【Googleの生成AIを実践活用してみませんか？】 生成AIの普及が急速に浸透してきています。本書は信頼性の高いクラウド環境であるGoogle Cloudで同社の生成AIを活用するための方法を解説します。自社で生成AIを利用したWebサイト構築をしたい方への良きガイドとなるように構成しています。最初に最新のWebサイト構築に必要なJSライブラリの使用法を俯瞰していきます、そして生成AI、本書ではGoogleのPaLM APIを使います。サンプルアプリとして、書英文添削アプリ→チャットボット風アプリ→ドキュメントの要約アプリ→ドキュメントQA サービスアプリを段階的に開発していくプロセスを読者と同じ目線で開発していきます。ステップごとに工程を追いながら、その技術を学ぶことができるようになります。Web+AIで新しい機能とサービスを開発していきましょう。 ■こんな方におすすめ 既存の生成AIサービスを使うだけではなく、「生成AIを活用した新しいアプリを作って人々に提供してみたい」「業務システムに生成AIを組み込む方法を知りたい」という方に最適な内容です。Google Cloudのサービスやアプリ開発に使用するライブラリの使い方も基礎から説明していますので、これまでにアプリ開発の経験がない方でも、気軽に読み進めていただけます。 ■目次 ●第1章 前提知識 　　1.1 Google Cloud入門 　　1.2 React入門 ●第2章 Next.jsとFirebaseによるフロントエンド開発 　　2.1 Google Cloudプロジェクトのセットアップ 　　2.2 Next.jsによる静的Webページ作成 　　2.3 Firebaseのセットアップ 　　2.4 Googleログイン機能の実装 　　2.5 Cloud Runへのアプリケーションデプロイ 　　2.6 サーバーコンポーネントの利用 ●第3章 PaLM APIを用いたバックエンドサービス開発 　　3.1 PaLM APIの使い方 　　3.2 英文添削アプリの作成 　　3.3 ファッションを褒めるチャットボット風アプリの作成 ●第4章 LangChainによるPDF文書処理 　　4.1 LangChainによるPDF文書の要約 　　4.2 スマートドライブアプリの作成 ●第5章 ドキュメントQAサービス 　　5.1 埋め込みベクトルによるテキスト検索 　　5.2 ドキュメントQAサービスの作成 　　5.3 Vertex AI Searchによる検索サービス ■著者プロフィール 中井悦司：1971年4月大阪生まれ。ノーベル物理学賞を本気で夢見て、理論物理学の研究に没頭する学生時代、大学受験教育に情熱を傾ける予備校講師の頃、そして、華麗なる（？）転身を果たして、外資系ベンダーでLinuxエンジニアを生業にするに至るまで、妙な縁が続いて、常にUnix/Linuxサーバーと人生を共にする。その後、Linuxディストリビューターのエバンジェリストを経て、現在は、米系IT 企業のAIソリューションズ・アーキテクトとして活動。著書として、『［改訂新版］プロのためのLinuxシステム構築・運用技術』『ITエンジニアのための強化学習理論入門』（いずれも技術評論社）、『TensorFlowとKerasで動かしながら学ぶディープラーニングの仕組み』『JAX/Flaxで学ぶディープラーニングの仕組み』（いずれもマイナビ出版）などがある。

※PDF版をご希望の方は Gihyo Digital Publishing (https://gihyo.jp/dp/ebook/2022/978-4-297-13059-6)も合わせてご覧ください。 自然言語処理分野におけるブレイクスルーとなったTransformerをコンピュータビジョンに応用したモデルがVision Transformer（ViT）です。さまざまなコンピュータビジョンのタスクにおいて，ディープラーニングではスタンダードとなっているRNN，CNN，および既存手法を用いた処理精度を上回ることが確認されています。 本書は注目のViTの入門書です。Transformerの成り立ちからはじめ，その理論と実装を解説していきます。今後のViTの活用が期待される応用タスク，ViTから派生したモデルを紹介したあと，TransoformerとViTを分析し，その謎を解明していきます。今後も普及が期待されるViTを盛りだくさんでお届けします。

※PDF版をご希望の方は Gihyo Digital Publishing (https://gihyo.jp/dp/ebook/2022/978-4-297-12927-9)も合わせてご覧ください。 問題数を増量！　さらに幅広い問題と解説を提供！ AIエンジニア資格「E資格」で圧倒的な合格実績を誇る機械学習・ディープラーニング教育のプロ，株式会社AVILENが執筆。 実践的な演習問題と，分かりやすさを追求した問題解説で，AI・ディープラーニングの仕組みや手法の理解をサポート。G検定合格を目指すあなたに最適な1冊です。 本書の特徴 G検定頻出の「AIの社会実装」分野，「ディープラーニングの手法」を中心に問題を増量，旧版より52ページ増量。 旧版で内容の重複する問題を極力削り，新たなトピックを加え，バリエーション豊かな問題に再構成。 解説だけで206ページののボリューム。解説が丁寧でわかりやすく，機械学習や深層学習の仕組みからしっかりと理解できる。 豊富な図や表で読みやすく，イメージしやすい設計。 重要なキーワードを押さえた「用語解説」を各章に記載。試験前の見直しに最適。 最新の傾向にも対応。

データ分析の手法の一つ「スパースモデリング」の扉を開く一冊！ 【推薦の言葉】 「スパースモデリングの応用の広さを知り、 実際のデータ分析に活用できるようになります」 ――滋賀大学 データサイエンス学部 教授 河本 薫氏 「実際の現場で重要となる考え方や実装方法を中心に、 現代風に書き下ろしていることから、 今の時代に必要とされる書籍であること間違いなしである」（序文より） ――東北大学 大学院情報科学研究科 情報基礎科学専攻 教授 大関 真之氏 【本書の内容】 データ分析の手法の一つとして注目されているスパースモデリング。 本書はスパースモデリングについて、なるべく複雑な数式は使わず、 原理の説明から、実際のデータに対してどのように適用していくかまでを 紹介する書籍です。 スパースモデリングを活用して企業の問題解決に貢献してきた 株式会社HACARUSのメンバーが、Pythonコードを交えながら解説しています。 本書を活用することで、スパースモデリングがどのようなところに有効で、 実際にどのように使えばいいのかという勘所がつかめます。 【目次】 第1章　機械学習プロジェクトにおける課題と、スパースモデリングに期待が高まる背景 第2章　スパースモデリングはなぜ生まれたか？代表的なアルゴリズム「Lasso」の登場 第3章　Lassoの正則化パラメータとモデルの評価～Lasso推定値の評価方法 第4章　スパースモデリングの画像処理への応用～辞書学習による画像の再構成 第5章　スパースモデリングの画像処理への発展的な応用～欠損補間、異常検知、超解像 第6章　最先端のスパースモデリング～HMLassoとPliable Lasso 第7章　スパースモデリングの未来～ディープラーニングとスパースモデリングの融合 ※本電子書籍は同名オンデマンド出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

※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。 理論、モデル作成、実装の関連が体系的によくわかる。ディープラーニングの全体像をつかみたい初心者に最適。

AllenNLPは、Pytorchベースの深層自然言語処理のフレームワークです。さまざまなタスクに対して、ディープラーニングモデルの学習/予測を行うための機能が実装されています。本書はこのAllenNLPについて解説した入門書です。

