★初学者向けの名著を100ページ増の大改訂！　ホイールダック２号は深層学習を手に入れた！★ ・全面的に記述を見直すも、第1版との連続性を最大限保ち、ますますパワーアップ！ ・「ニューラルネットワーク」の章を新設し、深層学習の歴史的位置づけ、CNN、RNNをわかりやすく解説した！ ・「確率的生成モデル」の章を新設し、強化学習・状態推定・教師なし学習などに関わる解説に芯を通すことができた！ まずは、この１冊から始めよう！ 【主な内容】 第1章 人工知能をつくり出そう　 第2章 探索(1)：状態空間と基本的な探索 第3章 探索(2)：最適経路の探索 第4章 探索(3)：ゲームの理論 第5章 計画と決定(1)：動的計画法 第6章 確率モデル(1)：確率とベイズ理論の基礎　 第7章 確率モデル(2)：確率的生成モデルとナイーブベイズ 第8章 計画と決定(2)：強化学習 第9章 状態推定(1)：ベイズフィルタ 第10章 状態推定(2)：粒子フィルタ 第11章 学習と認識(1)：クラスタリングと教師なし学習　 第12章 学習と認識(2)：パターン認識と教師あり学習　 第13章 学習と認識(3)：ニューラルネットワーク　 第14章 言語と論理(1)：自然言語処理　 第15章 言語と論理(2)：記号論理　 第16章 言語と論理(3)：証明と質問応答　 第17章 まとめ：知能を「つくる」ということ

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!

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ★ベストセラー『教養としてのデータサイエンス』に続く第2弾！★ ★「数理・データサイエンス・AI（応用基礎レベル）モデルカリキュラム」に完全準拠した公式カラーテキスト！★ ・いますぐ身につけるべき「データサイエンス」「データエンジニアリング」「AI」の基礎知識がここにある！ ・文理を問わず、大学・高専生に、自らの専門分野への数理・データサイエンス・AIの「応用基礎力」を習得させることを目的として編纂された。 ・カラーで見やすく、練習問題も充実。 【主な内容】 1章　データサイエンス基礎 1.1　データ駆動型社会とデータ分析の進め方　（久野遼平） 1.2　データの記述　（宿久　洋） 1.3　データの可視化　（宿久　洋・久野遼平） 1.4　データ分析の手法　（原　尚幸) 1.5　数学基礎　（清　智也) 2章　 データエンジニアリング基礎 2.1　ビッグデータとデータエンジニアリング　（内田誠一） 2.2　データ表現、プログラミング基礎、アルゴリズム基礎　（辻　真吾） 2.3　データ収集と加工、データベース　（森畑明昌） 2.4　ITセキュリティ　（宮地充子） 3章　 AI基礎 3.1　AIと社会　（松原　仁) 3.2　機械学習の基礎と予測手法　（赤穂昭太郎） 3.3　深層学習の基礎　（今泉允聡) 3.4　ロボット、認識、言語　（高野　渉） ※この商品は紙の書籍のページを画像にした電子書籍です。文字だけを拡大することはできませんので、タブレットサイズの端末での閲読を推奨します。また、文字列のハイライトや検索、辞書の参照、引用などの機能も使用できません。

音声の信号処理についての知識ゼロでも読めるように、懇切丁寧に解説した。基礎理論はコンパクトにまとめ、｢耐雑音｣｢話者認識｣｢深層学習｣についてたっぷり解説。一気に実用が進んだ音声認識分野がこれ一冊で学べる!

