズ第4弾。テーマは強化学習。外部ライブラリに頼らず、強化学習を支える基本的な技術やアイデアをゼロから実装しながら学ぶ。 超人気シリーズの第4弾——今回のテーマは強化学習！ 人気シリーズの第4弾。今回のテーマは強化学習です。実際のコードを提示し動かしながら学ぶという本シリーズのスタイルを踏襲し、外部ライブラリに頼らず、強化学習を支える基本的な技術やアイデアをゼロから実装しながら学びます。本書では読者が強化学習独特の理論を確実にマスターできるように、強化学習という難解なテーマの構成要素の一つひとつを「理論」と「実践」の双方から丁寧に解説します。数式だけで説明する理論書とは異なり、読者はコードを通してハッとする気づきを数多く得られるでしょう。 シリーズ第4弾。テーマは強化学習。外部ライブラリに頼らず、強化学習を支える基本的な技術やアイデアをゼロから実装しながら学ぶ。

物体検出のアルゴリズムと実装方法を解説。PyTorchの習得と物体検出の各種アルゴリズムの理解、プログラムの作成をめざす。 PyTorchで物体検出アルゴリズムを実装しよう！ 本書は、PyTorchを利用して、物体検出のアルゴリズムと実装方法を解説する書籍です。 ディープラーニングは当初、物体の識別において従来手法を大きく上回る精度を出したことから注目されました（例：2012年の画像認識コンテストILSVRC）。ただし物体識別自体はどちらかといえば要素技術であるため、そのまま現実のシステムに応用することは多くありません。実際に必要とされるものは、多くの場合、物体識別を発展させた物体検出です。自動運転・外観検査・医療分野の画像診断など、どれも物体識別ではなく物体検出の技術が使われています。 本書は、PyTorchの使いかたを習得することと、物体検出の各種アルゴリズムを理解して自力でプログラムを作れるようになることを目的とします。前半はPyTorchについて解説し、後半は物体検出の代表的なアルゴリズムを解説しながら、PyTorchでの実装例を示します。 ・ PyTorch（パイトーチ）とは？ 2018年にFacebook が発表した、ディープラーニングのフレームワークです。世界的にユーザーが多く、GitHubで公開されるディープラーニングのプログラムもPyTorchで作られたものが多数存在します。 ・ 物体検出とは？ 画像認識の一分野で、画像から特定の物体の位置と、その物体のカテゴリ（クラスタ）を検出する技術です。

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

研究・開発現場で使えるPyTorch（パイトーチ）の入門書の登場！ 【本書について】 本書は、 杜世橋氏がKindle Direct Publishingを利用してKindleストアで販売している 『PyTorchで学ぶニューラルネットワークと深層学習』（ASIN: B078WK5CPK）を書籍化したものです。 書籍化にあたり、最新（2018年7月時点）のPyTorch v0.4に対応するなど大幅に加筆しています。 また、付録に無料で利用できるGPU環境である「Colaboratory」の利用方法の追加などを行っており、 GPU環境が利用できない読者でも様々なニューラルネットワークのモデル学習が体験できるようになっています。 【PyTorch（パイトーチ）とは】 PyTorchは主にFacebook社のメンバーが開発しているOSSの深層学習フレームワークです。 特徴としては動的ネットワーク方式を採用していてPythonの関数と同じ感覚でニューラルネットワークを構築できる点が挙げられます。 【本書の概要】 本書はPyTorchの基本から深層学習モデルの作成、そしてアプリケーション作成まで網羅した書籍です。 具体的には、PyTorchの基本から始まり、最尤推定と線形モデル、多層パーセプトロンについて解説します。 その後、画像処理と畳み込みニューラルネット、自然言語処理と再帰型ニューラルネットを扱います。 また、推薦システムやWebAPIの作成、アプリケーションのデプロイについても解説します。 さらに付録では、TensorBoardによる可視化、Colaboratoryの利用方法などを解説しています。 【対象読者】 深層学習エンジニア、機械学習エンジニア 【著者】 杜世橋 東京工業大学で計算機を用いた分子生物学の研究をし、卒業後はIT企業でソフトウェア開発やデータ分析に従事する。 大学院時代に当時まだブレーク前だったPythonとNumPyに出会い、勉強会の立ち上げや執筆などを通じてPythonの布教活動を行う。 近年ではスタートアップ企業を中心にデータ分析や機械学習の開発支援も行っている。子煩悩で育児休業を取得してしまうパパエンジニア。 はじめに 本書の対象読者と必要な事前知識 本書の構成 本書のサンプルの動作環境とサンプルプログラムについて Prologue 開発環境の準備 0.1 本書の検証環境 0.2 開発環境の構築 Chapter1 PyTorchの基本 1.1 PyTorchの構成 1.2 Tensor 1.3 Tensorと自動微分 1.4 まとめ Chapter 2 最尤推定と線形モデル 2.1 確率モデルと最尤推定 2.2 確率的勾配降下法 2.3 線形回帰モデル 2.4 ロジスティック回帰 2.5 まとめ Chapter 3 多層パーセプトロン 3.1 MLPの構築と学習 3.2 DatasetとDataLoader 3.3 学習効率化のTips 3.4 ネットワークのモジュール化 3.5 まとめ Chapter 4 画像処理と畳み込みニューラルネットワーク 4.1 画像と畳み込み計算 4.2 CNNによる画像分類 4.3 転移学習 4.4 CNN回帰モデルによる画像の高解像度化 4.5 DCGANによる画像生成 4.6 まとめ Chapter5 自然言語処理と回帰型ニューラルネットワーク 5.1 RNNとは 5.2 テキストデータの数値化 5.3 RNNと文章のクラス分類 5.4 RNNによる文章生成 5.5 Encoder-Decoderモデルによる機械翻訳 5.6 まとめ Chapter6 推薦システムと行列分解 6.1 行列因子分解 6.2 ニューラル行列因子分解 6.3 まとめ Chapter 7 アプリケーションへの組込み 7.1 モデルの保存と読み込み 7.2 Flaskを用いたWebAPI化 7.3 Dockerを利用したデプロイ 7.4 ONNXを使用した他のフレームワークとの連携 7.5 まとめ Appendix1 訓練の様子を可視化する A1.1 TensorBoardによる可視化 Appendix2 ColaboratoryでPyTorchの開発環境を構築する A2.1 ColaboratoryによるPyTorch開発環境の構築方法 INDEX

人工知能は人間を超えるのか、その日は、いつやってくるのか？ グーグルやフェイスブックが開発にしのぎを削る人工知能。日本トップクラスの研究者の一人である著者が、最新技術「ディープラーニング」とこれまでの知的格闘を解きほぐし、知能とは何か、人間とは何かを問い直す。 グーグルやフェイスブックが開発にしのぎを削る人工知能。日本トップクラスの研究者の一人である著者が、最新技術「ディープラーニング」とこれまでの知的格闘を解きほぐし、知能とは何か、人間とは何かを問い直す。