※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。 ボードゲームを題材とした古典的なAIの実装からはじめ、深層学習と強化学習を囲碁AIに組み込み、改良していきます。囲碁ボット構築の方法を理解することで、他の人工知能開発にも応用することができるようになります。 Manning Publications『Deep Learning and the Game of Go』の日本語版。 ・PythonとKerasを利用した囲碁AIボット開発でディープラーニングを深く理解できます。 ・AlphaGo/AlphaGo Zeroで用いられた手法も解説！ ・基本的なPythonと高校レベルの数学の知識で読破可能。 この本はAlphaGoの開発と拡張という魅惑的な冒険へ導いてくれます。あなたは最も美しくかつ挑戦的なゲーム開発の基礎を学ぶことになるでしょう。とても読みやすく魅力に溢れた人工知能と機械学習の実践的入門書です。 ―Thore Graepel：DeepMind AlphaGoチームの研究・開発者（本書まえがきより）

※この商品は固定レイアウトで作成されており、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、文字列のハイライトや検索、辞書の参照、引用などの機能が使用できません。 端末により、見開き表示で、左右が逆になる場合があります。 AI開発に必須の基礎理論をやさしく解説! ディープラーニングの基礎を身につけよう! 本書は機械学習の一手法「ディープラーニング」の「いちばんやさしい」入門書です。 【こんな人に】 ○「将来、AI開発に挑戦したい」という理系学生 ○「さらにステップアップしたい」というエンジニア ○「ディープラーニング」の基礎理論を学びたい社会人 ○「TensorFlow+Keras」を使った実装を試したい経験者 ○「機械学習に必須の数学」を知りたい経験者 おもに、AI開発への意欲を燃やす初心者に向けて、機械学習とディープラーニングの基礎理論、必須の数学的知識、Pythonによる実装を体系立てて説明します。 豊富な図解とイラストで、初心者にもわかりやすい! 本書を一通り終えれば、Pythonを駆使して自分なりのプログラムを実装できるようになるでしょう。 ■Chapter1 ディープラーニングと機械学習 ■Chapter2 Pythonの準備と基本文法 ■Chapter3 ディープラーニングの体験 ■Chapter4 ニューラルネットワークの基本 ■Chapter5 畳み込みニューラルネットワーク ■Chapter6 ディープラーニングの応用 さあ、あたなもこの本をきっかけに、ディープラーニングの世界に飛び込んでみませんか?

※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。 AIが体系的に学べる。数式なしで！ 人工知能（AI）の第3次ブームが来ていると言われて久しいが，ディープラーニングを中心とした機械学習による本格的な社会実装が始まっているのが大きな特徴でもある．2021年度より文・理の区別なく大学初学年からAIに関する教育が実施されることが文科省で決まり，AI技術は本格的な過渡期に突入しようとしている．そこで本書では，文系学生を含めた様々な分野の読者に必須の教科書とするべく，AIの基礎から応用までを体系的に，ほぼ数式なしで解説した．AIと社会とのつながりやAIの限界などについても，これまでの研究の歴史を踏まえて紹介している。

※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。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 医用画像におけるディープラーニング（Deep Learning）をまとめた本格的なシリーズ　最新版 　医療関係者が人工知能をはじめて本格的に学ぶことができる一冊。 　人工知能と医療（主に画像）とのかかわりを詳しく解説。 　後半の事例編を大幅に増やし、具体的な応用例、研究例を多数掲載。 　医療AIの今がわかる！ 推薦文　福島邦彦先生 【基礎編】 Chapter1　人工知能（AI）総論 Chapter2　ニューラルネットワーク Chapter3　ディープラーニング Chapter4　動かす Chapter5　評価する 【応用編】 Chapter6　検出する Chapter7　分類する Chapter8　推定する Chapter9　作る・処理する Chapter10　診断を支援する Chapter11　医療を取り巻く世界 【事例編】 Chapter12　眼底画像 Chapter13　病理画像 Chapter14　大腸内視鏡画像診断支援 Chapter15　大腸CT内視鏡　　 Chapter16　歯科X線画像 Chapter17　放射線治療画像 Chapter18　外科治療画像 Chapter19　医用画像とRadiomics Chapter20　マンモグラフィと乳腺超音波検査 Chapter21　運動器領域の画像解析 Chapter22　深層学習のCT 画像再構成への応用 Chapter23　MRI再構成問題 Chapter24　MR画像処理への応用 Chapter25　核医学画像分野におけるディープラーニング 特別Column1　AI時代の放射線科医 特別Column2　AI時代の診療放射線科技師 【Column】 アジア近隣諸国におけるAI事情 大規模学習ニューラルネット（MTANN） 画像診断ナショナルデータベース AIと倫理，薬事ガイドライン コンピュータビジョンの動向 IT/AIの医療への実装 ACR AI-LABで医用画像AI を体験 深層学習による脳動脈瘤診断支援AI ディープラーニング研究の3つのツールのトピックス

ディープラーニングの適用範囲が拡がり，画像認識や音声認識の精度が高くなる一方，モデルに対して細工した画像を送り，誤った分類結果を引き起こす攻撃などが懸念され始めています。海外では非常に活発な研究領域です。たとえば，敵対的サンプル（Adversarial example）として，パンダ（Panda）の画像にノイズを少し加えることでテナガザル（Gibbon）と誤認識させる現象が有名です。 本書では，これらを理解するためにディープラーニングの基礎からハンズオンによる実装方法まで解説しています。ディープラーニングは数式などがあって難易度が高く感じる方にも最適な一冊です。 本書で利用するソースコードは次のWebページからダウンロードできます。 https://github.com/tagomaru/ai_security/releases

もはや「AI（人工知能）を試験的に導入してみよう」という時代は過ぎ、様々な企業が、現実のビジネスにAIやディープラーニング技術を活かした事業展開を行っている。 そうした動きは決して製造業やハイテク企業に限ったことではなく、小売・流通業や物流などなど、業界や業種を問わず急速に広がっている。 本書は、設立わずか6年で、国内企業数社でのAI導入支援の実績をもち、ディープラーニングが成果を出し始めた2012年から、いち早く同技術に注目してきたITベンチャーであるABEJA（アベジャ）の経営トップが自ら語る「AIのビジネスへの実装の具体的方法」。 AI・ディープラーニングをどう現実のビジネスに活かせばいいのか？　基本的なしくみから、実装・運用の成功要件、最新事例までを、文系ビジネスマンでも理解できるように、わかりやすく解説する。

※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。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 ディープラーニング・アプリケーション開発をAPIを活用してはじめるための入門書。 本書は、API（Application Programming Interface、Web サービスの機能を外部から利用するためのインターフェース）を活用してディープラーニング・アプリケーション開発をはじめるための入門書です。 第1部でAPIおよびディープラーニングの原理と全体像を解説した後、第2部でAPIの実装について、そして第3部では、Google Cloud APIの基本的な活用シーンを解説します。 これからのエンジニアにとって必須の知識を、自ら手を動かして気軽に学べます。 第1部　APIとは？　ディープラーニングとは？ 　1章　APIの原理 　2章　ディープラーニングの原理 　3章　ディープラーニングのしくみ・基礎 第2部　API呼び出しのポイント 　1章　APIを呼び出す環境を構築しよう 　2章　いますぐ使えるAPI：利用可能なクラウドサービス 第3部　いますぐできる2つの活用シーン 　シーン1　テスト採点の自動化：分析情報抽出APIの活用 　シーン2　会話による健康管理サポート：音声操作アプリケーションの活用