★最強最短の近道は、これだ！★ ・画像・自然言語処理の機械学習コンテストに取り組みながら、深層学習の具体的な知識をいち早く身につけよう！ ・レジェンドたちの豊富な経験に基づくスキルアップのノウハウも満載！ 【主な内容】 第1章　機械学習コンテストの基礎知識 1.1　機械学習コンテストのおおまかな流れ 1.2　機械学習コンテストの歴史 1.3　機械学習コンテストの例 1.4　計算資源 第2章　探索的データ分析とモデルの作成・検証・性能向上 2.1　探索的データ分析 2.2　モデルの作成 2.3　モデルの検証 2.4　性能の向上 第3章　画像分類入門 3.1　畳み込みニューラルネットワークの基礎 3.2　コンテスト「Dogs vs. Cats Redux」の紹介 3.3　最初の学習：CNNアーキテクチャ 3.4　最初の学習：データセットの準備と学習ループ 3.5　最適化アルゴリズムと学習率スケジューリング 3.6　データ拡張 3.7　アンサンブル 3.8　さらにスコアを伸ばすために 第4章　画像検索入門 4.1　画像検索タスク 4.2　学習済みモデルを使ったベースライン手法 4.3　ベースラインを実装する 4.4　距離学習を学ぶ 4.5　画像マッチングによる検証 4.6　クエリ拡張を学ぶ 4.7　Kaggleコンテストでの実践 第5章　テキスト分類入門 5.1　Quora Question Pairs 5.2　特徴量ベースのモデル 5.3　ニューラルネットワークベースのモデル

デジタルカメラの顔認識機能など、身近で利用されている画像認識の技術。機械学習の応用により、その精度は格段に向上した。最前線で活躍する研究者が、基礎から深層学習を取り入れた応用的手法までをくわしく解説する。画像認識の現状と今後の展望を知るのに最適な一冊!※この商品は紙の書籍のページを画像にした電子書籍です。文字だけを拡大することはできませんので、タブレットサイズの端末での閲読を推奨します。また、文字列のハイライトや検索、辞書の参照、引用などの機能も使用できません。

機械学習の予備知識がない読者を、研究の最前線までしっかり連れて行く、ひとりでも学べる入門書! 深層学習の理論を初めて学ぶ人はもちろん、今度こそ理解したい人のために。 【甘利俊一先生推薦】 ｢世の中に人工知能の解説書は多いが、基礎から始め、その仕組みを理論的に明快に説明したのは本書が初めてといってよい｣

「Ｐｙｔｈｏｎで強化学習が実装できる！」と好評を得た入門書の改訂版。読者からの要望・指摘を反映させた。主に、Ｐｏｌｉｃｙ ＧｒａｄｉｅｎｔとＡ２Ｃの記述・実装を見直した。・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　強化学習とさまざまなキーワードの関係　強化学習のメリット・デメリット　強化学習における問題設定：Markov Decision Process　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　経験を価値評価、戦略どちらの更新に利用するか：Valueベース vs Policyベース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　価値評価を、パラメーターを持った関数で実装する：Value Function Approximation　価値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)　価値評価か、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

★まずは、この一冊から始めよう！★ 最適輸送は、ふたつの確率分布を比較するためのツールです。深層学習の勃興とGPU計算の普及により、機械学習分野でも最適輸送が広く用いられるようになりました。 本書では、線形代数・確率・最適化についての初歩的な知識を前提として、線形計画、エントロピー正則化、シンクホーンアルゴリズム、敵対的ネットワーク、スライス法などのさまざまな解法アプローチをていねいに解説します。 【主な内容】 第1章　確率分布を比較するツールとしての最適輸送 第2章　最適化問題としての定式化 第3章　エントロピー正則化とシンクホーンアルゴリズム 第4章　敵対的ネットワーク 第5章　スライス法 第6章　他のダイバージェンスとの比較 第7章　不均衡最適輸送 第8章　ワッサースタイン重心 第9章　グロモフ・ワッサースタイン距離 第10章　おわりに

基礎的な点群処理から、ICPアルゴリズム、物体認識、PointNetまでをPythonで学ぼう！★章末問題付き★ ・Open3Dを使用し、Pythonプログミングとともに平易に解説。 ・サンプルコードをサポートページから提供したので、すぐに実践できる！ ・最終章では、RGBD画像、ボクセルデータ、メッシュデータ、多視点画像の3次元データ処理も解説。 【主な内容】 第1章　はじめに 第2章　点群処理の基礎 第3章　特徴点・特徴量の抽出 第4章　点群レジストレーション（位置合わせ） 第5章　点群からの物体認識 第6章　深層学習による3次元点群処理 第7章　点群以外の3次元データ処理

