※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。 音楽を創りながらディープラーニングを身につける！ 音楽の自動生成を題材に、ディープラーニングの代表的な手法を解説した入門書です。 音符一つひとつに文字を割り当てれば、自然言語と同じように音楽を扱うことができ、演奏内容をピアノロールという表現に変換すれば、画像として扱うこともできます。そのため、音楽という 1種類のデータを使ってさまざまな手法を広く学ぶことができます。 本書では、PythonとTensorFlowを使って、自分で音楽データを学習させます。現状で生成される音楽のクオリティは高くはありませんが、音楽を創りながら学ぶディープラーニングは体と耳になじみ、読者の力になるはずです。 第1章　音楽を題材にディープラーニングを学ぼう 第2章　音楽データを Python で読み書きしよう 第3章　長調・短調判定で学ぶ多層パーセプトロン 第4章　ハモリパート付与で学ぶ RNN 第5章　メロディのデータ圧縮で学ぶオートエンコーダ 第6章　メロディモーフィングで学ぶVAE 第7章　多重奏生成で学ぶ CNN 第8章　多重奏生成で学ぶ GAN

※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。 量子コンピューティングがやさしくわかる 「量子コンピューティング」は量子コンピュータを用いた計算手法です。量子コンピュータには、大別してゲート型量子コンピュータとアニーリング型量子コンピュータがあり、ほかにアニーリング型量子コンピュータに着想を得た疑似量子コンピュータがあります。 本書で特に力を入れて説明しているのは、イジングマシンを使った具体的な問題の解き方です。イジングマシンは、組合せ最適化問題を解く専用のコンピュータで、アニーリング型量子コンピュータと疑似量子コンピュータのことを指します。組合せ最適化問題は応用範囲が広いので、具体的な問題の解き方を知ることで、量子コンピューティングの役立つシーンがイメージしやすくなるはずです。そうしたイメージができて興味がわいてきたら、もう少し専門的な資料を読んだり、量子コンピュータを使ってみたりして、さらに上の段階に進めると思います。 量子コンピューティングのしくみと、量子コンピュータを使ってどんなように問題を解くのかを知りたい方に基礎からていねいに解説します。 1章　量子コンピューティングの概要 1.1　量子コンピューティングとは 1.2　量子コンピューティングの応用例 1.3　量子を使わない量子コンピューティング 2章　イジングマシンのしくみ 2.1　イジングマシンとイジング模型 2.2　イジングマシンの計算のしくみ 2.3　問題を解くために必要なこと 2.4　問題を解く前の注意点 3章 イジングマシンで問題を解く 3.1　最大カット問題 3.2　画像のノイズ除去 3.3　グラフ彩色問題 3.4　クラスタリング 3.5　巡回セールスマン問題 3.6　ナップサック問題 4章　イジングマシンを使った機械学習 4.1　二値分類 4.2　行列分解 4.3　ブラックボックス最適化 5章　ゲート型量子コンピュータ 5.1　ゲート型量子コンピュータの計算のしくみ 5.2　量子アルゴリズム 5.3　量子ビットと操作の方式 6章　量子コンピューティングの今後 6.1　イジングマシンの進化 6.2　ゲート型量子コンピュータの発展 6.3　量子コンピューティングへの期待 付録 A．行列とベクトル A.1　行列とベクトルの演算 A.2　行列の固有値と固有ベクトル B．ブラックボックス最適化の補足 B.1　損失関数の平方完成 B.2　多変数ガウス分布 C．量子アルゴリズムの補足 C.1　ブラケット記法 C.2　ドイチュ・ジョサのアルゴリズム C.3　グローバーの量子探索アルゴリズム 参考文献 索引

