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

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

自然言語処理編

2045年、AIが人類の知性を上回り、ついに私たちは生物の限界を超えてシンギュラリティへと到達する-フューチャリストとして技術的特異点の到来をいち早く予見し、現在はAI(人工知能)の世界的権威としてGoogle社でAI開発の先頭に立つレイ・カーツワイル。彼が世界に衝撃を与えた600ページ超の名著『ポスト・ヒューマン誕生』のエッセンスを抜き出した決定版。 第1章 六つのエポック 第2章 テクノロジー進化の理論-収穫加速の法則 第3章 人間の脳のコンピューティング能力を実現する 第4章 人間の知能のソフトウェアを実現する-人間の脳のリバースエンジニアリング 第5章 衝撃… 第6章 わたしは技術的特異点論者だ

人工知能を利用した開発に必要な基礎知識がわかる！ 人工知能を利用した開発に必要な基礎知識がわかる！ 【書籍概要】 「人工知能」に3度目の波が到来！ 人工知能を利用した産業革命の波が日本にも押し寄せています。膨大なデータが様々なデバイス／サービスから集められ、それを分析・高速処理する環境が揃いつつあり、産学で研究開発が活発になっています。 本書は人工知能関連の開発に携わっているエンジニアに向けて、今後のコアとなる理論と技術を図解で解説した書籍です。 【対象読者】 人工知能を利用したプロダクトやサービス開発に携わるエンジニアの方（プログラマー、データベースエンジニア、組込みエンジニアなど） 【特徴】 話題の機械学習・深層学習、IoTやビッグデータとの連係についてもフォロー。理論の概念図や事例などを、わかりやすく解説しています。 【構成】 第1章では人工知能の過去と現在と未来について解説。第2章～第14章への伏線となるように解説しています。 第2章～第14章では、各トピックにおける理論と技術について解説しています。 【目次】 CHAPTER1 人工知能の過去と現在と未来 CHAPTER2 ルールベースとその発展型 CHAPTER3 オートマトンと人工生命プログラム CHAPTER4 重み付けと最適解探索 CHAPTER5 重み付けと最適化プログラム CHAPTER6 統計的機械学習（確率分布とモデリング） CHAPTER7 統計的機械学習（教師なし学習と教師あり学習） CHAPTER8 強化学習と分散人工知能 CHAPTER9 深層学習 CHAPTER10 画像や音声のパターン認識 CHAPTER11 自然言語処理と機械学習 CHAPTER12 知識表現とデータ構造 CHAPTER13 分散コンピューティング CHAPTER14 大規模データ・IoTとのかかわり 【著者紹介】 多田智史（ただ・さとし） 1980年生まれ、兵庫県出身。大学は生物工学を専攻し、 現在バイオインフォマティクスの企業に勤務。データ解析プログラムや Webベースのデータベースシステムの開発を業務で行う。 【監修者紹介】 石井一夫（いしい・かずお） 東京農工大学農学府農学部農学系ゲノム科学人材育成プログラム特任教授。 ゲノム研究者としての実務家の視点から、ビッグデータ活用のあるべき姿を 追求するために「ビッグデータ活用実務フォーラム」を2013年6月に設立。 CHAPTER 1 人工知能の過去と現在と未来CHAPTER 2 ルールベースとその発展型CHAPTER 3 オートマトンと人工生命プログラムCHAPTER 4 重み付けと最適解探索CHAPTER 5 重み付けと最適化プログラムCHAPTER 6 統計的機械学習（確率分布とモデリング）CHAPTER 7 統計的機械学習（教師なし学習と教師あり学習）CHAPTER 8 強化学習と分散人工知能CHAPTER 9 深層学習CHAPTER 10 画像や音声のパターン認識CHAPTER 11 自然言語処理と機械学習CHAPTER 12 知識表現とデータ構造CHAPTER 13 分散コンピューティングCHAPTER 14 大規模データ・IoTとのかかわり

Webデータ収集・解析の技法を基礎から実用まで徹底解説。 第1章 クローリング・スクレイピングとは何か 第2章 Pythonではじめるクローリング・スクレイピング 第3章 強力なライブラリの活用 第4章 実用のためのメソッド 第5章 クローリング・スクレイピングの実践とデータの活用 第6章 フレームワークScrapy 第7章 クローラーの継続的な運用・管理 Appendix Vagrantによる開発環境の構築