ＡＩに仕事を奪われる前に、ＡＩを使って自分の仕事をつくるための一冊。文系ビジネスマンに生き抜く自信をつけさせる一冊。 AI社会になって、ボクは職を失わないだろうか？ 文系のワタシが、AIでキャリアアップするには？ そんな不安や疑問を解消するのが本書です。 英数国理社×ＡＩ時代に対応した、ＡＩ活用の現場から生まれた実践トレーニング本。 ・専門用語は必要最低限に ・豊富な業種別事例は「自社での活用」を考えるヒントに。 ・ＡＩとの「共働きスキル」を身につける。 ＡＩを活用したビジネスプランを豊富に紹介。本書は、AIを、機能別に４分類、役割別に２分類し、合計４×２＝８分類にわけている。その分類を用いて、事例を解説しているので、非常に理解しやすく、自分の仕事への適用・応用を検討しやすい。AIとお共働きスキルを身につけよう。 はじめに　文系ＡＩ人材になろう！ 第１章　ＡＩ社会で職を失わないために 「ＡＩ失職」を恐れず「ＡＩ職」に就く準備を　 「ＡＩとの共働き」スキルを身につけよう　 ５つの「共働きスタイル」 第２章　文系のための　ＡＩキャリア　 ＡＩは「作る」から「使う」へ 上手に活用する「文系　ＡＩ人材」が重要に 「文系ＡＩ人材」の仕事内容とは？　 「文系ＡＩ人材」になるための４つのステップ 第３章　ＡＩのキホンは丸暗記で済ます　 ＡＩ／機械学習／ディープラーニングの違い 学習方式の３分類－－教師あり／教師なし／強化学習 活用タイプ別ＡＩは４×２＝８分類 「識別系ＡＩ」はこう使う 「予測系ＡＩ」はこう使う 「会話系ＡＩ」はこう使う 「実行系ＡＩ」はこう使う 出る順でＡＩ基礎用語を丸暗記する 第４章　ＡＩの作り方をザックリ理解する　 ＡＩは特徴づかみの名人 「予測系ＡＩ」の作り方を理解する　 「識別系ＡＩ」の作り方を理解する 「会話系ＡＩ」の作り方を理解する　 「実行系ＡＩ」の作り方を理解する 第５章　ＡＩ企画力を磨く　 ＡＩ企画の「１００本ノック」 「変化量と実現性」を担保する　 ＡＩ企画の「解像度を上げる５Ｗ１Ｈ」　 第６章　ＡＩ事例をトコトン知る――業種別×活用タイプ別の４５事例集　 第７章　文系ＡＩ人材が社会を変える　 ＡＩによる「消費者、会社、働き手」への変化 ＡＩ社会を牽引するアマゾン ＡＩ×各業界で変革を作るソフトバンク 日本の銀行で起きているＡＩによる変化 文系ＡＩ人材が社会をリードする おわりに

機械学習・ディープラーニングについて学ぶための、図解形式の解説書です。エンジニア1年生、機械学習関連企業への就職・転職を考えている人が、機械学習・ディープラーニングの基本と関連する技術、しくみ、開発の基礎知識などを一通り学ぶことができます。 1章　人工知能の基礎知識 人工知能とは 機械学習（ML）とは ディープラーニング（DL）とは 人工知能と機械学習が普及するまで 2章　機械学習の基礎知識 教師あり学習のしくみ 教師なし学習のしくみ 強化学習のしくみ 統計と機械学習の違い 機械学習と特徴量 得意な分野、苦手な分野 機械学習の活用事例 3章　機械学習のプロセスとコア技術 機械学習の基本ワークフロー データの収集 データの整形 モデルの作成と学習 バッチ学習とオンライン学習 テストデータによる予測結果の検証 学習結果に対する評価基準 ハイパーパラメータとモデルのチューニング 能動学習 相関と因果 フィードバックループ 4章　機械学習のアルゴリズム 回帰分析 サポートベクターマシン 決定木 アンサンブル学習 アンサンブル学習の応用 ロジスティック回帰 ベイジアンモデル 時系列分析と状態空間モデル k近傍(k-NN) 法とk平均(k-means)法 次元削減と主成分分析 最適化と遺伝的アルゴリズム 5章　ディープラーニングの基礎知識 ニューラルネットワークとその歴史 ディープラーニングと画像認識 ディープラーニングと自然言語処理 6章　ディープラーニングのプロセスとコア技術 誤差逆伝播法によるニューラルネットワークの学習 ニューラルネットワークの最適化 勾配消失問題 転移学習 7章　ディープラーニングのアルゴリズム 畳み込みニューラルネットワーク（CNN） 再帰型ニューラルネットワーク（RNN） 強化学習とディープラーニング オートエンコーダ GAN（敵対的生成ネットワーク） 物体検出 8章　システム開発と開発環境 人工知能プログラミングにおける主要言語 機械学習用ライブラリとフレームワーク ディープラーニングのフレームワーク GPUプログラミングと高速化 機械学習サービス

◎読者が選ぶビジネス書グランプリ2021 総合グランプリ受賞!! ◎ビジネス書大賞2020 特別賞(ソーシャルデザイン部門)受賞!! ◎ITエンジニア本大賞2021 ビジネス書部門 ベスト10! ◎累計17万5千部突破! 30万部超の名著『イシューからはじめよ』から9年――。 渾身の力で投げ込む、ファクトベースの現状分析と新たなる時代の展望! AI×データの発展により、時代は多面的に「確変モード」に突入した。 目まぐるしく動く社会の中、本書は以下の問いをひとつなぎにして答える。 ・現在の世の中の変化をどう見たらいいのか ・日本の現状をどう考えるべきか ・企業はどうしたらいいのか ・すでに大人の人はこれからどうサバイバルしていけばいいのか ・この変化の時代、子どもにはどんな経験を与え、育てればいいのか ・若者は、このAIネイティブ時代をどう捉え、生きのびていけばいいのか ・国としてのAI戦略、知財戦略はどうあるべきか? ・AI時代の人材育成は何が課題で、どう考えたらいいのか ・日本の大学など高等教育機関、研究機関の現状をどう考えたらいいのか ビジネス・教育・政策…全領域にファクトベースで斬り込む、著者渾身の書き下ろし! 意志なき悲観論でも、現実を直視しない楽観論でもない、建設的(Constructive)な、「残すに値する未来のつくり方」。 読者コメント 「久々にすっごい面白い本に出会った。これからの時代の生き方の教養書として面白い」 「これからの日本が進むべき道を豊富なデータと精緻なロジックで導き出している」 「新人教育やマネジメント教育に必須の本だと思う。これから日本で生きる全てのビジネスパーソンが何を目指し、何をすべきかが詳細に書かれている」 「安宅さんの『日本を何とかしたい』という熱い思いが伝わってきて、ビジネス書なのに感動しました。個人的に今年のベスト本になる予感」 「一気に読んだ。『未来をつくる人』をどう育てるか、についても多くのページが割かれている。子育て中の方にもおすすめ」 ●目次 1章　データ×AIが人類を再び解き放つ -- 時代の全体観と変化の本質 2章　「第二の黒船」にどう挑むか -- 日本の現状と勝ち筋 3章　求められる人材とスキル 4章　「未来を創る人」をどう育てるか 5章　未来に賭けられる国に -- リソース配分を変える 6章　残すに値する未来

人工知能と人間が共存する社会において、知性をどう認識し、人間はどのように生きればよいのか。3名の著者がこの問題を論じる。 人工知能と人間が共存する社会において、知性をどう認識し、人間はどのように生きればよいのか。3名の著者がこの問題を論じる。 第1部　人工知能とは 　1章　人工知能のこれまで 　2章　ディープラーニングとは何か 　3章　ディープラーニングによる今後の技術進化 　4章　消費インテリジェンス 　5章　人間を超える人工知能 第2部　人工知能と世界の見方 　1章　人工知能が「世界の見方」を変える 　2章　認知構造はどう変わろうとしているのか 　3章　強い同型論 　4章　強い同型論で知能を説明する 　5章　我々の「世界の見方」はどこからきてどこに向かうのか 第3部　人工知能と人間社会 　1章　人工知能と人間社会 　2章　自由主義の政治哲学が直面する課題 　3章　人工知能とイノベーションの正義論 　4章　世代間資産としての正義システム 　5章　自由の根拠としての可謬性

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

現在のAI技術では何ができて何ができないのか、その実態を技術者が平易に語る。実際にAIをビジネスで活用している事例も紹介。 “ＡＩ、そこが知りたかった！ 　これだけ読めばモヤモヤが消える。しかも面白い。 　もっとも早くからＡＩに携わってきた「稼げる研究者集団」が 　これまでになかった「4つの力」という分かりやすいアプローチで解説。 　「稼げるＡＩ」を操る人間になりたいビジネスパーソン必読の書だ。” 　　　　　　　　　　　　　　　幸田真音（作家）　『人工知能』著者 --------------------------------------------------------- ○　ＡＩの本質を捉えて、ＡＩにできること、できないことの違いがつかめる！ ○　ＡＩの実態を踏まえて、ビジネスへと活かすための要点が分かる！ ○　ＡＩに仕事を奪われないために、人は何を身につけるべきかが分かる！ ＡＩを活かすために、ＡＩにできること、できないことを知ろう！ 古くからAI研究に携わり、数多くの有名大企業でのＡＩ導入実績を持つ テンソル・コンサルティング株式会社の社員が 現在のＡＩに何ができて何ができないのかを、分かりやすく、かつ面白く解説している。 仕事でＡＩに直接関わっているビジネスパーソンはもちろん、 ＡＩの今後がなんとなく気になっている社会人から、 子供の将来に不安を感じている保護者の方にいたるまで、 幅広い層に読みやすくてすっきり分かる、目からウロコの指南書である。 1章　そもそもAIとはなにか 　　　　世間で言われるAIとは？ 　　　　AIの歴史 　　　　活躍するAI　 2章　AIの実態 　　　AIに知性はあるのか？ 　　　今のAIの作り方 　　　AIにできること、できないこと 　　　AIは理解しているのか？ 　　　コラム：新しい概念の獲得 3章　AIの中身 　　　ディープラーニングの中身 　　　活躍するAIの中身 　　　AIに対する疑問 　　　コラム：重なった画像の理解 4章　AIのビジネスでの活用 　　　役立つAIの設計指針 　　　ビジネス活用に必要な要素 　　　AIと人間の間違え方の違い 　　　データサイエンティストの重要性 　　　ビジネスでの活用事例 　　　コラム：人間の優れた技能 5章　未来 　　　AI分野以外の動向 　　　AIに仕事を奪われないためには? 　　　AIが人間を超えるまでには？ 　　　AIが人間に置き換わった未来