※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。 いま必要とされるデータサイエンスの素養がしっかり身につく一冊。 さまざまな場面で入手できるデータを価値に転換することが、データサイエンスの目的です。データサイエンスという言葉は、ビジネスやアカデミーを問わず、いまや多くの場面で聞かれるようになり、それだけ重要性が高まっている概念といえます。本書は、データサイエンスを理解し実践したいと考えている方に必要とされる、データサイエンスの素養がしっかり学べる一冊です。 データサイエンスは、統計的、計算的、人間的という3つの視点の有機的結合という一面があるといわれます。本書では、データ分析に必要な統計学や関連する数学を丁寧にフォローし、確率・統計的な考え方が自然に身に付くよう配慮しました。また、データを適切に処理するための計算法は、プログラミング言語としてRを用いつつ、近年注目度の高い機械学習を含む具体例を通して納得しながら理解できる構成です。さらに、データの前処理から分析結果のプレゼンテーションまでの過程には人間が関わるという観点で、データを取り扱ううえで心がけるべき倫理的側面も扱いました。 なお、本書は「数理・データサイエンス・AI（リテラシーレベル）モデルカリキュラム」、「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」に準拠した授業の副読本・参考書としてもご利用いただけます。 第1章　イントロダクション 第2章　Rの基礎 第3章　データの記述・可視化 第4章　関連と因果，データ分析における注意事項 第5章　データ倫理 第6章　確率 第7章　確率分布 第8章　標本分布と中心極限定理 第9章　点推定・区間推定・仮説検定・p値 第10章　機械学習の基礎 第11章　回帰モデル 第12章　分類 第13章　ベイズ線形モデル 第14章　決定木とアンサンブル学習 第15章　スパース学習 演習問題略解 参考文献

※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。 AIのしくみと，使いこなすための技術がいっぺんに身につくディープラーニングの入門書 ディープラーニングをゼロから始めて，しっかりと理解したい人のための入門書です．ディープラーニングの基礎を一歩一歩着実に理解しながら，NumPyとKerasを使った実践的なAIプログラミングを学ぶことができます。 本書は，ディープラーニングの原理を説明しているテキストでも，そのプログラミングを実践形式でまとめたチュートリアルのような本でもありません．それらの両方をバランスよく組み合わせた，本当の意味でディープラーニングをわかるように解説した本です．「AIの学習とは」から，「ディープラーニングによる画像認識プログラムの作成」までを，なるべくやさしい言葉で，しかし大事なところを省くことなく説明しています． これからディープラーニングを学ぶ人，また，いまいちディープラーニングについてわからないことがある人，プログラムがうまく実行できない人におすすめの書籍です． 第1章　AIプログラミングを始めよう 1.1　AIとAIプログラミング 1.2　NumPyを使ってみよう 1.3　Matplotlibを使ってみよう 第2章　AIの学習の基本的な考え方 2.1　AIはどうやって学習するのか 2.2　再帰計算法を理解しよう 2.3　学習アルゴリズムの基本形 2.4　勾配降下法を理解しよう 2.5　多変数関数の勾配降下法 第3章　AIの学習の基本的なしくみ 3.1　重みを導入しよう 3.2　損失関数と重みの最適解 3.3　確率的勾配降下法 3.4　簡単なデータセットをつくってみよう 3.5　確率的勾配降下法による重みの最適解を求めるプログラム 3.6　ミニバッチ勾配降下法 3.7　ミニバッチ勾配降下法による重みの最適解を求めるプログラム 第4章　ニューラルネットワークの導入 4.1　単純パーセプトロン 4.2　活性化関数（その1）：ステップ関数 4.3　基本論理ゲートの学習問題 4.4　誤り訂正学習法 4.5　学習プログラムを作成するときの注意点（その1） 4.6　プログラム例：AND ゲートの学習問題 第5章　ニューラルネットワークに勾配降下法を適用する 5.1　活性化関数（その2）：シグモイド関数 5.2　単純パーセプトロンに確率的勾配降下法を適用する 5.3　学習プログラムを作成するときの注意点（その2） 5.4　プログラム例：単純パーセプトロンの確率的勾配降下法 5.5　単純パーセプトロンにミニバッチ勾配降下法を適用する 5.6　プログラム例：単純パーセプトロンのミニバッチ勾配降下法 第6章　単純パーセプトロンを組み合わせる 6.1　パーセプトロンを「多出力」にする 6.2　活性化関数（その3）：ソフトマックス関数 6.3　多出力のパーセプトロンに確率的勾配降下法を適用する 6.4　学習のためのデータを十分に用意しよう 6.5　プログラム例：アイリスの種類を判別する学習問題 第7章　ニューラルネットワークを2層にする 7.1　ニューラルネットワークの層を重ねる 7.2　1出力2層のニューラルネットワークの確率的勾配降下法 7.3　XORゲートの学習問題 7.4　プログラム例：XORゲートの学習問題 第8章　ニューラルネットワークを多層にする 8.1　多出力多層のニューラルネットワーク 8.2　一般的なニューラルネットワークの確率的勾配降下法 8.3　誤差逆伝播法 8.4　学習プログラムを作成するための補足説明 8.5　プログラム例：手書き数字を認識する学習問題 第9章　Kerasを使ってプログラミングする 9.1　Kerasとは何か 9.2　Kerasの導入 9.3　Kerasを用いたプログラムの基本構成 9.4　Kerasを用いたプログラムにおける損失関数 9.5　Kerasを用いたプログラムにおける学習アルゴリズム 9.6　Kerasを用いたプログラムにおける学習の評価指標 9.7　Kerasを用いた学習プログラムの例 第10章 CNNで時系列データを処理しよう 10.1　畳み込みとは何か 10.2　CNN（畳み込みニューラルネットワーク） 10.3　活性化関数（その4）：tanh関数 10.4　1次元CNNのプログラム例 10.5　Kerasによる1次元のCNNの実現 10.6　Kerasによる1次元CNNのプログラム例 第11章 RNNで時系列データを処理しよう 11.1　簡単な再帰型システム 11.2　RNN 11.3　簡単なRNNの学習アルゴリズム 11.4　簡単なRNNのプログラム例 11.5　KerasによるRNNの実現 11.6　KerasによるRNNのプログラム例 第12章 ディープラーニングで画像認識を行おう 12.1　2次元畳み込み 12.2　活性化関数（その5）：ReLU関数 12.3　画像処理の2次元CNNのプログラム例 12.4　Kerasによる2次元CNNの実現 12.5　Kerasによる2次元CNNのプログラム例