大変好評を得ている，MITの人気を誇る講義内容をまとめた計算科学の教科書の第２版．機械学習を意識した統計学の話題が豊富 最新にして最強!! 人気講義の教科書、第２版！ 　大変好評を得ている，MITのトップクラスの人気を誇る講義内容をまとめた計算科学の教科書の第２版． 　今回の改訂では，後半の内容が大幅に増え，新たに５章追加されている．特に「機械学習」を意識して，統計学の話題が豊富になっている． 　Python言語を活用して，計算科学を学ぶ読者必携の書！ 　Python　Ver3.5に対応！ ★は新しい章. 1. さあ,始めよう！ 2. Python の概要 3. 簡単な算術プログラム 4. 関数,スコープ,抽象化 5. 構造型,可変性と高階関数 6. テストとデバッグ 7. 例外とアサーション 8. クラスとオブジェクト指向プログラミング 9. 計算複雑性入門 10. いくつかの単純なアルゴリズムとデータ構造 11. プロットとクラス 12. ナップサック問題とグラフ最適化問題 13. 動的計画法 14. ランダムウォークと可視化 15. 確率,統計とプログラム 16. モンテカルロ・シミュレーション ★17. 標本抽出と信頼区間 18. 実験データの理解 ★19. 無作為試験（無作為抽出試験）と仮説の照合 ★20. 条件付き確率とベイズ統計 21. うそ,真っ赤なうそ,そして統計 22. 機械学習はやわかり ★23. クラスタリング ★24. 分類法 付録A Python 3.5 簡易マニュアル 索　引　

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

Pythonプログラミングにおけるデザイン、コーディング、ディストリビューションのベストプラクティス。 さあ、はじめよう 構文ベストプラクティス-クラス以外 構文ベストプラクティス-クラスの世界 良い名前を選ぶ パッケージを作る アプリケーションを作る zc.buildoutを使う コードの管理 ライフサイクルの管理 プロジェクトのドキュメント作成 テスト駆動開発 最適化:一般原則とプロファイリングテクニック 最適化:解法 Pythonのためのデザインパターン

フレームワーク編

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

「本質をとらえたモデル」は、変更に強く、美しい!問題を浮き彫りにし、解決していくモデリングの過程を詳説!効果的な情報システムを設計しよう。 第1部 モデリングの理論(情報システムとモデリング 型図の作成技法) 第2部 モデルの展開(概念レベルから実装レベルへ パタンとリファクタリング ビジネスモデリングへの適用) 第3部 モデリングの実践(演習1:酒問屋の在庫管理 演習2:航空券の予約 演習3:酒問屋をもう一度)

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

本書は現在注目を集めている「集合知」をテーマにした書籍です。機械学習のアルゴリズムと統計を使ってウェブのユーザが生み出した膨大なデータを分析、解釈する方法を、基礎から分かりやすく解説します。本書で紹介するのは「購入・レンタルした商品の情報を利用した推薦システム」、「膨大なデータから類似したアイテムを発見し、クラスタリングする方法」など。del.icio.us、eBayなどが公開しているWeb APIを使用した解説も本書の大きな特徴です。本書のサンプルコードは可読性に優れたPythonを使用していますが、他の言語のプログラマでも理解しやすいようにアルゴリズムを解説しています。日本語版ではYahoo!日本語形態素解析Webサービスを利用した日本語テキスト処理について加筆しました。 集合知への招待 推薦を行う グループを見つけ出す 検索とランキング 最適化 ドキュメントフィルタリング 決定木によるモデリング 価格モデルの構築 高度な分類手法 カーネルメソッドとSVM 特徴を発見する〔ほか〕

サンプルコードを動かしながらTensorFlowとScikit-Learnで機械学習を学ぶ！ サンプルコードを動かしながらTensorFlowとScikit-Learnで機械学習を学ぶ！ 機械学習、特にニューラルネットワークの概要を解説し、単純な線形回帰から始まり、深いニューラルネットワークに移行する一連のテクニックを学びます。機械学習／深層学習に必要なサポートベクターマシン、デシジョンツリー、ランダムフォレスト、アンサンブルメソッドなど順を追って解説します。解説だけでなく、各章で練習問題を用意しており、またGithubにjupyter notebookで試せるコードが掲載しているため、試しながら学べる構成になっています。