※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。 プロジェクトの立ち上げから運用まで、AIをビジネスに導入する際に知っておくべき知識を垂直統合して解説！ 本書は、「ビジネスモデル構築」と「実装・サービス化」の両方で豊富な経験と知識を有する著者が、AIをビジネスに取り入れる際のさまざまな側面で、実行すべきこと、注意しなければならないこと、どのように進めるべきかなどを解説していきます。 対象とする読者は、次のような方々です。 ●AIプロジェクトを立ち上げ・進行するマネージャーやディレクター ●ディープラーニング（深層学習）・マシンラーニング（機械学習）を仕事に使いたい・使うことになったエンジニア ●AIを自社に導入したい・自社サービスに取り入れたい経営者 ●AIプロジェクトの契約書類を作成する法務担当や営業担当 取り上げるのは、 ●AIサービスの開発にはどのようなアプローチが必要でるのか ●どのように向き合うのが成功の近道であるか ということです。 著者の経験をもとにまとめた本書は、AIビジネスにおけるヒントが至るところに隠されています。業界が分野が違っても、必ず参考になるはずです。

※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。 GAN（敵対的生成ネットワーク）は、ディープラーニングの最新の研究分野です。GANは、初心者が1人で実装するにはハードルが高い分野でしたが、クラウド環境の進化のおかげで、実装のハードルが劇的に下がりました。本書は、GANの基礎から、画像生成、超解像、ドメイン変換、動画変換などを解説したGANの学習書です。Python言語の経験及びLinuxの基本操作、ディープラーニングの画像分類タスクの実装経験がある人を対象にしています。

※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。 「強化学習」とは、簡単に言えば、「試行錯誤によって学習するAI」です。 機械学習の一種で、近年のディープラーニングの発展の恩恵を受け、注目されています。 本書は、基本のアルゴリズムからニューラルネットを使った応用まで、 強化学習の理論と実装がわかる本です。 強化学習がどんな仕組みのAIなのか、 これから学んでみたいという人や 興味はあるけれど難しそうだと思っている人におすすめです。 【本書の特徴】 ●強化学習の難解な理論をやさしく解説 難しい用語や数式は、高校数学の知識があれば理解できるように一歩一歩説明します。教師あり学習やニューラルネットワークなど、機械学習の前提知識も解説しています。 ●画面上のロボットを動かすことで直観的に理解 強化学習の問題や学習結果は、画面上のロボットが動くアニメーションで確認できます。プログラムを実行するための環境構築や操作方法の説明があるので、すぐに動かすことができます。 ●Pythonで強化学習のプログラムを改良 サンプルプログラムは軽量で、一般的なPC（GPUなどが装備されたPCは不要）で動かせます。強化学習のライブラリは使用せずに実装されており、ブラックボックス化されていないのでアルゴリズムがよくわかります。本書では、サンプルプログラムを自分で改良するためのポイントや、Pythonの基本、主要ライブラリ（NumPy、matplotlib、OpenCV、TensorFlow）の一部の使い方を紹介しています。

本書は、GoogleがGCP(Google Cloud Platform)上で提供している機械学習関連のツールやAPIを活用し、実際に機械学習の環境やデータに触れながら、その原理と動作を体験的に学ぶことができる機械学習入門書です。 ●Googleは、機械学習にも有用な優れた環境を提供しており、特にDatalabはブラウザ上でPythonのコードを実行でき、グラフ・表を出力できるほか、ビッグデータを高速で処理するBigQueryや便利な各種APIにも簡単にアクセスできるツールです。 ●本書では、Datalabを通じて、Googleが膨大なリソースを使い初めから用意している機械学習環境にアクセスし、高度な機能と豊富な資源を十分に活用できるよう読者を導いていきます。 ●本書の学習では、数式はほとんど使わず、簡単なコードとそのグラフィカルな実行結果により、理解を深めていきます。 まずは識別の基礎から入り、各種識別関数を通じて機械学習の原理や手法を学びます。 続いて実践的にデータを扱いながら、データの評価方法やチューニングを学び、さらに深層学習(ディープラーニング)へと進んでいきます。 深層学習では、画像識別による具体例から始まり、より高度なニューラルネットワークまで学んだ後、実際にGoogleの深層学習用ライブラリー(TensorFlow)を使ってニューラルネットワークをモデリングする方法を学びます。 最後に、画像識別を代表するCNN(畳み込みニューラルネットワーク)の実装法を学び、実運用の入り口へと案内します。

※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。 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)を用い、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。

※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。 人より強い“将棋プログラム”を作ろう 2016年3月、プロ棋士に勝つには後10年かかると言われていたコンピュータ囲碁でAlphaGoがトップ棋士に勝利しました。そこで使われた手法がディープラーニングです。 AlphaGoは局面を「画像」として認識し、打ち手の確率と局面の勝率を予測することで、次の打ち手を決めています。画像とはどのようなものか、次の打ち手をどうやって決めるのか？AlphaGoの論文をヒントに、ディープラーニングを使い棋譜を学習した将棋AIの開発を行います。強化学習のみでトップレベルの強さを持つAlphaZeroの手法も取り入れています。 ［導入編］では、コンピュータ将棋の歴史とディープラーニングの関係、コンピュータ将棋の大会の概要を紹介します。 ［理論編］では、従来のコンピュータ将棋のアルゴリズム、コンピュータ囲碁で用いられているモンテカルロ木探索とAlphaGoがどのようにディープラーニングを応用したか。基礎的な知識について解説しつつ、これらを将棋AIに応用する方法について述べます。 ［実践編］では、ディープラーニングを使った以下の３つの将棋AIについて、PythonとChainerで実装していきます。 方策ネットワーク（policy network）を使って指し手の予測のみでプレイするAI 価値ネットワーク（value network）を使って1手探索を行うAI 方策ネットワークと価値ネットワークを使ってモンテカルロ木探索を行うAI 最後に、より強い将棋AIを作りたいという方のために、ヒントとなる情報を紹介します。

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 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