【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

AIのブラックボックスを開けよう！ 「ディープラーニング」の動作原理を「本当に」理解できる本です。 AIのブラックボックスを開けよう！ ディープラーニングの本質を理解するために必要な「数学」を 「最短コース」で学べます！ 「ディープラーニング」の動作原理を「本当に」理解できる本です。 本書では、ディープラーニングの理解には欠かせない数学を 高校1年生レベルから、やさしく解説します。 （微分、ベクトル、行列、確率など） 最短コースで理解できるように、 解説する数学の分野は必要最低限のものだけに絞り、 その相関関係を★特製の綴込マップ★にまとめました。 また、数学を使ってイチから記述したコードを Jupyter Notebook形式で提供しますので 実際に動かしながら学ぶことができます。 「ディープラーニング」の動作原理を「本当に」理解できる本です。 AIのブラックボックスを開けよう！ 「ディープラーニング」の動作原理を「本当に」理解できる本です。 【導入編】 1章 機械学習入門 【理論編】 2章 微分・積分 3章 ベクトル・行列 4章 多変数関数の微分 5章 指数関数・対数関数 6章 確率・統計 【実践編】 7章 線形回帰モデル（回帰） 8章 ロジスティック回帰モデル（2値分類） 9章 ロジスティック回帰モデル（多値分類） 10章 ディープラーニングモデル 【発展編】 11章 実用的なディープラーニングを目指して ★巻頭綴じ込み★最短コースマップ

数学がニガテでも大丈夫！ 機械学習をやさしく学ぼう 「機械学習に興味があるけど、どの資料を見ても数式が出てきて、分からない･･･」 本書は、そんな方にぴったりの本です。 機械学習を勉強中のプログラマ「アヤノ」と、友達の「ミオ」の会話を通じて、楽しく学んでいきます。本書では、 ・そもそも機械学習がどうして注目を集めているのか？ ・機械学習でできることにはどんなことがあるのか？ ・どんな時に、回帰や分類、クラスタリングをすると有効なのか？ といった基本的なところから、 ・ある問題に対して、どのように解決方法を考えればいいのか ・その解決方法を数式にするとどんな形になるのか ・実際にプログラムの形にするとどうなるのか まで、丁寧に、じっくりと説明していきます。 とくに、数式については、高校で習った数学を忘れている方でも分かるように、つまづきやすいところや理解しにくいところを重点的に解説します。 ※プログラムはPython 3で実装します Chapter1　ふたりの旅の始まり Chapter2　回帰について学ぼう　～広告費からクリック数を予測する Chapter3　分類について学ぼう　～画像サイズに基づいて分類する Chapter4　評価してみよう　～作ったモデルを評価する Chapter5　実装してみよう　～Pythonでプログラミングする

Python初心者でも安心して学べる超入門書の登場！ 【本書の概要】 Web開発やデータ分析などの分野で近年、ユーザー数が増えてきているPython。 最近では、Pythonに触れる方も多くなってきています。 本書はそうしたPython初心者の方に向けて、 簡単なサンプルを作りながら、対話形式でプログラミングのしくみを学ぶ書籍です。 【対象読者】 Pythonのついて、何も知らない超初心者 【1年生シリーズ・3つのポイント】 ・対話形式で解説し、イラストを交えながら、基礎知識を解説します。 ・初めての方でも安心して学習できるよう基本文法もしっかり解説します。 ・平易でサンプルを用意していますので、安心してプログラムを体験できます。 【本書のポイント】 ヤギ博士とフタバちゃんと一緒に 基本的なプログラムから、面白い人工知能アプリの作成まで 体験して、プログラミングのしくみを学ぶことができます。 【著者】 森 巧尚(もり よしなお) iPhoneアプリやWebコンテンツの制作、執筆活動、関西学院大学非常勤講師など、 プログラミングにまつわる幅広い活動を行っている。 近著に『やさしくはじめるiPhoneアプリ作りの教科書』（マイナビ出版）、 『楽しく学ぶ アルゴリズムとプログラミングの図鑑』(マイナビ出版) 、 『なるほど！プログラミング』（SBクリエイティブ）などがある。 第1章　Python で何ができるの？ 第2章　Python を触ってみよう 第3章　プログラムの基本を知ろう 第4章　アプリを作ってみよう 第5章　人工知能（チノ）くんと遊んでみよう

プログラミング初学者に向けた独習シリーズに『独習Python』が新登場。山田祥寛氏によるPython入門書の決定版。 手を動かしておぼえるPythonプログラミング ――独学に最適な“標準教科書” プログラミングの初学者に向けた独習シリーズに『独習Python』が新登場。 プログラミング言語入門書の執筆で定評のある山田祥寛氏による、 Python入門書の決定版です。 独習シリーズの強みである、手を動かしておぼえる（書いて実行して結果を確認する） 特長を生かし、Pythonの基本的な言語仕様から、標準ライブラリ、ユーザー定義関数、 オブジェクト指向構文、モジュールまで、サンプルプログラムを例示しながら 詳細かつ丁寧に解説します。 プログラミングの基礎知識がない方でも、解説→例題（サンプル）→理解度チェック という3つのステップで、Pythonでプログラミングを行う際に必要な知識・概念・機能を 体系的に習得できます。 プログラミングの入門者、これからPythonで開発を始めたい初学者から、再入門者、 学生・ホビープログラマまで、「一からPython言語を学びたい」「Pythonプログラミング の基本をしっかり身につけたい」という方におすすめの一冊です。 第1章　イントロダクション 1.1　Pythonとは？ 1.2　Pythonの歴史と現状 1.3　Pythonアプリを開発／実行するための基本環境 1.4　Pythonプログラミングの基本 1.5　Pythonの基本ルール 1.6　開発／学習の前に押さえておきたいテーマ 第2章　Pythonの基本 2.1　変数 2.2　データ型 第3章　演算子 3.1　算術演算子 3.2　代入演算子 3.3　比較演算子 3.4　論理演算子 3.5　ビット演算子 3.6　演算子の優先順位と結合則 第4章　制御構文 4.1　条件分岐 4.2　繰り返し処理 4.3　ループの制御 4.4　例外処理 第5章　標準ライブラリ［基本］ 5.1　ライブラリの分類 5.2　文字列の操作 5.3　日付／時刻の操作 第6章　標準ライブラリ［コレクション］ 6.1　シーケンス型 6.2　セット（集合）型 6.3　辞書（dict）型 第7章　標準ライブラリ［その他］ 7.1　正規表現 7.2　ファイル操作 7.3　ファイルシステムの操作 7.4　HTTP経由でコンテンツを取得する 7.5　その他の機能 第8章　ユーザー定義関数 8.1　ユーザー定義関数の基本 8.2　変数の有効範囲（スコープ） 8.3　引数のさまざまな記法 8.4　関数呼び出しと戻り値 第9章　ユーザー定義関数［応用］ 9.1　デコレーター 9.2　ジェネレーター 9.3　関数のモジュール化 9.4　非同期処理 9.5　ドキュメンテーション 第10章　オブジェクト指向構文 10.1　クラスの定義 10.2　カプセル化 10.3　継承 10.4　ポリモーフィズム 第11章　オブジェクト指向構文［応用］ 11.1　例外処理 11.2　特殊メソッド 11.3　データクラス 11.4　イテレーター 11.5　メタクラス 付録A　「練習問題」「このの理解度チェック」解答