クラウドのサービスが高度化を続けています。素の仮想コンピューターに一からシステムを構築するというのはもはや時代遅れ。用意されたさまざまなサービスを組み合わせて短期間で目的のシステムを構築することが重要になっています。 　Google Cloud（旧名称Google Cloud Platform＝GCP）にはさまざまなサービスがあり、これらを活用することで、開発・運用・保守の短縮化・低コスト化・安定化が可能です。本書はGoogleの監修を受けており、2巻構成でGoogle Cloudの「AI・機械学習」「ビッグデータ」「コンテナ」の機能と使い方を解説します。本巻ではこの中で「AI・機械学習」に焦点を当てます。 　AI・機械学習は自分で一から作るのが困難な分野です。モデルを構築するのに専門知識が必要なだけでなく、数多くのデータを用意したり、それを学習させたりと、大変な労力がかかり、ノウハウも必要です。Google CloudではGoogleが培ってきた学習済みのモデルを使ったり、ユーザーが学習させたりすることで容易にシステムを構築できます。 　本書ではハンズオンでこれらを学習できます。データはGoogleがビッグデータとして用意しているものを使っているので、実際に試すのも容易です。

※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。 ※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。 「情報理論」のエッセンスを詰め込んだ教科書 大学学部，情報通信系学科の必修課目「情報理論」のエッセンスを詰め込んだ教科書です． 多くの人が難しく感じるところをできるだけ丁寧に，本質をしっかり押さえて解説しています．補足的な説明やより進んだ説明をコラムとして配し，演習問題には難易度に応じて5段階のレベル分けを付し，学習上の区分けが明確になるよう配慮しています． また、改訂にあたっては，現行の大学・高専のカリキュラムに沿った見直しを行ったほか，読者の声をもとによりわかりやすい解説に改めています． 1．情報理論とは？ 2．情報のとらえ方と情報量 3．平均情報量（エントロピー）の性質 4．情報源 5．情報源符号化 6．具体的符号化法 7．通信路と相互情報量 8．通信路符号化 9．誤り検出と訂正 10.線形符号 11.巡回符号