※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。 ※この商品は固定レイアウト型の電子書籍です。 ※お使いの端末で無料サンプルをお試しいただいた上でのご購入をお願いいたします。 ※本書内容はカラー（2色）で制作されているため、カラー表示可能な端末での閲覧を推奨いたします。 ニューラルネットワークの基礎から実装まで、C++のサンプルコードで学ぶ 本書は、ディープラーニング（深層学習）の基礎を学ぶ初級者やソフトウェアエンジニアの方を対象に、ディープラーニングのベースとなっているニューラルネットワークからその派生技術や応用まで、実際に動くC++のソースコードを参照しながら学ぶ内容となっています。前半はニューラルネットワークに関する必須知識を扱い、後半ではニューラルネットワークの派生技術や応用に言及し、徐々に高度な内容となっていきます。 【本書の内容】 Chapter1「ディープラーニング概論」……ディープラーニングの概要と、ニューラルネットワーク構築時に最低限必要なC++プログラミングの知識をまとめます。 Chapter2「ニューラルネットワークのための行列演算と並列プログラミング」……並列プログラミングの重要性とその知識や行列演算を解説します。 Chapter3「ニューラルネットワーク」……パーセプトロンと呼ばれるニューラルネットワークの最小単位となるユニット、パーセプトロンを重ねたニューラルネットワークの基本形である層状パーセプトロン（MLP）を説明します。 Chapter4「誤差逆伝播」……ニューラルネットワークのパラメーター学習方法である、誤差逆伝播法を詳しく解説します。 Chapter5「C++によるニューラルネットワークの実装」……多層パーセプトロンを用いた手書き数字の画像認識を、実際にコーディングしながら動かすことで、ディープラーニングを体験します。本章では、ニューラルネットワークの基礎が詰まったベーシックな分類モデルを構築することで、処理全体の流れを把握することを目的とします。 Chapter6「学習の最適化と過学習」……機械学習全般で発生する過学習にフォーカスし、ニューラルネットワークでの過学習を抑えるテクニックを紹介します。本章以降から、単なるニューラルネットワークではなく、ディープラーニングの範疇となります。 Chapter7「事前学習」……ディープラーニングがブレイクするきっかけとなった技術の1つであるオートエンコーダーを解説します。 Chapter8「畳み込みニューラルネットワーク」……現在ディープラーニングの花形といわれる畳み込みニューラルネットワークを解説します。主に画像認識で利用され、近年はめざましい成果をあげている技術です。 Chapter9「再帰型ニューラルネットワーク」……再帰型ニューラルネットワークと呼ばれる、自己の出力を入力とする再帰構造となったニューラルネットワークを使い、自然言語処理への応用例を紹介します。統計的機械翻訳や自動応答、音声認識などの分野で、近年のAIの大きな進化の推進役となっている技術です。 本書では開発言語としてC++を採用しています。C++でほぼすべてをスクラッチから実装しており、最終的に完成するコードはディープラーニングのC++フレームワークとして機能します。サンプルコードはダウンロード可能。

※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。 「ディープラーニング」を概念から実務へ ― Keras、Torch、Chainerによる実装！ ―数多の「ディープラーニング」解説書で概念は理解できたが、さて実際使うには何から始めてよいのか― 本書は、そのような悩みを持つ実務者・技術者に向け、画像認識を中心に「ディープラーニングを実務に活かす業」を解説しています。 すでに世界で標準的に使われているディープラーニング用フレームワークであるKeras（Python）、Torch(Lua)、そして日本で開発が進められているChainerを、そのインストールや実際の使用方法についてはもとより、必要な機材・マシンスペックまでも解説していますので、本書をなぞるだけで実務に応用できます。

※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。 話題のGoogle製ライブラリーを使った初の書籍！ 本書は、Google製のライブラリーであるJAX、Flax、Optaxを利用して、ディープラーニングの機械学習モデルの構築方法を学ぶ書籍です。 ● 本書の概要 本書では、ディープラーニングの代表例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、これをJAX/Flax/Optaxで実装しながら、モデルの各パーツの役割を数式レベルで丁寧に解説していきます。 この際、モデル内部の処理の様子を確認するために、モデルの中身を分析するコードもあわせて利用します。JAX/Flax/Optaxを利用すれば、モデルの構築だけでなく、このような分析作業も簡単に実施できることが実感できるでしょう。 導入となる第1章では、JAX/Flax/Optaxの基本的な機能とその使い方を学ぶために、機械学習の基礎とも言える「最小二乗法」による回帰問題を利用します。まずは、JAXの機能だけを利用して、勾配降下法のアルゴリズムを独自に実装して、回帰モデルの学習を行います。その後、これと同等の処理をFlax/Optaxを組み合わせて、再度、実装してみます。これにより、Flax/Optaxの使い方に加えて、JAXの微分機能など、その背後で行われる実際の処理内容をより明確に理解することができるでしょう。 第2章以降では、より本格的な畳み込みニューラルネットワークを構築し、さらに、転移学習やDCGANによる画像生成モデルなども実装します。付録として、本書で使用するJAX/Flax/Optaxの主な関数の一覧も用意。JAX/Flax/Optaxの使い方をリファレンス的に知っておきたい方にもおすすめです。 中井 悦司 （なかい えつじ） 1971年4月大阪生まれ。ノーベル物理学賞を本気で夢見て、理論物理学の研究に没頭する学生時代、大学受験教育に情熱を傾ける予備校講師の頃、そして、華麗なる（？）転身を果たして、外資系ベンダーでLinuxエンジニアを生業にするに至るまで、妙な縁が続いて、常にUnix/Linuxサーバーと人生を共にする。その後、Linuxディストリビューターのエバンジェリストを経て、現在は、米系IT企業のSolutions Architectとして活動。

本書は，ディープラーニングによる画像認識を題材に，現場のプロジェクトで必要とされる知識をハンズオン形式で学習するための入門書です。ディープラーニング開発プロジェクトにおける「データ収集」「モデル実装」「データ準備」「学習」「評価」「性能向上」という6つのプロセスについて，それぞれの工程でどんなツールを使うのか，何をすれば良いのか，求められることや注意すべき点は何かなど，手を動かしながら理解を深めます。フレームワークの使い方を知っているだけではなく，ディープラーニングプロジェクトの全体像を正しく理解し，きちんと手を動かすことのできるAIエンジニアを目指すために役立つ基本の1冊です。

　AIシステムの構築案件が急増しています。近い将来、AIなしのビジネスも生活も、考えられなくなるでしょう。データサイエンティストや先進プログラマに限らず、一般SEや理工系の学生層にまで、ディープラーニングに対する学習意欲が広がっているのは当然のことです。そうした方々にとって最初のハードルは、手法（理論）を説明する数式が難解なこと。もう1つは、実装のためのコーディングです。 　そこで本書では、知っておくべき3つの手法だけを、気鋭のデータサイエンティストが丁寧に解説。数式を一切使わず、（１）全結合型・（２）畳み込み型・（３）再帰型のニューラルネットワークの手法を図で紹介します。そして、ソニーが開発した注目のディープラーニングツール「Neural Network Console」を使用。ドラッグ＆ドロップ操作でニューラルネットワークを構築し、ボタン１つで処理を実行、結果を評価できます。 　本書はこの究極のAIツールを用いた初級・中級・上級の体験学習を通じ、実装に必要な最低限の知識を効率よく獲得できます。これにより、「数式が読めない」「プログラミングは苦手」という一般SEや初学者の方々に、ディープラーニングの入り口を大きく開きます。

本書は、LightGBMやXGBoostなどに代表されるアンサンブル学習のアルゴリズムをPython 3でゼロから実装することで、その仕組みや原理を学べる1冊です。 <序文より抜粋> ビッグデータを解析するための機械学習アルゴリズムとしては、ディープラーニング、つまりニューラルネットワークの他にも、ベイズ分類器や決定木、それにそれらを組み合わせた「アンサンブル学習」アルゴリズムなど、さまざまな種類があり、データやその利用シーンに応じて適切なものを選択しなければ、その威力を発揮させることはできません。実際、海外のデータコンペティションにおいてはLightGBMなどのアルゴリズムがよく利用されますが、それは勾配ブースティングアルゴリズムの一種であり、「アンサンブル学習」アルゴリズムの1つです。 そうした「アンサンブル学習」アルゴリズムは強力な分析力を提供してくれますが、それらを正しく使いこなし、最大限の性能を引き出すためには、アルゴリズムの詳細についての理解が欠かせません。そして、どのようなアルゴリズムについても、その手法を最もよく理解できる学習手段は、そのアルゴリズムを実際に一からプログラミングしてみることなのです。 そうした「アンサンブル学習」と呼ばれる手法について、最も基礎的な部分から解説し、実際にコードを作成しながらその動作原理を学ぶ、というの本書の目的となります。 そして本書では、Python言語を使用して、複数のアンサンブル学習アルゴリズムを、完全に一からスクラッチで制作します。数式でアルゴリズムを理解するのではなく、実際に一からプログラムを書き、コードに触れることで得られる知識は、実際のデータ解析における問題解決能力を大きく養ってくれるはずです。