Pythonプログラミングを全力で学ぶならこの1冊!Pythonをこれから学ぶビギナーから、基礎力を得て現場で実践したい方まで、確実なスキルアップをはかれます。 1 準備:Python3をはじめよう(Python3の準備 プログラムを試してみよう) 2 基礎:Pythonの基本構文を学ぶ(値と変数 標準ライブラリ 条件分岐、繰り返し、例外処理 リスト タプル セット(集合) 辞書 ユーザ定義関数 関数の高度な利用 クラス定義) 3 応用:科学から機械学習まで(テキストファイルの読み込みと書き出し グラフを描く NumPyの配列 機械学習を試そう)

本書は「Pythonだけ」を学ぶ本ではありません。Pythonを使ってプログラミングを紹介していますが、伝えたい内容はPythonに限らない「プログラミング全般」の知識です。 本書の著者、コーリー・アルソフ（Cory Althoff）は、「独学プログラマー」です。本書は、彼が独学で、ゼロからプログラミングを学んだ体験に基づいて書かれました。 プログラミングを独学で身に付けるために、著者がPythonを通して学んだエッセンスが書かれています。彼の独学プログラマーとしての学び方は、Amazon.comでの本書の評価を見るとわかるように、多くの人に支持されています。 ――訳者あとがきより 第1部（Part1） 第1章　イントロダクション 第2章　さあ、はじめよう！ 第3章　プログラミング入門 第4章　関数 第5章　コンテナ 第6章　文字列操作 第7章　ループ 第8章　モジュール 第9章　ファイル 第10章　知識を1つにまとめる 第11章　ハマったときの助け 第2部（Part2） 第12章　プログラミングパラダイム 第13章　オブジェクト指向プログラミングの４大要素 第14章　もっとオブジェクト指向プログラミング 第15章　知識を1つにまとめる 第3部（Part3） 第16章　Bash 第17章　正規表現 第18章　パッケージ管理 第19章　バージョン管理 第20章　知識を1つにまとめる 第4部（Part4） 第21章　データ構造 第22章　アルゴリズム 第5部（Part5）　 第23章　プログラミングのベストプラクティス 第24章　プログラマーとしての最初の仕事 第25章　チームで働く 第26章　さらに学ぼう 第27章　次のステップ 第6部（Part6） 補章　より良いコードにするために 補章　継続して学ぶために 謝辞 訳者あとがき 索引 第1部（Part1） 第1章　イントロダクション 第2章　さあ、はじめよう！ 第3章　プログラミング入門 第4章　関数 第5章　コンテナ 第6章　文字列操作 第7章　ループ 第8章　モジュール 第9章　ファイル 第10章　知識を1つにまとめる 第11章　ハマったときの助け 第2部（Part2） 第12章　プログラミングパラダイム 第13章　オブジェクト指向プログラミングの４大要素 第14章　もっとオブジェクト指向プログラミング 第15章　知識を1つにまとめる 第3部（Part3） 第16章　Bash 第17章　正規表現 第18章　パッケージ管理 第19章　バージョン管理 第20章　知識を1つにまとめる 第4部（Part4） 第21章　データ構造 第22章　アルゴリズム 第5部（Part5）　 第23章　プログラミングのベストプラクティス 第24章　プログラマーとしての最初の仕事 第25章　チームで働く 第26章　さらに学ぼう 第27章　次のステップ 第6部（Part6） 補章　より良いコードにするために 補章　継続して学ぶために 謝辞 訳者あとがき 索引

知識ゼロからはじめるディープラーニング EラーニングサイトUdemyの人気講師が教えるディープラーニングの基礎。ディープラーニングの本命であるニューラルネットワークと、ニューラルネットワークを学習させる際に用いられるアルゴリズムであるバックプロパゲーション（誤差逆伝播法）を初学者にもわかりやすく解説。また画像認識や自然言語処理の分野で高い効率性を発揮する畳み込みニューラルネットワークについてもコード付きで解説することにより、入門書であるにもかかわらず本格的AI開発の入り口まで学ぶことができます。 ［本書の特徴］ ・はじめてPythonに触れる方のために、Python本体と数値演算ライブラリNumPyによるプログラミングの基礎を解説しています。 ・文系エンジニアのために、微分や線形代数など、ニューラルネットワークの理解に必要な数学の知識を解説しています。 ・サンプルプログラムはフレームワークを使わずにPythonのみで記述しています。このため数式をコード化する際の原理が初心者にもわかりやすくなっています。 ・サンプルプログラムはSBクリエイティブ株式会社のサイトからダウンロード可能です。 ・Python3、Jupyter Notebook対応 第01章 ディープラーニングとは 第02章 Pythonの概要 第03章 ディープラーニングに必要な数学 第04章 ニューラルネットワーク 第05章 バックプロパゲーション 第06章 最小限の実装によるディープラーニング 第07章 畳み込みニューラルネットワーク（CNN） 第08章 ディープラーニングの応用

「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

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。

基礎から、ＳＧＤ、自己符号化器、ＣＮＮ、ＲＮＮ、ボルツマンマシンまでと、盛りだくさん。軽快な語り口で、無理なく理解できる！ いま最も注目されている機械学習手法である深層学習（ディープラーニング）を、トップ研究者が解説した。基礎から、SGD、自己符号化器、CNN、RNN、ボルツマンマシンまでと、盛りだくさん。軽快な語り口なので、無理なく理解できる！ 【機械学習プロフェッショナルシリーズ】 本シリーズでは、発展著しい機械学習技術の数学的な基礎理論、実用的なアルゴリズム、それらの活用法を、全29巻にわたって刊行する。 ビッグデータ時代を牽引している若手・中堅の現役研究者が、入門的な内容から最先端の研究成果までをわかりやすく解説。 これからデータサイエンス分野で研究を始めようとしている大学生・大学院生、および、機械学習技術を基礎科学や産業に応用しようとしている研究者・技術者に向けた注目のシリーズである。 全29巻のうち第1期として、以下の4点を同時刊行！ 『機械学習のための確率と統計』杉山 将･著 『深層学習』岡谷 貴之･著 『オンライン機械学習』海野 裕也／岡野原 大輔／得居 誠也／徳永 拓之･著 『トピックモデル』岩田 具治･著 第2期の刊行は2015年8月、第3期の刊行は2015年12月の予定(＾o＾)/ 【シリーズ編者】 杉山 将　東京大学大学院新領域創成科学研究科 教授 第1章　はじめに 第2章　順伝播型ネットワーク 第3章　確率的勾配降下法 第4章　誤差逆伝播法 第5章　自己符号化器 第6章　畳込みニューラルネット 第7章　再帰型ニューラルネット 第8章　ボルツマンマシン

深層学習ベストセラーがさらにパワーアップ。リカレントニューラルネットワーク、ＧＡＮ、深層強化学習の「章」が新たに加わった。 おお！もう第２版！　深層学習ベストセラーがさらにパワーアップ。リカレントニューラルネットワーク、ＧＡＮ、深層強化学習の「章」が新たに加わり、ツールの最新事情も反映された。５０ページ以上増強されたお得な一冊！ いまの姿を的確に、時代を見据えた、きちんとした大改訂。 ResNet、SENet、Faster R-CNN、YOLO、GAN、DCGAN、CGAN、CycleGAN DQN、Actor-Critic、A3C、Caffe、Chainer、TensorFlow、Keras、PyTorch ・リカレントニューラルネットワーク、ＧＡＮ、深層強化学習の「章」が新たに加わった。 ・物体検出、セグメンテーション、可視化への活用も充実し、フレームワークの最新事情も反映。 ・50ページ以上増強されたお得な一冊！ 主な内容 1章　序論 2章　ニューラルネットワーク 3章　畳み込みニューラルネットワーク 4章　汎化性能を向上させる方法 5章　畳み込みニューラルネットワークの活用 6章　リカレントニューラルネットワーク 7章　オートエンコーダ 8章　敵対的生成ネットワーク 9章　深層強化学習 10章　ディープラーニングのフレームワーク 序論 ニューラルネットワーク 畳み込みニューラルネットワーク 汎化性能を向上させる方法 畳み込みニューラルネットワークの活用 リカレントニューラルネットワーク オートエンコーダ 敵対的生成ネットワーク 深層強化学習 ディープラーニングのフレームワーク