※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。 人工知能の構成技術を網羅的に概観する、やさしい教科書 本書は、人工知能のしくみを一から丁寧に解説する入門書です。 「人工知能とはなにか」という定義からはじまり、機械学習や画像処理といったさまざまな技術のしくみを、できるだけ数式を使わずに平易に説明します。 深層学習が火付け役となった人工知能ブームによって、人工知能は多くの方にとって馴染みのある存在になってきました。しかし、 ・　機械学習 ・　ニューラルネットワーク ・　進化的計算 ・　自然言語処理 ・　画像認識 などの個別のトピックのみが取り上げられることも多く、人工知能全体の体系はよくわからない、という方も多いのではないでしょうか。 本書では、上述したようなトピックを網羅的に扱い、人工知能を構成する技術の全体像を概観します。できるだけ数式を用いずに、平易に解説するよう心がけました。 業務上AIに関する知識が必要になった社会人や、情報系の学部・学科に所属する大学生はもちろん、人工知能に興味のある高校生にも読んでいただける内容です。 なお、各章の最後には、Pythonを使った演習を設けています。 エンジニアの方や、エンジニアを志す学生の方は、ぜひ演習問題にも取り組んでみてください。 第1章　人工知能とは 第2章　人工知能研究の歴史 第3章　学習 第4章　知識表現と推論 第5章　ニューラルネットワーク 第6章　深層学習 第7章　進化的計算と群知能 第8章　自然言語処理 第9章　画像認識 第10章　エージェントと強化学習 第11章　人工知能とゲーム 第12章　人工知能はどこに向かうのか

※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。 情報で観光を実学する！　我が国は今日、観光を産業資源として外国人の来訪を積極的に進めようとしている。このような状況の中、観光を情報の切り口から体系的に学び、実学に結びつけるのは急務である。本書はこのような視点から、観光情報学という新たな領域を具体的な事例を数多く例示しながら解説している。観光情報に関心のある読者はもとより観光資源をいかに活用しようかと考えている読者にも最適の書である。

※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。 Rによるテキストマイニングを豊富な事例で解説！ 　本書は、テキストマイニングの初心者に向けて活用事例を解説した入門書です。実務ですぐに応用したい人や、すでにほかの分析ツールを使っている方が参考にできる活用事例も豊富に掲載しています。 　また、実際のレポートや、データの収集からテキスト整形などの前処理、分析対象とする単語や品詞の頻度集計、分析対象に合わせた統計手法の選定、分析結果の可視化まで、分析プロジェクトにおける一連の流れを省略せずに解説しました。 　読者が実際にRによるテキストマイニングの分析ができるように最大限配慮しています。 はじめに Part I　Rによるテキストマイニング 第1章　テキストマイニングの活用 第2章　Rの活用 Part II　日本語テキストマイニングの活用事例 第3章　授業評価アンケートの分析 第4章　オンラインレビューを用いたクチコミ分析 第5章　スクレイピングによる特徴語抽出 第6章　Twitterにおける話題と感情の抽出 第7章　警察白書のトピック分析 第8章　文学作品の著者推定 Part III　英語テキストマイニングの活用事例 第9章　政治演説の言語分析 第10章　文学テキストの類型化 おわりに

Googleが提供するクラウドサービス AWSとの違いを軸に徹底解説 　「Google Cloud Platform」（GCP）は、Amazon Web Services（AWS）やMicrosoft Azureと同じく、企業向けのクラウドサービスとして提供されている。後発であることは否めないが、後発であるからこその特徴を備えている。 　一般的な用途では「マネージドサービス」の充実が特徴と言える。そのほか、今注目の「機械学習」「ビッグデータ」関連のサービスが特に充実しており、AI関連のシステム基盤として要注目であることは間違いない。 　本書では、「コンピューティング」「ストレージ」「ネットワーキング」「ビッグデータ」「機械学習」「アカウント管理」「運用監視」という７つのカテゴリーに分類し、GCPの特徴を、AWSとの違いを軸に解説している。 　また、GCPのサービスを解説するほか、エンタープライズ用途のユースケースに基づいて、GCPを用いた設計ガイドをまとめている。技術力に定評のあるGoogleのクラウドサービスを検討するのに最適な１冊である。