※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。 強化学習、さらにディープラーニングを組み合わせた深層強化学習DQN（Deep Q-Network）という用語を目にする機会が増えています。本書は関連の概念を分かりやすく解説しつつ、Python＋PyTorchで「倒立振子課題」「迷路を解くプログラム」「ブロック崩しの攻略」を実装していきます。 第1章「強化学習の概要」では機械学習とその3分類（教師あり学習、教師なし学習、強化学習）について紹介します。 第2章「迷路課題に強化学習を実装しよう」では、簡単な強化学習（方策勾配法、Sarsa、Q学習）のコードをひとつずつ実装しながら、強化学習のアルゴリズムと実装方法を理解します。迷路を最短ルートでゴールするよう強化学習させます。 第3章「倒立振子課題に強化学習を実装しよう」では、2章で学んだ強化学習の基本をより複雑な課題へ適用します。倒立振子とは、“ほうきを手のひらの上に立てる”遊びと同じ内容でその制御ルールを強化学習させます。Anacondaを用いたセットアップ方法も解説します。 第4章「Pytorchでディープラーニングを実装しよう」では、ディープラーニングの内容を理解し、PyTorchで実装します。ニューラルネットワークとディープラーニング発展の歴史、学習フェイズと推論フェイズについて解説。最後に手書き数字の画像を分類するMNIST課題を実装解説します。 第5章「深層強化学習DQNを実装しよう」では、強化学習にディープラーニングを組み合わせた“深層強化学習”を理解し、DQNを実装できるようにします。第3章の倒立振子課題に対してDQNを実装します。 第6章「深層強化学習の発展版を実装しよう」では、新しい深層強化学習の手法、Double-DQN、Dueling Network、Prioritized Experience Replay、そしてA3C、A2Cを理解し、実装できるようにします。 第7章「AWSのGPU環境でブロック崩しを実装しよう」では、ブロック崩しゲームを対象に深層強化学習のA2Cを実装します。実行環境としてAmazonのクラウドサービスAWSのGPU環境を使用する方法も解説します。

※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。 ビジネス現場ではデータ活用の重要性がますます高まっています。データに基づいた経営施策の実施とその効果検証のためには、一般的な統計指標（平均、標準偏差、相関）だけでなく「因果」にまで分析を広げる必要があります。 本書は因果分析の重要な2つの領域である「因果推論」および「因果探索」について、実際にプログラムを実装しながら学ぶ書籍です。因果推論や因果探索を学びたいビジネスパーソンや、初学者の方を対象としています。 ・因果推論とは「テレビCM放映で、商品購入量がどれくらい増えたのか？」「研修の実施で、社員スキルがどの程度向上したのか？」など、なんらかの施策を実施した際に、その施策の効果を推定する手法です。 ・因果探索とは「生活習慣と疾病の調査」「働き方改革に伴う社員調査」など、アンケート調査等で収集した各項目間の因果関係を明らかにする試みです。 本書は「因果推論、因果探索とはどのようなものか」「因果推論、因果探索を実施するには、具体的にどうしたら良いのか・分析プログラムをどう実装したら良いのか」「因果推論、因果探索が、どのように機械学習やディープラーニングと結びついているのか」が理解・習得できる内容となっています。 プログラミング言語Python、実行環境Google Colaboratory、機械学習ライブラリscikit-learn、PyTorchで実際に手を動かしながら実装し、習得していきます。 データに基づいた経営・ビジネスを実践するうえでスタンダードな手法となる因果分析をマスターしよう。 Part 1：因果推論 第1章 相関と因果の違いを理解しよう 第2章 因果効

※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。 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。

※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。 Pythonプログラミングを行いながら、ディープラーニングの技術を使った将棋AIを完成させていきます。 ディープラーニングフレームワークのPyTorchを活用し、Google Colabで動かしながら学びます。 本書には3つの目的があります。 1つの目的は、ディープラーニングを使用した将棋AIの仕組みを解説することです。ディープラーニングを使用した将棋AIは、従来型の将棋AIよりも特に序中盤での大局観に優れていると言われており、その疑問に答えます。 もう1つの目的は、実際に手を動かして将棋AIを実装してみることです。Pythonプログラミングを行いながら将棋AIを完成させます。 最後の目的は、強い将棋ソフトを創ることです。コンピュータ将棋の大会で優勝したGCT電竜を超えるような、より強い将棋AIを創る方法を解説していきます。 Part 1　導入編 第1章コンピュータ将棋について Part 2　理論編 第2章コンピュータ将棋のアルゴリズム 第3章ディープラーニングの基本 Part 3　実装編 第4章ディープラーニングフレームワーク 第5章Pythonで将棋AIを創る 第6章対局プログラムの実装 第7章GCT電竜を超える強い将棋AIを創る Part 4　発展編 第8章さらに強くするために

本書は、深層学習をこれから勉強するにあたり実装だけではなく深層学習の構造も学びたい方、チュートリアルに掲載されているものよりも詳細な内容を知りたい方を対象に書かれています。Pythonによる基本的なプログラミング知識を前提とするので、そうした部分が曖昧な方は他の書籍と合わせて読むことをお勧めします。また、本書はTensorFlowのラッパーであるKerasやtf.kerasパッケージは用いません。後半ではハイレベルなAPIを用いますが、前半はTensorFlowの低レベルなAPIを用いて解説することで、内部構造についてより理解を深めてもらうような構成をとっています。

※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。 ディープラーニングは、近年のAIテクノロジーの中心的な存在です。企業でもこの技術を活用しようとする動きが増えてきていますが、ディープラーニングのシステム化に成功するには、そのための十分な知識が必要です。本書では、ディープラーニングフレームワークの開発者であり、さまざまなAIプロジェクトでの経験を有するアダム・ギブソン氏が、ディープラーニングなどAIを活用したシステム化のキーポイントを説明します。また、ディープラーニングの使いこなしに役立つ本質的な技術的知識も解説。今まさに現場でAI技術の実装を行っている方、AIプロジェクトの管理を行っている方に格好の内容となっています。

