シンアンドリューの作品一覧

●想定読者 本書は主に次のような方々に向けて書かれています。 ・データサイエンティストの方々 ・ChatGPTの仕組みや特徴を他のモデル作成に活かしたい方々 ・構文解析や感情分析などの伝統的なNLPタスクに携わる方々 ・深層学習による汎用大規模言語モデル、その応用先や評価に興味を持つAIの研究者 ●前提とする知識 言語モデルの学習や推論、またコーパスから得られる単語や文のベクトル表現など、NLPの基本的な概念を理解していれば大丈夫です。数式に馴染みがあり、トランスフォーマーやBERTの知識や経験があれば一層結構ですが、本書の中でも説明しているので、必須ではありません。 ●本書の特徴と工夫 本書は、理論と応用の両方を充実させました。 ChatGPTの背景や原理は、最新の理論に基づき体系的に整理しました。ミニChatGPTのサンプル開発やチューニングでは実際のコードを示し、手を動かしながら理解を深めることができます。また、データサイエンティストの方々には文系出身者も多いので、難易度が高い理論や数式は図説や脚注で補足しています。 応用面では、マイクロソフトのサービス実装など、実務に役立つ最新情報を提供。実際に直面する課題の解決や、応用先の拡大も図れるよう工夫しました。 ●本書に期待できること データサイエンティストの方々は、大規模言語モデルの作成方法が分かり、検索エンジンやチャットボットなど、ターゲットアプリに合わせたチューニングができるようになります。また、データ拡張を通じた改善や、プロンプトエンジニアリングの手法など、ChatGPTをサービスに利用するための必須知識が得られます。そして将来、未知の新しい応用先を開拓するための基本知識が身につきます。 研究者の方々は、大規模言語モデルの現状と限界、応用事例や実用性がわかり、研究方向の探索に役立ちます。特にNLPの研究者は、ChatGPTの登場によって今後の研究テーマが鋭く問われているので、本書が重要な手掛かりになるでしょう。 いずれの方も、本書のミニChatGPTの実装や、学習から評価に至る言語モデルの構築を経験することで、他の類似モデルのファインチューニングや対策の工夫ができるようになるでしょう。 ◆「AI/Data Science実務選書」とは… 機械学習やAIの計算モデルは、システム開発のパラダイムを覆しつつあります。「AI/Data Science実務選書」は、AI開発とデータサイエンスのプラクティスを集め、実務家のスキル獲得／向上を力強く支援します。

※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。 ※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。 人工知能は作曲家の夢を見るか？ 【本書のポイント】 ・深層学習による自動作曲技術の全体像を知る ・Colaboratoryを使った自動作曲のお試し ・データセットを多数紹介 　機械学習による自動作曲（AI作曲）技術を解説した専門書です。機械学習やメディアアート関係の研究者、学生、音楽産業の技術者を主な読者対象として、現在の自動作曲技術をまとめています。また、実践要素（Python/Colaboratoryを使った自動作曲の実践）を設けて、情報科学の知識のないクリエイターやアマチュア作曲者、動画制作者などが自動作曲にチャレンジできるようにしました。 　近年、画像生成を中心にAI（機械学習）によるメディア生成が注目を集めています。自動作曲はその名の通り、音楽を生成する技術で、近年では機械学習・深層学習による自動作曲・音楽分析が盛んに研究されています。 　本書では、言語・音声などの従来の時系列データと異なる音楽データの特徴に基づく分析や、音声の生成のような「それっぽい」にとどまらない美的な質の学習方法や評価といった、音楽に特化した機械学習のアプローチを解説します。 　読者は本書によって、現時点での深層学習による自動作曲の全体図を理解でき、またGoogleのMusic TransformerやOpenAIのJukeboxなど、最先端の重要モデルの仕組みや性能を学ぶことができます。自身のAI作曲の性能向上や実用性の改善を図ることが可能となります。 第 1 章 AI による自動作曲とは 1.1 背景 ── AI と作曲 1.2 自動作曲の歴史 1.3 本書の目的と構成 1.4 本章のまとめ 第 2 章 音楽の基礎知識 2.1 音楽の存在形式 2.2 平面的な要素 2.3 立体的な要素 2.4 音楽制作の流れ 2.5 本章のまとめ 第3章 AI モデル 3.1 時系列モデル 3.1.1 RNN・LSTM・GRU 3.2 畳み込みネットワークネット (CNN) 3.3 生成モデル 3.4 強化学習 3.5 本章のまとめ 第4章 楽譜（MIDI）としての自動作曲 1：時系列学習による自動作曲 4.1 RNN 基盤の自動作曲 4.2 トランスフォーマー基盤の自動作曲 4.3 本章のまとめ 第5章 楽譜（MIDI）としての自動作曲 2：生成モデルによる自動楽曲 5.1 GAN 基盤の自動作曲 5.2 VAE 基盤の自動作曲 5.3 拡散モデルによる自動作曲 5.4 本章のまとめ 第6章 楽譜（MIDI）としての自動作曲 3：強化学習による自動作曲 6.1 報酬の設定 6.2 他モデルとの融合 6.3 強化学習の二つのアプローチ 6.4 本章のまとめ 第7章 波形としての自動作曲 7.1 なぜ難しいのか 7.2 音声生成 7.3 波形としての音楽生成 7.4 本章のまとめ 第 8 章 データセットおよび評価指標 8.1 データセット 8.2 評価指標 8.3 本章のまとめ 第 9 章 前処理とデータ拡張 9.1 前処理 9.2 データ拡張 9.3 本章のまとめ 第 10 章 AIの他の音楽分野への応用 10.1 音源推薦 10.2 ジャンル識別 10.3 音源分離 10.4 自動ミックスダウンおよびマスタリング 10.5 本章のまとめ 第 11 章 まとめと今後の課題 11.1 今後の課題 11.2 音楽への関わり方の変化と意義 11.3 本章のまとめ 参考文献 索引