IoTを知らずにこれからのビジネスはできない 「IoT」の全てを網羅した決定版！ 日本だけではなく世界が「IoT(Internet of Things、もののインターネット)」の時代に突入しつつあります。IoTの時代には、身の回りのあらゆるものがセンサーや制御装置を介してインターネットにつながり、データを集める。こうして集めたビッグデータを人工知能(AI)を使って分析し、効率や性能を高めます。さらには、新たなサービスを生み出し、これまでにないビジネスモデルを構築する──。IoTは「第4次産業革命」を起こし、既存のビジネスの世界を激変させるとまで言われています。 こうしたIoTの時代には、全てのビジネスパーソンにIoTの基礎的な知識やスキルが必須となります。あらゆるビジネスがIoTをベースに動くため、IoTを知らなければ仕事ができず、時代に取り残される可能性すらあるのです。一方で、IoTという言葉はよく聞くものの、内容が複雑でよく分からないという人が多いというのも現実です。 本書は「IoT」とは何かについて、基礎から体系的に学べる唯一の書です。IoT分野で使われる用語を網羅し、定義はもちろん、図版や事例を多用しつつ分かりやすく解説しました。 第1章から読んで体系的に学ぶことはもちろん、知りたいことがあったときに参照するという使い方もできます。検定試験「IoT検定」の公式本でもあります。 これから本格化するIoT時代を勝ち残りたいビジネスパーソンにとって、決定版となり得る1冊です。

※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。 変化し、長期運用するシステムの信頼性を確保する！　本書は、現代社会において、変化しつつ長期的に運用される巨大で複雑な複合システムに対し、いかにしてその不具合を減らし、重大事故を防ぎ、信頼性を保ちつつ運用を継続していくかについて体系的に議論した初めての技術書である。機能や構造、その境界が変化するシステムは通常「オープンシステム」と呼ばれる。我々はこのための技術体系を「オープンシステムのためのディペンダビリティ工学」、英文で“Dependability Engineering for Open Systems”、その略称をDEOS（デオス）と呼んでいる。システム開発・保守・運用に従事する技術者、研究者に必携の書である。

●AI＆ソフトウェアテストにおける世界的な第一人者が、 　AIをソフトウェアテストと品質保証の視点から解説！ 　本書は、『Artificial Intelligence and Software Testing:　Building systems you can trust』（BCS, The Chartered Institute for IT：英国コンピュータ協会 刊）の翻訳書です。 　AI（Artificial Intelligence：人工知能）は、ソフトウェアに新しい可能性をもたらすとともに、私たちの生活にも大きな変化を起こしました。もちろん、その品質保証のスタイルも大きな変更を余儀なくされました。本書は、AIをソフトウェアテストと品質保証の視点から解説し、複雑なAIシステムをどのように信頼のあるシステムにしていくかを読者に示します。 　AIは、その機能品質の担保の難しさというデメリットだけではなく、テスト自動化等々のソフトウェアテストに活用できるというメリットも注目され始めています。本書では、これらについても扱います。また、シフトライトテスト（リリース後にユーザーフィードバックを素早く製品に反映すること）や、AIOps（AIを活用したIT運用管理）といったトピックなど、AIにおける品質保証とテストについても扱います。 　AI開発を行なうITエンジニアやテスト担当者に一読いただきたい一冊です。 ●本書の構成 第1章　イントロダクション――Rex Black 第2章　信用できるAIと品質――Adam Leon Smith 第3章　品質とバイアス――James Harold Davenport 第4章　機械学習システムテスト――Adam Leon Smith 第5章　AIベースのテストの自動化――Jeremias Rößler 第6章　ソフトウェアテストのオントロジー――Joanna Isabelle Olszewska 第7章　デジタルツインであるメタバースにおけるシフトライトテスト――Jonathon Wright