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

本書は、実際に手を動かしながら機械学習システムを作成し、機械学習のエッセンスを身につけることを目的とした機械学習システムの実践的な解説書です。「データといかに向き合うか」という視点から、生データを通してパターンを見つける方法を解説していきます。Pythonと機械学習の基本、ライブラリの使い方に続いて、具体的な例を通して、データセット、モデル化、レコメンドとその改良、音声や画像の処理といった、より重要な問題について解説。また、オープンソースのツールやライブラリを使いながら、テキストや画像、音声に対して機械学習の手法をどのように適用するかを学び、さらに機械学習技術について、評価の方法や、それぞれを比較して最適なものを選択する方法について学びます。 Pythonではじめる機械学習 実例を対象とした分類法入門 クラスタリング:関連のある文書を見つける トピックモデル クラス分類:悪い回答を判別する クラス分類2:感情分析 回帰:レコメンド 回帰:レコメンドの改良 クラス分類3:音楽ジャンル分類 コンピュータビジョン:パターン認識 次元削減 ビッグデータ 機械学習についてさらに学ぶために

強化学習が実装できる！　エンジニアのために、Ｐｙｔｈｏｎのサンプルコードとともに、ゼロからていねいに解説。コードも公開！ 強化学習が実装できる！　エンジニアのために、Ｐｙｔｈｏｎのサンプルコードとともに、ゼロからていねいに解説。実用でのネックとなる強化学習の弱点とその克服方法、さらに活用領域まで紹介した。コードも公開！ ・Pythonプログラミングとともに、ゼロからていねいに解説。 ・コードが公開されているから、すぐ実践できる。 ・実用でのネックとなる強化学習の弱点と、その克服方法まで紹介。 【おもな内容】 Day1　強化学習の位置づけを知る Day2　強化学習の解法(1): 環境から計画を立てる 　価値の定義と算出: Bellman Equation 　動的計画法による状態評価の学習: Value Iteration 　動的計画法による戦略の学習: Policy Iteration 　モデルベースとモデルフリーとの違い Day3　強化学習の解法(2): 経験から計画を立てる 　経験の蓄積と活用のバランス: Epsilon-Greedy法 　計画の修正を実績から行うか、予測で行うか: Monte Carlo vs Temporal Difference 　経験を状態評価、戦略どちらの更新に利用するか Day4　強化学習に対するニューラルネットワークの適用 　強化学習にニューラルネットワークを適用する 　状態評価を、パラメーターを持った関数で実装する: Value Function Approximation 　状態評価に深層学習を適用する: Deep Q-Network 　戦略を、パラメーターを持った関数で実装する: Policy Gradient 　戦略に深層学習を適用する: Advantage Actor Critic(A2C) 　状態評価か、戦略か Day5　強化学習の弱点 　サンプル効率が悪い 　局所最適な行動に陥る、過学習をすることが多い 　再現性が低い 　弱点を前提とした対応策 Day6　強化学習の弱点を克服するための手法 　サンプル効率の悪さへの対応：モデルベースとの併用／表現学習 　再現性の低さへの対応：進化戦略 　局所最適な行動/過学習への対応：模倣学習／逆強化学習 Day7　強化学習の活用領域 　行動の最適化 　学習の最適化 Day1　強化学習の位置づけを知る Day2　強化学習の解法(1): 環境から計画を立てる Day3　強化学習の解法(2): 経験から計画を立てる Day4　強化学習に対するニューラルネットワークの適用 Day5　強化学習の弱点 Day6　強化学習の弱点を克服するための手法 Day7　強化学習の活用領域

Pythonを使った情報セキュリティにおける攻撃手法について解説。優秀なペンテスターの考え方やコーディング手法の習得が可能。 Pythonによるセキュリティプログラミング！ Pythonは情報セキュリティの世界では他よりも先んじているプログラミング言語です。本書ではPythonを使った情報セキュリティにおける攻撃手法について解説します。前半ではrawソケットやScapyライブラリなどネットワーク関連の内容を扱います。後半ではCOMをPythonから扱う方法やVolatilityフレームワークなどシステム関連のトピックを扱います。読者は優秀なペンテスターの考え方や哲学、コーディング手法を学ぶことができます。攻撃者の意図や実践手法から防御方法を導き出すというアプローチは、今後すべての情報セキュリティ技術者にとって必須のテクニックになるでしょう。