深層学習の世界的名著、ついに刊行 AI研究の一分野として注目を集める深層学習（ディープラーニング）に関する教科書として世界的な評価を受けている解説書。深層学習の理解に必要な数学、ニューラルネットワークの基礎から、CNN（畳み込みニューラルネットワーク）やRNN（回帰結合型ニューラルネットワーク）などのすでに確立した手法、さらに深層学習の研究まで、深層学習の基礎を理論を含めてしっかり学習したい人に最適な内容になっている。近年の深層学習研究をリードする著名な研究者たちが執筆した入門者必読の書である。 本書は、深層学習に関する数学的バックグラウンドやコンセプトから産業への応用まで、包括的に解説した唯一の書籍です。 第1章 はじめに 第I部 応用数学と機械学習の基礎 第2章 線形代数 第3章 確率と情報理論 第4章 数値計算 第5章 機械学習の基礎 第II部 深層ネットワーク：現代的な実践 第6章 深層順伝播型ネットワーク 第7章 深層学習のための正則化 第8章 深層モデルの訓練のための最適化 第9章 畳み込みネットワーク 第10章 系列モデリング：回帰結合型ニューラルネットワークと再帰型ネットワーク 第11章 実用的な方法論 第12章 アプリケーション 第III部 深層学習の研究 第13章 線形因子モデル 第14章 自己符号化器 第15章 表現学習 第16章 深層学習のための構造化確率モデル 第17章 モンテカルロ法 第18章 分配関数との対峙 第19章 近似推論 第20章 深層生成モデル

AIの大衆化―多くの人々がディープラーニングを利用できるよう実践解説！ AIの大衆化―多くの人々がディープラーニングを利用できるよう実践解説！ PythonベースのディープラーニングフレームワークKerasの開発者である筆者が、1人でも多くの人々がディープラーニングを利用できるよう実践解説します。 本書はディープラーニングを一から学習したいと考えている人のために書かれています。数学的な表記を避け、代わりにコードを使って定量的な概念を説明することで、機械学習とディープラーニングの基本的な考えについて実践的な知識を養っていきます。 サンプルコードはPythonベースのディープラーニングフレームワークであるKerasに基づいており、バックエンドエンジンとしてTensorFlowを使用しています。 Part 1では、ディープラーニングを大まかに紹介。機械学習とニューラルネットワークを囲む状況といくつかの定義を示し、取り組みを開始するために必要な概念を説明します。 第1章：人工知能（AI）、機械学習、ディープラーニングの基本的なコンテキストと予備知識を提供。 第2章：ディープラーニングに取り組むために必要な基本概念（テンソル、テンソル演算、勾配降下法、バックプロパゲーション）を紹介。 第3章：ディープラーニングフレームワークであるKerasの紹介。分類タスクと回帰タスクを処理する単純なニューラルネットワークの訓練と内部で何が起きているのかが理解できる。 第4章：機械学習の一般的なワークフローとよくある落とし穴・解決法を詳解。 Part 2では、ディープラーニングの実践的な応用例としてコンピュータビジョンと自然言語処理を詳しく見ていきます。サンプルの多くは、ディープラーニングを実務で使用するときに遭遇する問題を解決するためのテンプレートとして利用できます。 第5章：画像分類に焦点を合わせ、コンピュータビジョンの実践的な例を幅広く取り上げる。 第6章：テキストや時系列といったシーケンスデータを処理するための手法を実際に試してみる。 第7章：最先端のディープラーニングモデルを構築するための高度な手法を紹介。 第8章：画像やテキストを作成する能力を持つディープラーニングモデルであり、驚くほど芸術的な結果をもたらすことがあるジェネレーティブモデルの紹介。 第9章：本書の総括。ディープラーニングの限界とその未来を予測。 本書を最後まで読めば、ディープラーニングとは何か、適用できるのはどのような状況か、その制限についてしっかり理解できるはずです。コンピュータビジョンから自然言語処理、画像分類、時系列予測、感情分析、画像/ テキスト生成に至るまで、現実の幅広い問題にKerasを使用できるようになり、最高の短期集中コースとして活用できます。 まえがき 謝辞 監訳者より 本書について カバーについて Part 1　ディープラーニングの基礎 1章　ディープラーニングとは何か 1.1　AI、機械学習、ディープラーニング 1.2　ディープラーニングの前史：機械学習 1.3　なぜディープラーニングなのか、なぜ今なのか 2章　予習：ニューラルネットワークの数学的要素 2.1　初めてのニューラルネットワーク 2.2　ニューラルネットワークでのデータ表現 2.3　ニューラルネットワークの歯車：テンソル演算 2.4　ニューラルネットワークのエンジン：勾配ベースの最適化 2.5　最初の例を振り返る 3章　入門：ニューラルネットワーク 3.1　ニューラルネットワークの構造 3.2　Kerasの紹介 3.3　ディープラーニングマシンのセットアップ 3.4　二値分類の例：映画レビューの分類 3.5　多クラス分類の例：ニュース配信の分類 3.6　回帰の例：住宅価格の予測 4章　機械学習の基礎 4.1　機械学習の4 つの手法 4.2　機械学習モデルの評価 4.3　データ前処理、特徴エンジニアリング、表現学習 4.4　過学習と学習不足 4.5　機械学習の一般的なワークフロー Part 2　ディープラーニングの実践 5章　コンピュータビジョンのためのディープラーニング 5.1　畳み込みニューラルネットワークの紹介 5.2　小さなデータセットでCNNを一から訓練する 5.3　学習済みのCNNを使用する 5.4　CNNが学習した内容を可視化する 6章　テキストとシーケンスのためのディープラーニング 6.1　テキストデータの操作 6.2　リカレントニューラルネットワークを理解する 6.3　リカレントニューラルネットワークの高度な使い方 6.4　畳み込みニューラルネットワークでのシーケンス処理 7章　高度なディープラーニングのベストプラクティス 7.1　Sequential モデルを超えて：Keras Functional API 7.2　Keras のコールバックとTensorBoardを使ったディープラーニングモデルの調査 7.3　モデルを最大限に活用するために 8章　ジェネレーティブディープラーニング 8.1　LSTM によるテキスト生成 8.2　DeepDream 8.3　ニューラルネットワークによるスタイル変換 8.4　変分オートエンコーダによる画像の生成 8.5　速習：敵対的生成ネットワーク 9章　本書のまとめ 9.1　主な概念の復習 9.2　ディープラーニングの限界 9.3　ディープラーニングの未来 9.4　目まぐるしく変化する分野に後れずについていくには 9.5　最後に 付録A　Kerasとその依存ファイルをUbuntu にインストールする A.1　Pythonの科学ライブラリをインストールする A.2　GPUのサポートをセットアップする A.3　Theanoをインストールする（オプション） A.4　Kerasをインストールする 付録B　AWSのGPUインスタンスでJupyter Notebookを実行する B.1　Jupyter NotebookをAWSで実行する理由 B.2　Jupyter NotebookをAWSで実行しない理由 B.3　AWS GPUインスタンスのセットアップ B.4　Kerasをインストールする B.5　ローカルポートフォワーディングを設定する B.6　ローカルブラウザからJupyter Notebookを使用する

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

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

機械学習ライブラリKerasの解説書。画像識別、画像生成、自然言語処理、感情識別、自動ゲームプレイなどの幅広いサンプルを例示 人気フレームワークKerasの解説書！ 直感的かつ短いコードでアイデアを形にできるKerasはTensorFlowのラッパーとして大人気のライブラリです。本書でもTensorFlowをバックエンドとして使用し、自然言語処理、画像識別、画像生成、音声合成、テキスト生成、強化学習、AIゲームプレイなどさまざまなモデルをPythonとKerasで実装します。対象読者は、各種のディープラーニングを素早く実装したいプログラマー、データサイエンティスト。ディープラーニングを支える技術の速習にも好適です。数式はなるべく使わずにコードと図で説明します。ニューラルネットワークおよびPython 3の基本を理解している人であれば誰でも始めることができます。