◆ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！！◆ ・トランスフォーマー、グラフニューラルネットワーク、生成モデルなどをはじめ、各手法を大幅に加筆。 ・深層学習のさまざまな課題と、その対策についても詳しく解説。 [本書まえがきより抜粋] ないもの（＝理論）ねだりをしても仕方がありません．それでも皆が研究を進めるのは，そうすることに意義があるからです．なぜうまく働くのか，なぜそうすべきか，数学的な証明はなくても，正しい説明は必ずあるはずです．それを手にできれば，目の前の課題を解決するのに，また次に進むべき道を知るうえで役に立つでしょう． そこで本書では，それぞれの方法について，今の時点で最も納得できる説明をきちんと与えることにこだわりました．名前の通った方法であっても，理屈が成り立たない，あるいは役に立たない方法や考え方については，はっきりそう書きました．著者の主観といわれても仕方がない場合もあるかもしれませんが，そのほうが有益であると信じています． また，現在の深層学習の広がりを把握できるように，定番となった問題・方法に加えて，重要だと思われる問題については，必ずしもそれほど有名でない方法も含めてなるべく網羅するようにしました．その取捨選択には，深層学習が実践的技術であることを踏まえ，実用性を最も重視しました．そこには，この間に著者が企業の実務家たちと行ってきた共同研究での経験が反映されています． [主な内容] 第1章　はじめに 第2章　ネットワークの基本構造 第3章　確率的勾配降下法 第4章　誤差逆伝播法 第5章　畳み込みニューラルネットワーク 第6章　系列データのためのネットワーク 第7章　集合・グラフのためのネットワークと注意機構 第8章　推論の信頼性 第9章　説明と可視化 第10章　いろいろな学習方法 第11章　データが少ない場合の学習 第12章　生成モデル

◆自然言語処理の応用(機械翻訳、文書要約、対話、質問応答)に焦点を当て、深層学習の利用方法を解説。◆｢実装上の工夫｣など、本書でしか読めない実践的な内容が充実!※この商品は紙の書籍のページを画像にした電子書籍です。文字だけを拡大することはできませんので、タブレットサイズの端末での閲読を推奨します。また、文字列のハイライトや検索、辞書の参照、引用などの機能も使用できません。

◆RとPython両方学べる。コスパ最強の一冊！◆ ・コードが理解の試金石！ ・「データサイエンスの準備」にページを割いているから、プログラミング経験ゼロで大丈夫！　 ・自分に合った言語を見つけたい、言語を乗り換えたいという方にもおすすめ！ [サポートサイト] https://github.com/taroyabuki/fromzero [主な内容] 第1部　データサイエンスのための準備 1章　コンピュータとネットワーク 2章　データサイエンスのための環境 3章　RとPython 4章　統計入門 5章　前処理 第2部　機械学習 6章　機械学習の目的・データ・手法 7章　回帰1（単回帰） 8章　回帰2（重回帰） 9章　分類1（多値分類） 10章　分類2（2値分類） 11章　深層学習とAutoML 12章　時系列予測 13章　教師なし学習 付録A　環境構築