※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。 ★音声はどうして言語としてとらえられるのか 図や音声データ・動画を多用し、音声言語処理の仕組みをわかりやすく解説。4部構成。 まず物理学・生理学・心理物理学の切り口から音声言語の仕組みについて説明する。 次に「人間はどのようにして音声を聞き分けるのか」という問いに音声の科学的研究を通して答える。 さらに応用として、音声合成と音声認識の仕組みを解説する。 最後に今後の展望として、言語を獲得する人工知能の可能性について考察する。 掲載図版約160点、音声データ約160個、動画19本収録。 コラムとして、「ハートのこもった音を創る」「音が無いのに聞こえる」など、音声言語にまつわる興味深い話題を25編収録。 言語聴覚士のための教科書または副読本としても使用できる。 [音声ダウンロード・動画YouTube] 〈目次〉 I 音の物理学 1章 静けさの音と音の大きさ ~音が無いとシーンと聞こえるのか~ 2章 音を構成する部品 ~音色は物理的には何なのか~ 3章 スペクトル、そして美しい音とは II 音声科学 4章 音声生成の仕組み ~気管と食道がつながっている!?おかげで~ 5章 脳が音色を感じる仕組み 6章 音の心理物理 7章 言語音声の合成による分析 ~なぜハートは愛/ai/なのか~ III 音声工学 8章 AIがしゃべる人工音声 ~琉球語もしゃべる~ 9章 音声自動認識 ~自分で進化していく機械~ IV 言語の獲得・学習 10章 言語の獲得 ~ヒトとサルの違い~ 11章 言語獲得のモデル ~聞き話す赤ん坊コンピュータ~

AI開発に必要な 数学の基礎知識を しっかり習得！ 【本書の目的】 本書は線形代数、確率、統計／微分といったAI開発に必要な数学の基礎知識をコードを動かしながらわかりやすく解説した書籍です。 【対象読者】 ・数学がAIや機械学習を勉強する際の障壁になっている方 ・ビジネスでAIを扱う必要に迫られた方 ・数学を改めて学び直したい方 ・文系の方、非エンジニアの方で数学の知識に自信のない方 ・コードを書きながら数学を学びたい方 【第2版のポイント】 ・Python 3.12に対応 ・Anaconda及びライブラリのバージョンアップに対応 【目次】 序章　イントロダクション 第1章　学習の準備をしよう 第2章　Pythonの基礎 第3章　数学の基礎 第4章　線形代数 第5章　微分 第6章　確率・統計 第7章　数学を機械学習で実践 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（https://sai-lab.co.jp）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。Web上のコミュニティ「自由研究室 AIRS-Lab」を主宰。オンライン教育プラットフォームUdemyで、20万人以上にAIを教える人気講師。複数の有名企業でAI技術を指導。 ※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。

◆どのようなAIサービスが創れるのか、どのようにAIサービスを創るのか◆ 本書は「AIサービスを創る」ことをテーマとして、AIの基本的理解から、AIサービスの創出、分析、実装に至るまで幅広いトピックを扱います。生成AIが登場して以降、サービスを発案する役割、ビジネスモデルを検討する役割、システムを構築する役割という従来の役割の垣根が薄まる中、AIサービスについて全体を通して理解することの重要性は増しています。本書では、そのような役割の異なる人であってもAIサービスの全体像をつかみやすいよう、各トピックをできるだけ平易にわかりやすく紹介しています。そのうえで、サービス創り全般に対して生成AIを活用するアプローチ＝「AI駆動によるサービス創り」として、生成AIの多様な活用方法について随所で紹介しています。 ■こんな方におすすめ ・生成AIを使ったサービスの開発に興味のある人 ■目次 第一部 AI駆動によるサービス創りの全体像 ●第1章 AIサービスの基本 ・1.1 AIサービスをなぜ作るのか ・1.2 AIサービス創りに必要な3つの観点と3つの分析 ●第2章 AIサービス創りのための3つの観点 ・2.1 どのようなAIサービスを創るか？ ・2.2 観点1：不確実な対象に使う ・2.3 観点2：チャットでないもの、生成しないものにも使う ・2.4 観点3：ドメインの強みを活かす ●第3章 AIサービス創りのための3つの分析 ・3.1 サービス創りの前の事前準備 ・3.2 分析1：ビジネス分析 ・3.3 分析2：効果分析 ・3.4 分析3：リーガル分析 ●第4章 AIサービスの実装方式の種類と選択 ・4.1 AIサービスの実装方式 ・4.2 AIサービスの実装方式の選択 ・4.3 第一部のまとめ：AIサービス開発のはじめの一歩 第二部 AIサービスをノーコードで実装する ●第5章 ChatGPTの基本的な使い方 ・5.1 プロンプト ・5.2 追加データの活用方法 ●第6章 カスタムGPTによるAIサービスのノーコード実装 ・6.1 カスタムGPTの基本 ・6.2 カスタムGPTの応用 ・6.3 第二部のまとめ：AIサービスの可能性と課題 第三部 AIサービスをAPI／OSSモデルで実装する ●第7章 OpenAIAPIによるAIサービスの実装 ・7.1 OpenAIAPI keyの取得 ・7.2 Google Colaboratoryでのコーディングテスト ・7.3 Gradioを用いたデモ作成 ・7.4 Hugging Face Spacesでの公開 ●第8章 生成AIのOSSモデルによるAIサービスの実装 ・8.1 生成AIのOSSモデル利用の利点と注意点 ・8.2 Hugging Faceの生成AIモデルアクセス準備 ・8.3 Google Colaboratoryでのコーディング ・8.4 生成AIのOSSモデルの種類と選択 ・8.5 第三部のまとめ：AIサービスの実装、運用と管理へ向けて 第四部 AIを正しく駆動させるためのAIの理解 ●第9章 AIを理解する ・9.1 AIの基本 ・9.2 ルールベースAI ・9.3 機械学習の基本 ・9.4 分類問題を解くためのAI ・9.5 機械学習に用いるデータ ●第10章 大規模言語モデルを理解する ・10.1 言語モデルの基本 ・10.2 統計的言語モデル ・10.3 ニューラル言語モデル ・10.4 大規模言語モデルの学習 ・10.5 大規模言語モデルのドメイン適応 ・10.6 第四部のまとめ：LLMの現在と未来 ■著者プロフィール 貞光 九月（さだみつ くがつ）：株式会社VAIABLE　ファウンダー。1981年9月福岡県生まれ。筑波大学大学院博士課程修了後、NTT研究所、フューチャー株式会社Chief AI Officer/VPを経て、2022年に株式会社VAIABLEを創設。株式会社マネ―フォワード研究アドバイザを兼任。