本書は、機械学習コンセプト全般をカバーし、理論的背景とPythonコーディングの実際を解説しています。初歩的な線形回帰から始め、ディープラーニング（CNN／RNN）、敵対的生成ネットワーク、強化学習などを取り上げ、scikit-learnやTensorFlowなどPythonライブラリの新版を使ってプログラミング。第3版では13～16章の内容をほとんど刷新したほか、敵対的生成ネットワークと強化学習の章を新たに追加。機械学習プログラミングの本格的な理解と実践に向けて大きく飛躍できる一冊です。

バックグラウンドに数学的な知識がなくても理解できるように書かれた、Pythonを使った機械学習の入門書。 数学の知識がなくても読み進められる、理論だけでなく実践面も重視した機械学習の入門書！ バックグラウンドに数学的な知識がなくても理解できるように書かれた、Pythonを使った機械学習の入門書。Pythonの機械学習用ライブラリの大定番、scikit-learnの開発に関わる著者が、scikit-learnを使った機械学習の方法を、ステップバイステップで解説します。最初に実践について述べて後から理論を補強するスタイルで、理解しやすいように工夫されています。理論面と実践面のバランスが良く、モデルの評価と改善について多くの紙面を割くなど、類書にはない特徴を備えています。

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

『scikit-learnとTensorFlowによる実践機械学習』の改訂。教師なし学習、言語、強化学習などを追加。 『scikit-learnとTensorFlowによる実践機械学習』待望の改訂版！ 初版でカバーできなかった教師なし学習、ディープラーニングに関する画像、言語、強化学習などについて詳述。またTensorFlow上で動くニューラルネットワークライブラリのKerasの解説が加わり、各章でKerasを使った解説がなされています。TensorFlowのコンポーネントに関する記述が追加されています。Githubにjupyter notebookで試せるコードを掲載しており、試しながら学べます。

データサイエンスの認知の高まりとともに、データ分析に関するコンペティションが多数開催されるようになってきました。最も有名なコンペティションプラットフォームであるKaggleにおけるプレイヤー数は10万人を超え、多くのエンジニアが自分の腕を試すためにコンペティションに参加しています。分析コンペでは、実際のデータを扱うため、機械学習の解説書にはあまり載っていないような手法やテクニックが数多く活用されています。これらを理解し自身で使えるようにしておくことはコンペだけでなく、実務でのモデル構築において非常に役に立ちます。 そこでこれらのテクニックや事例を多くの人に知っていただくために、現時点で最新のものを整理して本書にまとめました。特徴量の作り方、バリデーション、パラメータチューニングなどについて、一般的な書籍ではあまり言及されない暗黙知やポイントについて記述しています。分析コンペにこれから参加してみたい方、あるいはもっと上を目指したい方だけでなく、実務で予測モデルの精度を上げたいという方にも参考になる情報が多いでしょう。 第1章　分析コンペとは? 1.1 分析コンペって何？ 1.1.1 何をするものか 1.1.2 予測結果の提出と順位表（Leaderboard） 1.1.3 チームでの参加 1.1.4 入賞賞金・特典 1.2 分析コンペのプラットフォーム 1.2.1 Kaggle 1.2.2 Rankings（ランキング・称号制度） 1.2.3 Kernel 1.2.4 Discussion 1.2.5 Datasets 1.2.6 API 1.2.7 Newsfeed 1.2.8 開催された分析コンペの種類と具体例 1.2.9 分析コンペのフォーマット 1.3 分析コンペに参加してから終わるまで 1.3.1 分析コンペに参加 1.3.2 規約に同意 1.3.3 データをダウンロード 1.3.4 予測値の作成 1.3.5 予測値の提出 1.3.6 Public Leaderboardをチェック 1.3.7 最終予測値を選ぶ 1.3.8 Private Leaderboardをチェック 1.4 分析コンペに参加する意義 1.4.1 賞金を得る 1.4.2 称号やランキングを得る 1.4.3 実データを用いた分析の経験・技術を得る 1.4.4 データサイエンティストとのつながりを得る 1.4.5 就業機会を得る 1.5 上位を目指すためのポイント 1.5.1 タスクと評価指標 1.5.2 特徴量の作成 1.5.3 モデルの作成 1.5.4 モデルの評価 1.5.5 モデルのチューニング 1.5.6 アンサンブル 1.5.7 分析コンペの流れ Column 　計算リソース 第2章　タスクと評価指標 2.1 分析コンペにおけるタスクの種類 2.1.1 回帰タスク 2.1.2 分類タスク 2.1.3 レコメンデーション 2.1.4 その他のタスク 2.2 分析コンペのデータセット 2.2.1 テーブルデータ 2.2.2 外部データ 2.2.3 時系列データ 2.2.4 画像や自然言語などのデータ 2.3 評価指標 2.3.1 評価指標（evaluation metrics）とは 2.3.2 回帰における評価指標 2.3.3 二値分類における評価指標?正例か負例かを予測値とする場合 2.3.4 二値分類における評価指標?正例である確率を予測値とする場合 2.3.5 多クラス分類における評価指標 2.3.6 レコメンデーションにおける評価指標 2.4 評価指標と目的関数 2.4.1 評価指標と目的関数の違い 2.4.2 カスタム評価指標とカスタム目的関数 2.5 評価指標の最適化 2.5.1 評価指標の最適化のアプローチ 2.5.2 閾値の最適化 2.5.3 閾値の最適化をout-of-foldで行うべきか？ Column out-of-foldとは？ 2.5.4 予測確率とその調整 2.6 評価指標の最適化の例 2.6.1 balanced accuracyの最適化 2.6.2 mean-F1における閾値の最適化 2.6.3 quadratic weighted kappaにおける閾値の最適化 2.6.4 カスタム目的関数での評価指標の近似によるMAEの最適化 2.6.5 MCCのPR-AUCによる近似とモデル選択 2.7 リーク（data leakage） 107 2.7.1 予測に有用な情報が想定外に漏れている意味でのリーク 2.7.2 バリデーションの枠組みの誤りという意味でのリーク 第3章　特徴量の作成 3.1 本章の構成 3.2 モデルと特徴量 3.2.1 モデルと特徴量 3.2.2 ベースラインとなる特徴量 3.2.3 決定木の気持ちになって考える 3.3 欠損値の扱い 3.3.1 欠損値のまま取り扱う 3.3.2 欠損値を代表値で埋める 3.3.3 欠損値を他の変数から予測する 3.3.4 欠損値から新たな特徴量を作成する 3.3.5 データ上の欠損の認識 3.4 数値変数の変換 3.4.1 標準化（standardization） Column データ全体の数値を利用して変換を行うときに、学習データのみを使うか、テストデータも使うか 3.4.2 Min-Maxスケーリング 3.4.3 非線形変換 3.4.4 clipping 3.4.5 binning 3.4.6 順位への変換 3.4.7 RankGauss 3.5 カテゴリ変数の変換 3.5.1 one-hot encoding 3.5.2 label encoding 3.5.3 feature hashing 3.5.4 frequency encoding 3.5.5 target encoding 3.5.6 embedding 3.5.7 順序変数の扱い 3.5.8 カテゴリ変数の値の意味を抽出する 3.6 日付・時刻を表す変数の変換 3.6.1 日付・時刻を表す変数の変換のポイント 3.6.2 日付・時刻を表す変数の変換による特徴量 3.7 変数の組み合わせ 3.8 他のテーブルの結合 3.9 集約して統計量をとる 3.9.1 単純な統計量をとる 3.9.2 時間的な統計量をとる 3.9.3 条件を絞る 3.9.4 集計する単位を変える 3.9.5 ユーザ側でなく、アイテム側に注目する 3.10 時系列データの扱い 3.10.1 時系列データとは？ 3.10.2 予測する時点より過去の情報のみを使う 3.10.3 ワイドフォーマットとロングフォーマット 3.10.4 ラグ特徴量 3.10.5 時点と紐付いた特徴量を作る 3.10.6 予測に使えるデータの期間 3.11 次元削減・教師なし学習による特徴量 3.11.1 主成分分析（PCA） 3.11.2 非負値行列因子分解（NMF） 3.11.3 Latent Dirichlet Allocation（LDA） 3.11.4 線形判別分析（LDA） 3.11.5 t-SNE、UMAP 3.11.6 オートエンコーダ 3.11.7 クラスタリング 3.12 その他のテクニック 3.12.1 背景にあるメカニズムから考える 3.12.2 レコード間の関係性に注目する 3.12.3 相対値に注目する 3.12.4 位置情報に注目する 3.12.5 自然言語処理の手法 3.12.6 自然言語処理の手法の応用 3.12.7 トピックモデルの応用によるカテゴリ変数の変換 3.12.8 画像特徴量を扱う手法 3.12.9 decision tree feature transformation 3.12.10 匿名化されたデータの変換前の値を推測する 3.12.11 データの誤りを修正する 3.13 分析コンペにおける特徴量の作成の例 3.13.1 Kaggleの「Recruit Restaurant Visitor Forecasting」 3.13.2 Kaggleの「Santander Product Recommendation」 3.13.3 Kaggleの「Instacart Market Basket Analysis」 3.13.4 KDD Cup 2015 3.13.5 分析コンペにおけるその他のテクニックの例 第4章　モデルの作成 4.1 モデルとは何か？ 4.1.1 モデルとは何か？ 4.1.2 モデル作成の流れ 4.1.3 モデルに関連する用語とポイント 4.2 分析コンペで使われるモデル 4.3 GBDT（勾配ブースティング木） 4.3.1 GBDTの概要 4.3.2 GBDTの特徴 4.3.3 GBDTの主なライブラリ 4.3.4 GBDTの実装 4.3.5 xgboostの使い方のポイント 4.3.6 lightgbm 4.3.7 catboost Column xgboostのアルゴリズムの解説 4.4 ニューラルネット 4.4.1 ニューラルネットの概要 4.4.2 ニューラルネットの特徴 4.4.3 ニューラルネットの主なライブラリ 4.4.4 ニューラルネットの実装 4.4.5 kerasの使い方のポイント 4.4.6 参考になるソリューション - 多層パーセプトロン 4.4.7 参考になるソリューション - 最近のニューラルネットの発展 4.5 線形モデル 4.5.1 線形モデルの概要 4.5.2 線形モデルの特徴 4.5.3 線形モデルの主なライブラリ 4.5.4 線形モデルの実装 4.5.5 線形モデルの使い方のポイント 4.6 その他のモデル 4.6.1 k近傍法（k-nearest neighbor algorithm、kNN） 4.6.2 ランダムフォレスト（Random Forest、RF） 4.6.3 Extremely Randomized Trees（ERT） 4.6.4 Regularized Greedy Forest（RGF） 4.6.5 Field-aware Factorization Machines（FFM） 4.7 モデルのその他のポイントとテクニック 4.7.1 欠損値がある場合 4.7.2 特徴量の数が多い場合 4.7.3 目的変数に1対1で対応するテーブルでない場合 4.7.4 pseudo labeling Column 分析コンペ用のクラスやフォルダの構成 第5章　モデルの評価 5.1 モデルの評価とは？ 5.2 バリデーションの手法 5.2.1 hold-out法 5.2.2 クロスバリデーション 5.2.3 stratified k-fold 5.2.4 group k-fold 5.2.5 leave-one-out 5.3 時系列データのバリデーション手法 5.3.1 時系列データのhold-out法 5.3.2 時系列データのクロスバリデーション（時系列に沿って行う方法） 5.3.3 時系列データのクロスバリデーション（単純に時間で分割する方法） 5.3.4 時系列データのバリデーションの注意点 5.3.5 Kaggleの「Recruit Restaurant Visitor Forecasting」 5.3.6 Kaggleの「Santander Product Recommendation」 5.4 バリデーションのポイントとテクニック 5.4.1 バリデーションを行う目的 5.4.2 学習データとテストデータの分割をまねる 5.4.3 学習データとテストデータの分布が違う場合 5.4.4 Leaderboardの情報を利用する 5.4.5 バリデーションデータやPublic Leaderboardへの過剰な適合 5.4.6 クロスバリデーションのfoldごとに特徴量を作り直す 5.4.7 使える学習データを増やす 第6章　モデルのチューニング 6.1 パラメータチューニング 6.1.1 ハイパーパラメータの探索手法 6.1.2 パラメータチューニングで設定すること 6.1.3 パラメータチューニングのポイント 6.1.4 ベイズ最適化でのパラメータ探索 6.1.5 GBDTのパラメータおよびそのチューニング Column xgboostの具体的なパラメータチューニングの方法 6.1.6 ニューラルネットのパラメータおよびそのチューニング Column 多層パーセプトロンの具体的なパラメータチューニングの方法 6.1.7 線形モデルのパラメータおよびそのチューニング 6.2 特徴選択および特徴量の重要度 6.2.1 単変量統計を用いる方法 6.2.2 特徴量の重要度を用いる方法 6.2.3 反復して探索する方法 6.3 クラスの分布が偏っている場合 Column ベイズ最適化およびTPEのアルゴリズム 第7章　アンサンブル 7.1 アンサンブルとは？ 7.2 シンプルなアンサンブル手法 7.2.1 平均、加重平均 7.2.2 多数決、重みづけ多数決 7.2.3 注意点とその他のテクニック 7.3 スタッキング 7.3.1 スタッキングの概要 7.3.2 特徴量作成の方法としてのスタッキング 7.3.3 スタッキングの実装 7.3.4 スタッキングのポイント 7.3.5 hold-outデータへの予測値を用いたアンサンブル 7.4 どんなモデルをアンサンブルすると良いか？ 7.4.1 多様なモデルを使う 7.4.2 ハイパーパラメータを変える 7.4.3 特徴量を変える 7.4.4 問題のとらえ方を変える 7.4.5 スタッキングに含めるモデルの選択 7.5 分析コンペにおけるアンサンブルの例 7.5.1 Kaggleの「Otto Group Product Classification Challenge」 7.5.2 Kaggleの「Home Depot Product Search Relevance」 7.5.3 Kaggleの「Home Credit Default Risk」 付　録 A.1 分析コンペの参考資料 A.2 参考文献 A.3 本書で参照した分析コンペ 索引 著者プロフィール