※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。 ●本書の特徴 現在のコンピューティングの世界において、機械学習の分野は最も注目されている領域と言えるでしょう。機械学習の登場により、従来とは比べものにならないくらいの高精度かつ複雑なデータの分析が可能となりました。 本書は、機械学習の手法の中でもとくにディープラーニングに注目し、その実践のための知識を基礎からまとめています。概念としての「人工知能」「機械学習」「ディープラーニング」の紹介から、数学知識のまとめ、プログラミングとフレームワークの利用方法、環境の構築までを解説していきます。 機械学習基盤の構築について、理論から実践までの要素を紹介することから、実際の業務にも応用可能な本格的システムを作るための知識を一気通貫に習得可能です ●Python/PyTorchによる機械学習の実現 本書では、機械学習を実現するためのプログラミング言語としてPythonを取り上げ、ディープラーニングを実現するライブラリとしてPyTorchを用います。PyTorchは機械学習のさまざまな機能を備えており、煩雑な処理を極めて簡潔に書けます。本書では、PyTorchを利用した画像の解析とテキスト分析を例に、ディープラーニングの実践について詳しく見ていきます。 また、本書では開発したソフトウェアを動作させる環境についても言及します。クラウドを利用した実行基盤の実現についても多くのページを割き、スケーラビリティを有するシステムの構築についても学ぶことが可能です。 本書は、執筆者の人工知能の分野での教育活動やコンサルテーションの豊富な経験をもとに執筆されており、機械学習の分野における「学び」を、読者が基礎からひととおり体験できるように構成されています。

※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。 数式でもない実装でもない、 半径3メートルの身近なアルゴリズムはこんなにわかりやすい！ プログラミングにおいて、アルゴリズムは欠かせません。 それは「Hello World」から昨今のAIやIoTに代表される機械学習や ディープラーニングに至るまで変わりません。プログラミングとは、 裏を返せば、アルゴリズムをいかにして見通しよく実装するかにあるからです。 けれども、アルゴリズムの学習というと、七面倒臭い理屈の山と数式の谷間で 迷子になるのが、これまでの一般的な在り方でした。 そこで本書は、イラストを多用し、デファクトと言われるアルゴリズムが なぜデファクトなのか。けれども場合によってはデファクトたりえないのは なぜなのか。その差を分ける基準は何なのかを平易に解説してくれます。 アルゴリズムと聞くとアレルギー反応をおこす方でも、安心して その奥深い世界の扉から漏れてくる、豊かさの一端に触れることが出来るはずです。 【目次】 第1章　あれもこれもアルゴリズム 第2章　並べたり差し込んだり選んだり：ソート 第3章　同じ手順で何度でも：再帰 第4章　ちっちゃくしてから考えよう：クイックソート 第5章　関連付ければ話も早い：ハッシュテーブル 第6章　グラフを作れば見えてくる：幅優先探索 第7章　本からピアノへ物々交換大作戦：ダイクストラ法 第8章　問題は続くよどこまでも：貪欲法 第9章　ドロボーは計画的に：動的計画法 第10章　分類したら予測して：ｋ近傍法 第11章　この先にはなにがあるの？ 第12章　答え合わせ ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

本書は「これからディープラーニングを学びたい」と考えているIT エンジニアの方々を対象にしています。そして、ディープラーニングの手法を理解し、自分で実装できるようになることを目指します。 　ディープラーニングを初めて学ぶITエンジニアは、2つの障壁を越えねばなりません。一つは「ディープラーニングの手法」、特に、理論を説明する数式が難解なこと。もう一つは「どうやって使うのか、実装方法が分からない」ことです。 ■数式なしで理論を理解 　そこで本書は、是非知っておきたい3つの手法、即ち、（１）全結合のニューラルネットワーク、（２）畳み込みニューラルネットワーク（CNN）、（３）再帰型ニューラルネットワーク（RNN）のみに話題を集中。IT エンジニアなら抵抗感なく読めるように、数式を一切使わず、気鋭のデータサイエンティストが丁寧に理論を解説します。 　実装については、Google社のディープラーニング・フレームワークTeｎsorFlowに注目。TesorFlowと完全互換性があり、かつ、TesorFlowよりも初心者に適したTFLearnライブラリを使うことで、Python 3による実装を体験します。実装環境の構築方法も一から説明し、サンプルコードには逐次解説を加えました。 　第1章では、機械学習とディープラーニングの概要、実装ライブラリについて説明します。 　第2章では、TFLearnを使った実装環境を構築し、ツールの使い方を学びます。 　第3章では、全結合のニューラルネットワークの仕組みを理解した後、手書き文字画像のMNISTデータセットを使って、画像の分類問題を解いてみます。 　第4章ではCNNを解説した後、再度、MNISTデータを分類。また、JPEG等の一般的な画像の分類も行います。 　第5章では、時系列データに適したRNNの仕組みを理解した後、対話テキストの分類に挑戦。ここでもMNISTの分類を行ってみます。 　本書に沿って体験学習を進めれば、ディープラーニングの手法を無理なく理解でき、手を動かして実装できるようになるでしょう。

※この電子書籍は固定レイアウト型で配信されております。固定レイアウト型は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。 前作「はじめてのディープラーニング」では、基礎中の基礎であるニューラルネットワークとバックプロパゲーションを初学者にもわかりやすく解説しましたが、本作では自然言語処理の分野で真価を発揮する再帰型ニューラルネットワーク（RNN）と、ディープラーニングの生成モデルであるVAE（Variational Autoencoder）とGAN（Generative Adversarial Networks）について実装方法を含めて解説します。もちろんプログラムの実装については、前作を踏襲してPythonのみで行い、既存のフレームワークに頼りません。 ［本書の特徴］ ・前作を読んでいない方のために、Python、数学、ニューラルネットワークの基礎について解説する章を設けています。 ・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、Google Colaboratory対応。

自然言語処理モデル「BERT」のしくみと実装手法を PyTorchとGoogle Colaboratoryで学んでみよう！ 【本書の背景】 近年、深層学習に基づく自然言語処理技術は飛躍的な発展を遂げており、翻訳、文章生成、文章のグルーピングなど様々な業務に利用されています。自然言語処理技術の中でも特に注目を集めているのが「BERT」です。 【BERTとは】 BERTは2018年の後半にGoogleから発表された、自然言語処理のための新たなディープラーニングのモデルです。「Transformer」がベースとなっており、様々な自然言語処理タスクに合わせて調整可能な汎用性があります。 【本書の概要】 PyTorchとGoogle Colaboratoryの環境を利用して、BERTの実装方法について解説します。具体的にはAttention、Transformerといった自然言語処理技術をベースに、BERTのしくみや実装方法についてサンプルを元に解説します。章末には演習を用意しています。 【対象読者】 ・一歩進んだ自然言語処理技術を身につけたい方 ・BERTの実装を効率よくコンパクトに学びたい方 ・BERTの概要を実装を通して把握したい方 【本書の特徴】 ・サンプルを元にBERTの基礎から発展的な利用方法まで学べる ・Google ColaboratoryとPyTorchという人気の開発環境、フレームワークで学べる ・Transformersライブラリを利用してBERTを実装できる 【目次】 Chapter0 イントロダクション Chapter1 BERTの概要 Chapter2 開発環境 Chapter3 PyTorchで実装する簡単な深層学習 Chapter4 シンプルなBERTの実装 Chapter5 BERTの仕組み Chapter6 ファインチューニングの活用 Chapter7 BERTの活用 Appendix さらに学びたい方のために 【著者プロフィール】 我妻 幸長（あづま・ゆきなが） 「ヒトとAIの共生」がミッションの会社、SAI-Lab株式会社の代表取締役。AI関連の教育と研究開発に従事。 東北大学大学院理学研究科修了。理学博士（物理学）。 法政大学デザイン工学部兼任講師。 オンライン教育プラットフォームUdemyで、10万人以上にAIを教える人気講師。 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