※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

※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。 テキストアナリティクスの技術と実践を詳しく解説！ 本書は、アンケートやSNSといったテキストデータを対象とした分析に興味がある方や実務で応用したい方に向けて、テキストアナリティクスに関する基本的な知識と、著者が非常に重要であると考える技術について解説した入門書です。テキストアナリティクスは従来のテキストマイニングにとどまらず、より明確な分析目的や理論的枠組みをもった方法論です。 本書では、データの構築から分析までを行った、汎用性の高い事例を紹介しています。また、単にツールとしてのRの使い方を知るだけでなく、読者が目的に応じた分析方法を判断できるようになるようにまとめています。 サンプルのデータやコードを参考に手を動かしながら学習することができ、初心者の「一冊目」にうってつけです。 はじめに [基礎編] 第1章　テキストアナリティクス入門 　1.1　テキストアナリティクスとは 　1.2　社会で活用されるテキストアナリティクス 　1.3　テキストアナリティクスの活用事例の探し方 　1.4　テキストアナリティクスの歴史 第2章　テキストアナリティクスの理論的枠組み 　2.1　テキストデータの構築 　2.2　テキストデータの分析 [準備編] 第3章　分析データの準備 　3.1　データセットの構築 　3.2　テキストファイルの作成 　3.3　CSVファイルの作成 　3.4　テキスト整形 第4章　Rの基本 　4.1　Rの導入 　4.2　コードの入力 　4.3　変数と代入 　4.4　ベクトル 　4.5　行列とデータフレーム 　4.6　ファイルの操作 　4.7　パッケージのインストール 　4.8　ヘルプの参照 第5章　データ分析の基本 　5.1　データハンドリング 　5.2　文字列処理 　5.3　可視化 　5.4　統計処理 第6章　テキスト分析の基本 　6.1　RMeCabの導入 　6.2　形態素解析 　6.3　単語の分析 　6.4　n-gramの分析 　6.5　共起語の分析 　6.6　複数テキストの分析 　6.7　頻度表の加工 　6.8　用例検索 [実践編] 第7章　授業評価アンケートの分析 　7.1 授業評価アンケートに基づく授業改善 　7.2 分析データ 　7.3 単純な頻度集計 　7.4 品詞別の頻度集計 　7.5 用例検索 第8章　オンラインレビューを用いたクチコミ分析 　8.1 マーケティングのためのクチコミ分析 　8.2 分析データ 　8.3 レビューの評価と集計 　8.4 低評価コメントと高評価コメントの比較 　8.5 共起語の集計 　8.6 共起ネットワークによる可視化 第9章　スクレイピングによる特徴語抽出 　9.1 スクレイピングによるデータ収集 　9.2 分析データ 　9.3 特徴語抽出 　9.4 用例検索 第10章　警察白書のトピック分析 　10.1 白書から見る現代社会の諸相 　10.2 分析データ 　10.3 トピックモデル 　10.4 階層型クラスター分析 第11章　文学作品の著者推定 　11.1 文体識別指標を用いた著者推定 　11.2 分析データ 　11.3 箱ひげ図 　11.4 対応分析 　11.5 ランダムフォレスト おわりに 参考文献 索引