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

データ分析の現場にあって入門書にない「汚いデータ」（ダーティデータ）に対応する、プロのノウハウを解説します。 これがリアルなデータ分析だ！ 君は「汚いデータ」を処理できるか？ データ分析の現場にあって入門書にないもの――それは、「汚いデータ」（ダーティデータ）です。本書は、データ分析の現場では①どんなデータに出会い、②どのような問題が生じ、③どう対応すればよいのかというノウハウを解説。 事前の加工（視覚化）から機械学習、最適化問題まで、100本ノックをこなして、ビジネス現場で即戦力になれる「応用力」を身につけよう！ 練習するライブラリ ・Pandas ・Numpy ・Matplotlib ・scikit-learn ・Networkxs ・pulp ・ortoolpy ・opencv ・dlib ・MeCab 第1部 基礎編：データ加工 第1章　ウェブからの注文数を分析する10本ノック 第2章　小売店のデータでデータ加工を行う10本ノック 第2部 実践編①：機械学習 第3章　顧客の全体像を把握する10本ノック 第4章　顧客の行動を予測する10本ノック 第5章　顧客の退会を予測する10本ノック 第3部 実践編②：最適化問題 第6章　物流の最適ルートをコンサルティングする10本ノック 第7章　ロジスティクスネットワークの最適設計を行う10本ノック 第8章　数値シミュレーションで消費者行動を予測する10本ノック 第4部 発展編：画像処理/言語処理 第9章　潜在顧客を把握するための画像認識10本ノック 第10章　アンケート分析を行うための自然言語処理10本ノック