★基礎技術と分析アプローチがわかる入門書の決定版！★ ・「spaCy＋GiNZA」による一気通貫の分析がすぐに実践できる ・観光／金融・経済／ソーシャルメディアの分析事例をていねいに解説 ・つまずきやすい「環境構築」もしっかりサポート 【本書はこんな人におすすめです】 ・Pythonの基本が身についたので、次はテキストアナリティクスを学んでみたい ・大学の講義やプログラミングスクールなどで自然言語処理について少し触れたが、もう少し詳しく学びたい ・テキストアナリティクスにつまずいたことがあったり、ブランクがあったりして再挑戦してみたい 【本書「巻頭言」より抜粋】 アイディア次第でさまざまな分析が可能になるのがテキストアナリティクスの面白さです．その反面，多くの場合，簡単に結果が出るものではありません．諦めずに試行錯誤を続けることが重要です．基本的には多様な可能性に思いを巡らせることが有効です．それには経験の蓄積が活きてきますので，やればやるほど成果を出しやすくなります．自分で実際にデータを処理し，試行錯誤をしてみるのがテキストアナリティクスのスキルを向上させる近道です．その考えから，本書では試してみることを重要視しています． ――那須川哲哉（日本アイ・ビー・エム株式会社東京基礎研究所主席研究員） 【サポートページ】 https://github.com/tksakaki/kspub_ds_text_analytics 【主な内容】 第I部　テキストアナリティクスの基礎 第1章　テキストアナリティクスことはじめ 第2章　プログラミングの補足知識 第3章　環境構築 第4章　基礎技術 　 第II部　テキストアナリティクスの実践 第5章　データ収集 第6章　観光テキストの解析 第7章　金融・経済テキストの解析 第8章　ソーシャルメディアテキストの解析 第III部　応用技術・発展的な内容 第9章　実践的なテクニック 第10章　深層学習技術 第11章　環境構築の要らないテキストアナリティクス 付録　本書で利用するPythonライブラリ 【編著者紹介】 榊　剛史 株式会社ホットリンク 開発本部R＆D 部長 東京大学未来ビジョン研究センター 客員研究員 中国・清華大学による世界的なAI研究者2000人に選出。2006年電力会社にて情報通信業務に従事した後、東京大学博士課程に入学。2013年松尾研究室にて博士号取得。2015年～株式会社ホットリンクに入社。

AIが｢学ぶ｣とは、｢考える｣とは、｢判断を下す｣とはどんなことなのか。つまり、人工知能の思考構造がどうなっているのかを、基本から学びます。｢深層学習とは何か｣｢画像認識の原理とは｣｢評価関数の意味｣｢完全解析の思考法｣など、最新技術の核心にも触れていきます。さらに、囲碁のAlphaGo、チェスのDEEP BLUEなど、対戦型AIの進化を振り返ることからも、｢人工知能(AI)とは何か｣に迫ります。

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 【数学の全体像をつかむ！】 代数学。幾何学。微積分学。統計学。 ４つの数学の基礎を理解して、 数学の俯瞰図を頭の中に作り上げる。 「指数関数的増加って何？」「再生産数？」 「偏差値とか標準偏差ってどういうこと？」 解けなくていい。 覚えなくてもいい。 計算、解法、一切不要。 仕事に出てくる数学知識を厳選！ 金融の世界で数学を駆使する専門家に、 私大文系卒編集者がわかるまで聞き返してできました。 読めば数学思考がインストールできる、 大人のための数学入門書です。 ◆読めばわかる４つの数学◆ 【１】仮説を明確にする代数学 　　　〇代数学の極意は「仮説思考」 　　　〇指数関数で新型コロナ急拡大がわかる 　　　〇ＡＩ深層学習を生んだ線形代数学 【２】イメージをカタチ化、カタチを数値化する幾何学 　　　〇あらゆるカタチは三角形の集まり 　　　〇三角関数は究極の思考節約術 　　　〇地震も音楽も三角関数で数値化できる 　　　〇フーリエ変換で複雑な波も単純化 【３】複雑なものを単純化する微積分学 　　　〇単純になるまで微細に刻み計算する技術 　　　〇飛行機・ロケット・ドローンを実現した微積分 　　　〇微分方程式で感染拡大をシミュレーション 【４】大きな視点で全体を俯瞰する統計学 　　　〇平均所得額は典型的な所得水準じゃない 　　　〇標準偏差と分散の不思議な関係 　　　〇自動運転を生んだベイズ統計学 ４つの数学が何をしているのかわかるだけで数学思考のインストール完了！