本書では、機械学習の各コンセプトについて、理論的背景とPythonコーディングの実際を解説。初期の機械学習アルゴリズムから、ニューラルネットワーク(CNN/RNN)までの手法を取り上げます。Python関連ライブラリとしてはscikit‐learnやTensorFlowなどを使用。第2版では、第1版への読者のフィードバックを随所に反映し、ライブラリの更新に対応しました。13章以降はほとんど新規の書き下ろしです。本書は、機械学習を本格的に理解・実践するのに不可欠な一冊となっています。 「データから学習する能力」をコンピュータに与える 分類問題-単純な機械学習アルゴリズムのトレーニング 分類問題-機械学習ライブラリscikit‐learnの活用 データ前処理-よりよいトレーニングセットの構築 次元削減でデータを圧縮する モデルの評価とハイパーパラメータのチューニングのベストプラクティス アンサンブル学習-異なるモデルの組み合わせ 機械学習の適用1-感情分析 機械学習の適用2-Webアプリケーション 回帰分析-連続値をとる目的変数の予測〔ほか〕

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

Pythonでスクレイピングや機械学習をやってみたい!そんなアナタのための一冊。サンプルコードを動かしながら、仕組みと使い方が理解できます。Python3対応。 第0章 機械学習のためのデータ処理とは 第1章 クローリングとスクレイピング 第2章 高度なスクレイピング 第3章 データソースと書式・整形 第4章 機械学習 第5章 深層学習に挑戦しよう 第6章 テキスト解析とチャットボットの作成 第7章 深層学習を実践してみよう Appendix 作業の準備と環境構築

大人気ディープラーニング講座の書籍化！ 【本書の概要】 本書は株式会社アイデミーで大人気の講座『ディープラーニングで画像認識モデルを作ってみよう!』を書籍化したものです。 機械学習の基本からはじまり、Pythonの基礎、データの処理、深層学習の基本から応用ついて、 サンプルを元に実際に動かしながら、わかりやすく解説します。 各項には練習問題がありますので、学習効果を確かめながら読む進めることができます。 本書を読めば、機械学習から深層学習の基本を一気通貫で学習できます。 これから深層学習をはじめたい、初学者の方におすすめの1冊です。 【本書の対象】 人工知能関連の開発に携わる初学者（開発者、研究者、理工系学生） 【本書の構成】 第1章から第3章で機械学習の基本を、 第4章から第6章ではPythonの基礎知識を、 第7章から第9章ではNumPyやPandasの基礎知識を、 第10章から第13章では可視化の基礎知識を、 第14章から第15章ではデータの扱い方の基本を、 第16章から第18章では教師あり学習やハイパーパラメータとチューニングを、 第19章から第22章では深層学習について基本か応用まで、 丁寧に解説します。 【著者プロフィール】 石川 聡彦（いしかわ・あきひこ） 株式会社アイデミー　代表取締役社長　CEO。 東京大学工学部卒。株式会社アイデミーは2014年に創業されたベンチャー企業で、 10秒で始める先端テクノロジー特化型のプログラミング学習サービス「Aidemy」を提供。 様々な企業のアプリケーション制作・データ解析を行った。現在の主力サービス「Aidemy」は AIやブロックチェーンなどの先端テクノロジーに特化したプログラミング学習サービスで、 リリース100日で会員数10,000名以上、演習回数100万回以上を記録。 早稲田大学主催のリーディング理工学博士プログラムでは、AIプログラミング実践授業の講師も担当した。 著書に『人工知能プログラミングのための数学がわかる本』（KADOKAWA/2018年）などがある。 Introduction　Aidemyで機械学習・深層学習を学ぶ Prologue　開発環境の準備 第1章　機械学習概論 第2章　機械学習の流れ 第3章　性能評価指標 第4章　Pythonの基礎 第5章　Pythonの基本文法 第6章　関数の基礎 第7章　NumPy 第8章　Pandasの基礎 第9章　Pandasの応用 第10章　データ可視化のための準備 第11章　matplotlibの使い方 第12章　様々なグラフを作る 第13章　lambdaやmapなどの便利なPython記法 第14章　DataFrameを用いたデータクレンジング 第15章　OpenCVの利用と画像データの前処理 第16章　教師あり学習（分類）の基礎 第17章　ハイパーパラメータとチューニング（1） 第18章　ハイパーパラメータとチューニング（2） 第19章　深層学習の実践 第20章　深層学習のチューニング 第21章　CNNを用いた画像認識の基礎 第22章　CNNを用いた画像認識の応用