※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。 第3版まで続くロングセラーのPyTorch版！ 機械学習の基本から先進的な手法まで本格解説 『機械学習を実践的に学ぶための優れたテキスト』 『多くのトピックを網羅した深い一冊。強力にお勧め』 ―原著への読者の声 本書の前半は、基本的な機械学習ライブラリのscikit-learnを使った手法を解説。 分類の基本モデルに始まり、単層ニューラルネットまでを実装するほか、データ前処理、次元削減、 ハイパーパラメーターのチューニング、アンサンブル学習、回帰分析などを取り上げます。 後半では、PyTorchによるさまざまなディープラーニングの手法を説明。 PyTorchの仕組みを示したあと、CNN／RNN／Transformerといったモデルの実装を解説。 敵対的生成ネットワーク、グラフニューラルネットワーク、強化学習もカバー。 ◎本書は『Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python』の翻訳書です。 ◎微積分/線形代数、Pythonの文法、データ分析用ライブラリについてある程度理解している必要があります。

Pythonプログラムを動かしながら機械学習の基礎をしっかり学べる！ 【本書の目的】 人工知能関連サービスや商品開発において 機械学習の基礎知識が必要となります。 本書では数式とPythonプログラムをつなげて 機械学習の基礎をしっかり学ぶことができます。 【本書の特徴】 本書は、機械学習の原理を数式でしっかり理解し、 Pythonプログラムによってその理解を深めていくことができる書籍です。 ・数式とコードを連携して解説 ・学習内容を「要点整理」で復習 ・TensorFlow 2.7に対応 ・Python 3.9に対応 【読者が得られること】 機械学習のしくみとPythonプログラムを つなげて理解できます。 【対象読者】 機械学習の基礎を数学的な原理からプログラム実装までしっかり学びたい理工学生・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 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

※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。 現代エンジニアの必須知識：ディープラーニング技術を身に付けよう！ Python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、多くの人々がディープラーニングを活用できるようPythonコーディングを交えながら分かりやすく説明していきます。「ディープラーニングを適用できる課題とはなにか」「限界はどこにあるのか」を実践解説。Keras/TensorFlow 2対応。第1版(2017年)以降の話題やモデル・理論とその実装コードなど、より丁寧に解説し大幅にボリュームアップしています。 ディープラーニングにより自動言語翻訳や画像認識の精度は飛躍的に向上し、現代のソフトウェア開発者にとってその技術の理解と習得は必要不可欠な分野になりつつあります。 機械学習プラットフォームTensorFlowの上で動作するKerasは、Pythonで書かれたディープラーニングのAPIです。数学やデータサイエンスの専門的な知識がなくともディープラーニングを手軽に実装できるようになります。 Keras開発者であるFrançois Cholletは、改訂・増補された本書で、機械学習の初心者と経験者、両者に向けたアドバイスを提供します。直感的な説明とわかりやすいイラスト・例題で理解が深まり、ディープラーニングのアプリケーションを開発するために必要なスキルをすぐに身につけることができます。 ・ディープラーニングの最初の一歩 ・画像分類と画像セグメンテーション ・時系列予測 ・テキスト分類と機械翻訳 ・テキスト生成、画像生成 1章 ディープラーニングとは何か 2章 ニューラルネットワークの数学的要素 3章 KerasとTensorFlow 4章 ニューラルネットワーク入門：分類と回帰 5章 機械学習の基礎 6章 機械学習のユニバーサルワークフロー 7章 Kerasを使いこなす 8章 コンピュータビジョンのためのディープラーニング 9章 コンピュータビジョンのための高度なディープラーニング 10章 時系列のためのディープラーニング 11章 テキストのためのディープラーニング 12章 生成型ディープラーニング 13章 現実世界でのベスト・プラクティス 14章 本書のまとめ

※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。 PythonはDjangoを始めとしたWebアプリケーションフレームワークが充実しており、非常に使い勝手のよいプログラミング言語です。本書は、Pythonをはじめて学ぶ方向けに、Pythonの基礎からWebアプリの開発、人工知能の一種であるディープラーニングの実装までを楽しくわかりやすく解説します。基本的な文法からブラウザ上で動くブラックジャックゲームの作成、さらに作成したゲームを人工知能にプレイさせる方法まで学べます。

※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。 日本語テキスト解析処理を快速プログラミング！ 単語／文書の分類、機械翻訳などを実装。 自然言語処理は、検索エンジン、自動要約、機械翻訳、音声認識などで利用される技術です。 PyTorchでは、特にTransformersというBERT系モデルを提供することで、 より簡単にBERTを利用できるようになっています。 本書では、自然言語処理で特に重要なディープラーニング技術である word2vec、LSTM、seq2seq、そしてBERTを取り上げます。 まず第1章でPyTorchの基本を説明します。そのあと各技術の考え方を説明し、 PyTorchを使ったそれぞれのプログラミング手法を解説します。 それらのプログラミングでは、以下のことなどを目的にしています。 ・単語や文書の類似度を測る ・文章内の単語の品詞を分類する ・日英の機械翻訳を実行する ・文書を分類する ・質問／回答タスクを実行する 【本書の構成】 第1章　PyTorchの基礎 第2章　word2vecによる分散表現 ～単語をベクトルで表現～ 第3章　LSTMによる時系列データ解析 ～文を単語の系列として解析～ 第4章　seq2seqモデルによる機械翻訳 ～ある系列を別の系列に変換～ 第5章　事前学習済みモデルBERTの活用 ～タスクに応じてモデルを調整～ 付録A　プログラミング環境の構築（Windows） 付録B　本書で解説した主要プログラム集 ※本書の内容はPython／PyTorch／機械学習の基本事項を 理解されていることを前提としています。

※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。 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

大人気の機械学習フレームワーク「PyTorch」で 深層学習モデルとAIアプリを開発しよう！ 【PyTorchについて】 PyTorch は、主に深層学習で利用されている機械学習フレームワークです。 世界中で幅広く利用されており、国内でもここ数年で多くの方が利用し始めています。 【本書の概要】 Udemyで公開中の大人気講座『【PyTorch+Colab】PyTorchで実装するディープラーニング -CNN、RNN、人工知能 Web アプリの構築』の書籍化企画です。 PyTorch を使い、CNN による画像認識、RNN による時系列データ処理、深層学習モデルを利用した AI アプリの構築方法を学ぶことができます。 本書で PyTorch を利用した深層学習のモデルの構築からアプリへの実装までできるようになります。 【本書で得られること】 ・機械学習フレームワーク「PyTorch」の基礎が身につきます。 ・PyTorchのコードの読み書きができるようになります。 ・CNN、RNN などを実装できるようになります。 ・自分で調べながら、ディープラーニングのコードを実装する力が身につきます。 ・最終的に人工知能アプリを構築し、公開できるようになります。 【目次】 Chapter0 イントロダクション Chapter1 PyTorchと深層学習 Chapter2 開発環境 Chapter3 PyTorchで実装する簡単な深層学習 Chapter4 自動微分とDataLoader Chapter5 CNN（畳み込みニューラルネットワーク） Chapter6 RNN（再帰型ニューラルネットワーク） CHapter7 AIアプリの構築と公開 APPENDIX さらに学びたい方のために 【著者プロフィール】 我妻幸長（あづま・ゆきなが） SAI-Lab 株式会社を起業。「ヒトと AI の共生」がミッション。人工知能（AI）関連の研究開発、教育、アプリ開発が主な事業。 理学博士（物理）。解決策のモデル化、数式化が得意で、プログラミング教育も行う。 近著に『Google Colaboratoryで学ぶ！あたらしい人工知能技術の教科書 機械学習・深層学習・強化学習で学ぶAIの基礎技術』、 『Pythonで動かして学ぶ！あたらしい数学の教科書』（いずれも翔泳社）がある。 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