Rも数理もていねいに！ データ解析の標準的ツールとなったスパース回帰分析、判別分析、深層学習、サポートベクターマシン、ランダムフォレストなどをRコードとともに解説。深層学習はRのパッケージkerasで実装。具体例も豊富で実用性も高い！　また、選ばれたモデルへの理解などの発展的な内容まで踏み込んだ。 【主な内容】 1章　回帰モデルとスパース推定 2章　統計手法によるパターン認識 3章　深層学習 4章　機械学習によるパターン認識 【「巻頭言」より抜粋】 文部科学省は「数理及びデータサイエンスに係る教育強化拠点」6 大学(北海道大学、東京大学、滋賀大学、京都大学、大阪大学、九州大学)を選定し、拠点校は「数理・データサイエンス教育強化拠点コンソーシアム」を設立して、全国の大学に向けたデータサイエンス教育の指針や教育コンテンツの作成をおこなっています。 本シリーズは、コンソーシアムのカリキュラム分科会が作成したデータサイエンスに関するスキルセットに準拠した標準的な教科書シリーズを目指して編集されました。またコンソーシアムの教材分科会委員の先生方には各巻の原稿を読んでいただき、貴重なコメントをいただきました。 データサイエンスは、従来からの統計学とデータサイエンスに必要な情報学の二つの分野を基礎としますが、データサイエンスの教育のためには、データという共通点からこれらの二つの分野を融合的に扱うことが必要です。この点で本シリーズは、これまでの統計学やコンピュータ科学の個々の教科書とは性格を異にしており、ビッグデータの時代にふさわしい内容を提供します。本シリーズが全国の大学で活用されることを期待いたします。 ――編集委員長 竹村彰通(滋賀大学データサイエンス学部学部長、教授) 【推薦の言葉】 データサイエンスの教育の場や実践の場で利用されることを強く意識して、動機付け、題材選び、説明の仕方、例題選びが工夫されており、従来の教科書とは異なりデータサイエンス向けの入門書となっている。 ――北川源四郎(東京大学特任教授、元統計数理研究所所長) 国を挙げて先端IT人材の育成を迅速に進める必要があり、本シリーズはまさにこの目的に合致しています。本シリーズが、初学者にとって信頼できる案内人となることを期待します。 ――杉山将(理化学研究所革新知能統合研究センターセンター長、東京大学教授)

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 人工知能技術の中枢をなす深層学習と物理学との繋がりを俯瞰する。物理学者ならではの視点で原理から応用までを説く、空前の入門書。《目次》第1章　はじめに：機械学習と物理学【第I部　物理から見るディープラーニングの原理】第2章　機械学習の一般論第3章　ニューラルネットワークの基礎第4章　発展的なニューラルネットワーク第5章　サンプリングの必要性と原理第6章　教師なし深層学習【第II部　物理学への応用と展開】第7章　物理学における逆問題第8章　相転移をディープラーニングで見いだせるか第9章　力学系とニューラルネットワーク第10章　スピングラスとニューラルネットワーク第11章　量子多体系、テンソルネットワークとニューラルネットワーク第12章　超弦理論への応用第13章　おわりに

飛躍的な進歩を遂げている機械学習を、難解な数式・プログラミングなしで解説する画期的入門書！ 中学数学の知識だけでAIのエッセンスがわかる。 近年、著しい進歩を続ける機械学習。センター入試の英語の試験では機械学習を使うことで、200満点中185点をとることに成功し、将棋や囲碁ではもはや人間が太刀打ちできないレベルの能力を獲得。画像処理にいたっては、フェイク画像はもちろんのこと、オリジナルのキャラクターを造形できるところまで到達している。今後のビジネスや研究を続けていくうえでもはや無視できない存在になりつつある「機械学習」だが、言葉ばかりが先走りして、その本質を理解している人はごくわずかだ。「機械学習」とはいかなるものか、なぜ、近年飛躍的な進歩を遂げることができたのか。機械学習の専門家であり、科学出版賞を受賞した書き手として知られる田口善弘氏が、難解な数式やプログラミングをいっさい使うことなく、機械学習の本質を丁寧に解説する。 本書が取り扱う機械学習の手法 ・ｋ近傍法 ・主成分分析 ・多次元尺度構成法 ・線形回帰 ・線形判別 ・ロジスティック回帰 ・マルコフ過程 ・決定木 ・ベイジアンネットワーク ・カーネルトリック ・ニューラルネットワーク ・深層学習（ディープラーニング） ・CNN ・モンテカルロツリーサーチ ・GAN ・BERT ・量子暗号 ・量子アニーリング