「深層学習とベイズ統計の融合」がすべて詰まった欲張り本！基礎からはじめ、深層生成モデルやガウス過程とのつながりまでを解説 「読んでいて本当に心地がいい」と大好評の前著『ベイズ推論による機械学習入門』からの第２弾！　 ｢深層学習とベイズ統計の融合｣がすべて詰まった ｢欲張り｣本！　 基礎からはじめ、深層生成モデルやガウス過程とのつながりまでをていねいに解説した。本邦初の成書！ 本書のサポートページ： https://github.com/sammy-suyama/BayesianDeepLearningBook 【主な内容】 第1章　はじめに 1.1　ベイズ統計とニューラルネットワークの変遷 1.2　ベイズ深層学習 第2章　ニューラルネットワークの基礎 2.1　線形回帰モデル 2.2　ニューラルネットワーク 2.3　効率的な学習法 2.4　ニューラルネットワークの拡張モデル 第3章　ベイズ推論の基礎 3.1　確率推論 3.2　指数型分布族 3.3　ベイズ線形回帰 3.4　最尤推定，MAP推定との関係 第4章　近似ベイズ推論 4.1　サンプリングに基づく推論手法 4.2　最適化に基づく推論手法 第5章　ニューラルネットワークのベイズ推論 5.1　ベイズニューラルネットワークモデルの近似推論法 5.2　近似ベイズ推論の効率化 5.3　ベイズ推論と確率的正則化 5.4　不確実性の推定を使った応用 第6章　深層生成モデル 6.1　変分自己符号化器 6.2　変分モデル 6.3　生成ネットワークの構造学習 6.4　その他の深層生成モデル 第7章　深層学習とガウス過程 7.1　ガウス過程の基礎 7.2　ガウス過程による分類 7.3　ガウス過程のスパース近似 7.4　深層学習のガウス過程解釈 7.5　ガウス過程による生成モデル 第1章　はじめに 1.1　ベイズ統計とニューラルネットワークの変遷 1.2　ベイズ深層学習 第2章　ニューラルネットワークの基礎 2.1　線形回帰モデル 2.2　ニューラルネットワーク 2.3　効率的な学習法 2.4　ニューラルネットワークの拡張モデル 第3章　ベイズ推論の基礎 3.1　確率推論 3.2　指数型分布族 3.3　ベイズ線形回帰 3.4　最尤推定，MAP推定との関係 第4章　近似ベイズ推論 4.1　サンプリングに基づく推論手法 4.2　最適化に基づく推論手法 第5章　ニューラルネットワークのベイズ推論 5.1　ベイズニューラルネットワークモデルの近似推論法 5.2　近似ベイズ推論の効率化 5.3　ベイズ推論と確率的正則化 5.4　不確実性の推定を使った応用 第6章　深層生成モデル 6.1　変分自己符号化器 6.2　変分モデル 6.3　生成ネットワークの構造学習 6.4　その他の深層生成モデル 第7章　深層学習とガウス過程 7.1　ガウス過程の基礎 7.2　ガウス過程による分類 7.3　ガウス過程のスパース近似 7.4　深層学習のガウス過程解釈 7.5　ガウス過程による生成モデル

インターネット上の膨大な情報の中から必要な情報を入手するためにPythonを使ってWebスクレイピングを行うための解説書。 検索エンジンだけでは入手できない、本当に欲しい情報をWebスクレイピングで手に入れる！ インターネットからデータを機械的に集め、必要な情報を抽出するプロセスが「Webスクレイピング」です。検索エンジンだけでは限られた情報しか集めることができませんが、Webスクレイピングの技術を使えば、インターネット上の膨大な情報の中から本当に必要な情報を入手することができます。コンピュータサイエンスに限らず（理系にも限らない）研究者たちが、最新動向を把握するために、また、小売業界、金融業界でも情報収集にWebスクレイピングを活用するなど、広い分野で求められ、また注目されている技術です。本書はPythonを使ってWebスクレイピングを行うための解説書です。

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。

機械学習のフレームワークChainerのバージョンアップ対応版。特に畳み込みニューラルネットトワークについても解説。 Chainerのバージョン2でディープラーニングのプログラムを作る 本書はChainer を使ってディープラーニングのプログラムの作り方を示すものです。ディープラーニングは複雑なネットワークで表現された関数の回帰の問題と見なせます。そしてこのような問題は勾配法で解きます。この観点から Chainer によるプログラムの作成法を示しました。Chainerが2にバージョンアップしたため、2に対応し発行するものです。畳み込みニューラルネットワークについても解説しています。 はじめに 第0章 Chainer とは 第1章 NumPy で最低限知っておくこと 第2章 ニューラルネットのおさらい 第3章　Chainer の使い方 第4章　Chainer の利用例 第5章　Trainer 第6章　Denoising AutoEncoder 第7章　Convolution Neural Network 第8章　word2vec 第9 章Recurrent Neural Network 第10章　翻訳モデル 第11章　Caffe のモデルの利用 第12章　GPU の利用 参考文献 ソースプログラム 第11章　Caffeのモデル利用 第12章　GPUの利用