「数理モデル」とは、現実のデータを理解・活用するために生み出された様々な数理的な手段の総称である。これには、近年注目を浴びている機械学習だけでなく、物理学、生物学、生態学などの自然科学、また心理学、経済学、といった人文社会科学分野で用いられる諸手法が含まれている。 こうした極めて多様な方法論の間には、データの背後に存在するメカニズムをある種の数式で表現し、それを利用するという共通の目的・手続きが存在する。 データと目的が与えられたとして、どのモデリング手法に頼ればいいのだろうか？特に、現象の理解を目的とした分析には、機械学習の諸手法では太刀打ちできないこともある。 こういった場合には、統計モデリングだけでなく所謂計算論的モデルと呼ばれるボトムアップ型のモデリング手法が必要とされることもあるだろう。こうした俯瞰的な視点でモデルの「種類」を選択することはデータ分析において必須のステップであるが、そうした分野を跨いだ解説書は殆ど存在していないといっても良い。 そこで本書は、数理モデル全体が有機的に繋がって見えるような「横糸的な」理解を可能にする、全く新しい入門的な教科書を目指した。 本書では、さまざまなモデリング手法の基礎的な部分を解説するだけでなく、それらをどのように選択して使用すればよいか、そしてモデリングによって得られる結論について初学者が勘違いしやすい事項について丁寧に解説した。 主な読者としては、「これからデータ分析を始める」、或いは「ある種の分析で結果を出すことはできるが、それが何をやっていることになるのかがモヤモヤする」といった初学者・初級者を想定している。大学の一年次でも読み通せる程度の解説レベルを採用しているが、内容が淡泊になりすぎないように注意した。 また、通常データ分析の文脈では言及されない（しかし重要な）種々の数理手法についても解説することで、ある程度モデリングに慣れた読者が読んでも楽しめる内容を目指した。 第一部　数理モデルとは 第1章　データ分析と数理モデル 〔データを分析するということ／数理モデルの役割〕 第2章　数理モデルの構成要素・種類 〔理解志向型・応用志向型モデリング／数理モデルの適用限界〕 第二部　基礎的な数理モデル 第3章　少数の方程式によるモデル 〔線形モデル／実験式・カーブフィッティング／最適化問題〕 第4章　少数の微分方程式によるモデル 〔線形微分方程式／非線形微分方程式／安定性解析／制御理論〕 第5章　確率モデル 〔確率過程／マルコフ過程／待ち行列理論〕 第6章　統計モデル 〔正規分布／統計的検定／回帰分析〕 第三部　高度な数理モデル 第7章　時系列モデル 〔時系列データの構造／自己回帰モデル／状態空間モデル／非線形時系列解析〕 第8章　機械学習モデル 〔複雑なモデルと過学習／分類・回帰問題／クラスタリング／次元削減／深層学習〕 第9章　強化学習モデル 〔行動モデルとしての強化学習／機械学習モデルとしての強化学習〕 第10章　多体系モデル・エージェントベースモデル 〔ミクロからマクロへ／さまざまな集団現象モデル／相互作用のネットワーク分析〕 第四部　数理モデルを作る 第11章　モデルを決めるための要素 〔数理モデルの性質／理解志向型・応用志向型モデリングのポイント〕 第12章　モデルを設計する 〔変数の選択／データの取得・実験計画／数理構造・パラメータの選択／間違ったモデリングをしないために〕 第13章　パラメータを推定する 〔目的に応じたパラメータ推定／パラメータ推定における目的関数の最小化／ベイズ推定・ベイズモデリング〕 第14章　モデルを評価する 〔「いいモデル」とは／分類精度の指標／情報量基準／ヌルモデルとの比較・尤度比検定／交差検証〕

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。

データサイエンティストと呼ばれる職種が登場して、いまや10年以上が経過しようとしています。ビッグデータやディープラーニングなど技術的な流行も後押しして、AI・データ分析プロジェクトに取り組む企業も増えました。また、データサイエンス、データエンジニアリングに関する技術情報は次第に増え、データ分析コンペティションの盛り上がりもあって技術的な知識を持つ方が増えているのは事実です。ところが、実際にAI・データ分析プロジェクトに取り組んでみると、そううまくはいかないようです。プロジェクトを進めるには技術知識だけでなく「ビジネス力」が必要なのです。 そこで、本書はこれまでメインテーマとして語られることのなかった「ビジネス力」に焦点をあてて、データ分析プロジェクトを一通り解説していきます。プロジェクトの入口として「組織の立ち上げ方」から「案件獲得」にふれ、続く実際のデータ分析プロセスにおいては、課題とゴールを明確にして、分析結果は出して終わりではなく共有、評価のサイクルが必要であることを解説します。最後に出口となる「収益化」に関する情報をまとめます。 先を行くデータ分析者達は、これまでさまざまな罠にかかり、見えない落とし穴にはまっても奮闘してノウハウを蓄積してきたのがこの10年です。これからAI・データ分析プロジェクトに取り組む方／関わる方へ向けて、先人たちのノウハウをまとめたのが本書です。 第1部 プロジェクトの準備 第1章 AI・データ分析業界の概要 第2章 データサイエンティストのキャリアと雇用 第3章 AI・データサイエンティストの実務と情報収集 第2部 プロジェクトの入口 第4章 社内案件の獲得と外部リソースの検討 第5章 データのリスクマネジメントと契約 第3部 プロジェクトの実行 第6章 AI・データ分析プロジェクトの起ち上げと管理 第7章 データの種類と分析手法の検討 第8章 分析結果の評価と改善 第9章 レポーティングとBI 第10章 データ分析基盤の構築と運用 第4部 プロジェクトの出口 第11章 プロジェクトのバリューと継続性 第12章 業界事例

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

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。

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。

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〕

複雑な機械学習アルゴリズムの違いがオールカラーの図で見てわかる！ 機械学習アルゴリズムの違いが見てわかる！ 「機械学習アルゴリズムは種類が多く、複雑で何をしているのかわかりにくい」と思ったこと、ありませんか？本書は、そのような機械学習アルゴリズムをオールカラーの図を用いて解説した機械学習の入門書です。 いままで複雑でわかりにくかった機械学習アルゴリズムを図解し、わかりやすく解説しています。アルゴリズムごとに項目を立てているので、どのアルゴリズムがどのような仕組みで動いているのか比較をしやすくしています。 これから機械学習を勉強する方だけでなく、実際に機械学習を業務で使用している方にも新しい気付きを得られるのでお勧めの1冊です。 【本書の特徴】 ・複雑な機械学習アルゴリズムの仕組みを1冊で学べる ・オールカラーの図をたくさん掲載 ・各アルゴリズム毎にScikit-Learnを使用したコードを記載しているので、見るだけでなく試すこともできる ・仕組みだけでなく、実際の使い方や注意点もわかる 【本書で紹介するアルゴリズム】 01 線形回帰 02 正則化 03 ロジスティック回帰 04 サポートベクトルマシン 05 サポートベクトルマシン（カーネル法） 06 ナイーブベイズ 07 ランダムフォレスト 08 ニューラルネットワーク 09 kNN 10 PCA 11 LSA 12 NMF 13 LDA 14 k-means 15 混合ガウス 16 LLE 17 t-SNE 第1章　機械学習の基礎 　1.1　機械学習の概要 　1.2　機械学習に必要なステップ 第2章　教師あり学習 　01　線形回帰 　02　正則化 　03　ロジスティック回帰 　04　サポートベクトルマシン 　05　サポートベクトルマシン（カーネル法） 　06　ナイーブベイズ 　07　ランダムフォレスト 　08　ニューラルネットワーク 　09　kNN 第3章　教師なし学習 　10　PCA 　11　LSA 　12　NMF 　13　LDA 　14　k-means法 　15　混合ガウス分布 　16 LLE 　17　t-SNE 第4章　評価方法および各種データの扱い 　4.1　評価方法 　4.2　文書データの変換処理 　4.3　画像データの変換処理 第5章　環境構築 　5.1　Python3 のインストール 　5.2　仮想環境 　5.3　パッケージインストール

「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

プログラミング初心者を対象としたPythonの入門書。プログラミングおよびPythonの基礎から応用まで丁寧に説明。 実践を見据えた本格的な「Python入門書」！ Pythonが誕生して四半世紀。データサイエンスやウェブ開発、セキュリティなどさまざまな分野でPythonの人気が急上昇中です。プログラミング教育の現場でもCに代わってPythonの採用が増えてきています。本書は、プログラミングが初めてという人を対象に書かれた、Pythonの入門書です。前提とする知識は特にありません。プログラミングおよびPythonの基礎からウェブ、データベース、ネットワーク、並列処理といった応用まで、Pythonプログラミングをわかりやすく丁寧に説明します。

データ分析に必要な理論、概念、分析手法を解説