★確率的プログラミング言語がすぐに使える！★ ・Pythonでのコーディングを前提に、PyMC3、Pyro、NumPyro、TFP、GPyTorchをカバー。 ・回帰モデルの基本から潜在変数モデル・深層学習モデルまでを幅広く解説。 【主な内容】 第1章　ベイジアンモデリングとは 1.1 データ解析とコンピュータ 1.2 ベイジアンモデリングの基礎 1.3 代表的な確率分布 1.4 近似推論手法 第2章　確率的プログラミング言語（PPL） 2.1 ベイジアンモデリングとPPL 2.2 自動微分・最適化アルゴリズム 2.3 PyMC3の概要 2.4 Pyroの概要 2.5 NumPyroの概要 2.6 TensorFlow Probabilityの概要 2.7 GPyTorchの概要 第3章　回帰モデル 3.1 線形回帰モデル：線形単回帰モデル 3.2 線形回帰モデル：線形重回帰モデル 3.3 一般化線形モデル：ポアソン回帰モデル 3.4 一般化線形モデル：ロジスティック回帰モデル 3.5 階層ベイズモデル 3.6 ガウス過程回帰モデル：ガウス尤度 3.7 ガウス過程回帰モデル：尤度の一般化 第4章　潜在変数モデル 4.1 混合ガウスモデル 4.2 行列分解モデル 4.3 状態空間モデル 4.4 隠れマルコフモデル 4.5 トピックモデル 4.6 ガウス過程潜在変数モデル 第5章　深層学習モデル 5.1 ニューラルネットワーク回帰モデル 5.2 変分自己符号化器 5.3 PixelCNN 5.4 深層ガウス過程 5.5 正規化流

「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

世界有数の研究者による“機械学習の説明書”。2015年アメリカでの発売当初から研究者の間で話題となった力作が、『パターン認識と機械学習』などの翻訳を手がけた神嶌敏弘博士の訳で満を持して刊行。一般向けのきめ細やかな訳注も加えた。 囲碁AI、AmazonやNetflixのお薦め機能、iPhoneのSiri。私たちの生活に溶け込んでいる機械学習とは何か？　観測衛星、DNAシーケンサ、量子加速器などのデータから、機械学習は自然界の謎をすべて解き明かすのか？　蓄えられた莫大なデータはアメリカ大統領選から企業のサービスまで影響を与え、陸・海・空を機械学習で自動操縦される無人車両が飛び交う。機械学習によって、世界はどう変わるのか？ アルゴリズムの歴史を解説するとともに、世界を再構築する究極の「マスターアルゴリズム」の存在を探究。 マスターアルゴリズムが存在する根拠を、神経科学、進化生物学、物理学、統計学、および計算機科学の観点から軽妙かつ縦横に展開する。知的好奇心が沸き立つ1冊。六七質のイラストが世界観を表現。 ペドロ・ドミンゴス（著者） ワシントン大学ポール・アレン コンピュータサイエンス＆エンジニアリング学部教授。AAAS（アメリカ科学振興協会）およびAAAI（人工知能振興学会）フェロー。1992年リスボン工科大学Instituto SuperiorTecnico修士課程修了（電子工学・コンピュータサイエンス）。1997年カリフォルニア大学アーバイン校にて博士取得（情報・コンピュータサイエンス）。マルコフ論理ネット、影響最大化問題、データストリーム、敵対的学習、sum-productネットなど顕著な業績が知られている、世界有数の機械学習研究者である。KDD2003、SRL2009ではプログラム委員長を務める。IMLS（国際機械学習学会）の発起人。“Machine Learning ”誌編集委員。SIGKDD Innovation Award、IJCAI John McCarthy Awardを筆頭に受賞多数。 神嶌敏弘（訳者） 1994年京都大学大学院工学研究科修士課程修了（情報工学専攻）。1994年電子技術総合研究所入所。2001年京都大学にて博士取得（情報学）。現在は産業技術総合研究所にて、機械学習やデータマイニングの手法、特に公平性配慮型データマイニングと推薦システムや個人化技術などについて研究。 携わった書籍に、人工知能学会監修『深層学習』（編／近代科学社）、トレバー・ヘイスティ他『統計的学習の基礎』（共監訳／共立出版）、C.M.ビショップ『パターン認識と機械学習』（共訳／丸善出版）などがある。 2019年人工知能学会 AI ELSI賞 Perspective部門受賞。