※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。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 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。 ・ 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。 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。 ＜本書の特徴＞ ・PyTorchを使って物体検出アルゴリズムを実装できるようになります。 ・Pythonによるサンプルコードを例示＆配布し、自分で手を動かしながら理解を深められます。 第1章　PyTorch によるプログラミング 第2章　物体検出アルゴリズムSSDの実装 第3章　SSDに関連した話題

※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。 本書は、『必要な数学だけでわかる ニューラルネットワークの理論と実装』に続く姉妹書です。「必要な数学だけでわかる」という書名どおり、ディープラーニングに必要な数学だけに光を当て、できるだけ短時間でディープラーニングのアルゴリズムを理解することを目的としました。前著であつかった機械学習の基礎部分は飛ばして、ニューラルネットワークの構築から解説。手書き文字の認識や高難度のイヌとネコの認識にも挑戦します。

いま幅広い分野で人工知能やディープラーニングなどに代表される「機械学習」の重要性が高まっています。しかし、機械学習に興味があっても、理論や実装が難しく、一般のユーザーはなかなか手が出せません。本書は、初心者向けに人工知能やAI、評判分析、画像認識など、初歩的な機械学習のアルゴリズムや使い方を実際に体験しながら学ぶ入門書です。著者の人気勉強会の講義内容を書籍化しました。サンプルコードのDLサービス付き。

※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。 ディープラーニングへのアプローチには様々な方法があります。本書は、Pythonの外部ライブラリであるTensorFlow2、PyTorchを用いてディープラーニングの基礎理論から画像分類、物体検出、自然言語処理などについて学べる入門書です。第2版では大幅な仕様変更のあったTensorFlow2とKeras、PyTorchによるプログラミングを紹介します。それぞれのプログラミングスタイルを比較することでより深くディープラーニングを理解できます。

※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。 Pythonのライブラリの1つであるTensorFlowは、ディープラーニングを支える数学的な各種理論を学ぶのに最適なライブラリです。しかし、TensorFlowは学習に必要な計算式を開発者が自ら組み立てねばならないという少し高めのハードルがあります。本書は、TensorFlowとKeras/TFLearnの3つのライブラリを取り上げ、ディープラーニングの基礎理論から2次元フィルター、転移学習、時系列データ、自然言語処理などを楽しく学べる入門書です。

※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。 ディープラーニングによる物体検出・画像生成は、自動運転、顔認識、外観検査、医療画像診断など、多くの分野で利用されている技術となっています。本書は、ディープラーニングの発展型技術である物体検出と画像生成の解説書です。物体検出はSSDの実装法をプログラミングを行いながら解説しています。また、手軽に物体検出を体験できるようTensorFlow Hubについても紹介。画像生成はオートエンコーダ―からGANまでを取り上げました。

※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。 数式をコーディングした実例多数で、身につく、よくわかる！ 人工知能を学ぼうと思ったが、数学の知識がなくて書籍を読むことも困難だという感想を多く耳にします。そこでこの本では、数学の知識を、ディープラーニングに必要なものに特化して解説します。 数学の内容を中心に解説を行うだけでなく、それぞれの数学的項目について、豊富な図や数式と共に、Pythonでの実装を含めたソースコード事例を加えます。 ●こんな人に向けた本です 1）数学の知識がなく、ソースコードから数式を理解したい人。 2）ディープラーニングを通して、数学を再学習したい人。 3）図と数式、ソースコード、実行結果から、多面的に理解したい人。 ●こんな内容の本です 1）エンジニアのための、ディープラーニングで使う数学を学ぶ本です。 2）数式とソースコードの対比により、数学の知識がないプログラマーでも、 処理の流れで数式の仕組みを理解することができます。 3）ディープラーニングの専門書を読む基礎スキルが身に付きます。 4）ディープラーニングのシステムを開発する基礎スキルが身に付きます。

※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。 悪意を持つソフトであるウイルス・マルウェア(malware)は年々増え続けその手口も高度化しつつあります。 本書ではマルウェアの検出・分析に、機械学習、統計、ソーシャルネットワーク分析、データ可視化など「データサイエンス」の手法を導入・活用する方法を伝授。scikit-learn、Kerasで独自のマルウェア検出器を構築する方法を解説します。 ・コード分析で “同じ攻撃者”が作成する“新しいマルウェア”を特定 ・独自の機械学習検出システムを構築し、ゼロデイ攻撃・マルウェアを捉える ・マルウェア検出器の精度をROC曲線で測定し、セキュリティの最善アプローチを選択 ・データの視覚化で、マルウェアの傾向を特定・調査 ・DNN(ディープニューラルネットワーク)ベースの検出システムをPythonで実装 データサイエンティストを目指す方、悪意を持つソフトウェア撃退のためデータサイエンス、ディープラーニングを活用したい方には最適の書籍となるでしょう！ no starch press『Malware Data Science:Attack Detection and Attribution』の翻訳書。

※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。 「ディープラーニングをライブラリで実装できるけれど、よく意味が分かっていない」 「ディープラーニングの背景にある数式を理解して、何が行われているか知っておきたい」 本書はそんな人のための本です。 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、ディープラーニングでどんなふうに入力値から出力値までの計算がされているのか、楽しく学んでいきます。 ※本書は『やさしく学ぶ 機械学習を理解するための数学のきほん』の続刊となりますが、前作を読んでいない人でも問題なく読むことができます。 本書では、 ・ニューラルネットワークでは何ができるのか ・単層のパーセプトロンではどのような計算が行われているのか ・パーセプトロンではどうやって問題を解いているのか ・パーセプトロンにはどんな欠点があるのか などの基本的な部分から解説を始めます。 パーセプトロンが理解できたら、続いて多層のニューラルネットワークについて学んでいきます。 ・ニューラルネットワークではどうやって問題を解いているのか ・問題を正しく解くためのパラメーターはどうやって学習しているのか といったことについて、1つずつ数式を理解して、時には具体的な数値を当てはめて実際に計算しながら理解していきます。 ニューラルネットワークが理解できたら、いよいよ画像の分類などに向いている「畳み込みニューラルネットワーク」について学習を進めます。 何をやっているのか、図解と数式で確認しつつ学習し、どのようにして「畳み込みニューラルネットワーク」が分類のタスクを行っているのか丁寧に解説します。

※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。 ニューラルネットワークは、脳の神経細胞を数学的な計算によって表現できるようにした数式モデルです。今では、画像認識や顧客データの分析をはじめとするデータマイニングに応用され使われています。本書は、多層パーセプトロン、ニューラルネットワークをはじめとするディープラーニングを根底から支える数学的手法を学び、Pythonでの実装まで案内する機械学習入門書です。