AIで「ソニック」「レトロゲーム」「Unityゲーム」「マインクラフト」「スタークラフト2」「FX・株トレード」を攻略 AIで「ソニック」「レトロゲーム」「Unityゲーム」「マインクラフト」「スタークラフト2」「ロボット制御」「FX・株トレード」を攻略 人工知能によるゲームの攻略は、ゲーム開発者のみならず、機械学習を学びたい学生や研究者にとっても、最もホットな話題となっており、日々新たな攻略アルゴリズムが発表されています。そのなかでも、2015年12月に設立された非営利団体「OpenAI」は、その中心的な存在となっています。 「OpenAI」は、誰でも自由に使える強化学習ツールキット「OpenAI Gym」を公開しており、このなかにはAtraiのゲーム環境やロボット制御の環境などの学習用の環境が多数含まれています。本書では、この「OpenAI Gym」を使って、ゲームを攻略するAIを作るための手法を手順を追って解説しています。 「OpenAI Gym」では、さまざまな強化学習アルゴリズムがまとめられた「Stable Baselines」を組み合わせて学習を行うため、本書でも「Stable Baselines」の概要から各アルゴリズムの詳細、学習状況の監視の方法などをサンプルを作りながら紹介しています。 Atraiのゲーム環境には、AIで攻略するための無償のゲームが数多く含まれていますが、「OpenAI Gym」の「Gym Retro」環境は、より高度な市販ゲームを攻略するためのもので、本書では実際に有償の「ソニック・ザ・ヘッジホッグ」（セガ／メガドライブ版）のゲームを入手して攻略していきます。 「OpenAI Gym」は、レトロゲーム以外にも「マインクラフト」「スタークラフトII」といった最新ゲームを攻略するための環境、Unityゲームを攻略するためのGymラッパー、ロボット制御の強化学習、FX・株の値動きを予測する環境など、多数の環境が接続でき、本書の最後ではさまざまなバリエーションの学習の概要も取り上げます。 1章　深層学習と開発環境の概要 　1-1 人工知能と機械学習 　1-2 教師あり学習と教師なし学習と強化学習 　1-3 強化学習 　1-4 開発環境と開発フレームワーク 2章　Pythonの開発環境の準備 　2-1 Anacondaの準備 　2-2 Google Colabの準備 　2-3 Pythonの文法 3章　OpenAI Gymツールキットの概要と環境構築 　3-1 OpenAI Gymの概要 　3-2 OpenAI Gymのインストールと動作確認 　3-3 Gymインタフェース 　3-4 行動空間と状態空間 4章　強化学習アルゴリズムStable Baselinesの概要と環境構築 　4-1 Stable Baselinesの概要とインストール 　4-2 強化学習アルゴリズムの分類と特徴 　4-3 平均報酬と平均エピソード長の出力とMonitorの利用 　4-4 モデルの保存と読み込み 　4-5 TensorBoardとコールバックによる学習状況の監視 　4-6 マルチプロセッシングの概要と実装 　4-7 Stable Baselines Zooによる学習済みモデル実行 5章　Atari環境の攻略 　5-1 Atari環境の学習 　5-2 前処理 　5-3 ハイパーパラメータの調整 　5-4 クラウド学習 　5-5 模倣学習によるAtrai環境の学習 6章　Gym Retro環境の攻略 　6-1 Gym Retro環境の構築 　6-2 Gym Retroの学習 　6-3 ゲームインテグレーションの作成 7章　ソニック環境の攻略 　7-1 ソニック環境の準備 　7-2 強化学習によるソニック環境の攻略 　7-3 模倣学習によるソニック環境の攻略 　7-4 ソニックのAIをさらに強化する試み 8章　さまざまな強化学習環境 　8-1 OpenAIのMuJoCo環境とRobotics環境 　8-2 PyBullet 環境：オープンソースな3D物理シミュレーション環境 　8-3 AnyTrading：トレーディングの強化学習環境 　8-4 Unity ML-Agents：Unityの強化学習環境 　8-5 Gymラッパー：Unity ML-Agents環境をGym環境に変換 　8-6 MarLÖ：マインクラフトの模倣学習環境 　8-7 PySC2：StarCraft IIの強化学習環境 　8-8 そのほかの強化学習環境