※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。 企業システムに関わる人が知っておくべきGoogle Cloudのサービスを 網羅的にわかりやすく解説 3つのシナリオにおける設計の進め方や注意点も収録 Google Cloudは企業情報システムへの対応を急速に進めており、DX（デジタルトランスフォーメーション）での存在感を高めています。本書は、企業情報システムの担当者やシステム企画部門、サービスを開発・運営する事業部門の担当者などが知っておくべきGoogle Cloudのサービスを網羅的に分かりやすく解説した一冊です。 データベースやセキュリティー、機械学習など11のカテゴリーに分けて重要なサービスを1つひとつ平易に解説しており、Google Cloudの基本的な知識を体系立ててつかむことができます。「ハイブリッドクラウドの構築」「データ分析基盤の構築」「IoT・機械学習システムの構築」という3つのシナリオにおける具体的な開発の進め方、設計例、考慮すべきポイントも収録しました。

ゲーム開発者、AIエンジニア、 すべての意思決定に悩んでいる方に必見！ 戦略ゲームAIの仕組み、戦略的意思決定プロセスを紐解くバイブル書 【戦略ゲームAIについて】 戦略ゲームの元にとなるストラテジー＆シミュレーションゲームはボードゲームを発端として、発展してきました。 近年では、スマートフォン向けのソーシャルゲームを筆頭に、数多くのゲームでストラテジー＆シミュレーション要素が取り入れられており、 いまやゲーム開発において戦略ゲームAIは避けて通れない非常に重要な要素になっています。 またゲーム開発のみならず、一般の人工知能開発、複雑な意思決定のプロセス形成において、その技術は非常に注目されています。 【本書の特徴】 ストラテジー＆シミュレーションゲームに利用されている戦略ゲームAI技術について、 国内や海外の事例を交え、その仕組みを丁寧に解説した書籍です。 基本的な技術の概論の解説から始まり、 著者が注目するシミュレーション＆ストラテジーゲームAIのアルゴリズムについて、 ビジュアルを交えながら解説します。 【読者対象】 ・ゲーム開発者 ・AI開発者 ・意思決定に興味を持つ方 【本書のゴール】 戦略ゲームAIの仕組みを学ぶことができる 【プロフィール】 ゲームAI研究者・開発者。 京都大学で数学を専攻、大阪大学（物理学修士）、東京大学工学系研究科博士課程（単位取得満期退学）。 博士（工学、東京大学）。2004年よりデジタルゲームにおける人工知能の開発・研究に従事。 国際ゲーム開発者協会日本ゲームAI専門部会設立（チェア）、日本デジタルゲーム学会理事など。 ※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。

シンギュラリティ前夜！ 脳科学と人工知能の接点がわかる！ 【本書の概要】 本書はUdemyで大人気の講座、 『脳科学と人工知能：シンギュラリティ前夜における、人間と機械の接点』 をもとにした書籍です。 脳と人工知能のそれぞれの概要から始まり、 脳の各部位と機能を解説した上で、 人工知能の様々なアルゴリズムとの接点をわかりやすく解説。 脳と人工知能の、類似点と相違点を学ぶことができます。 後半の章では「意識の謎」についても解説します。 【シンギュラリティ】 また近年、人工知能の分野では「シンギュラリティ」という概念が注目されています。 シンギュラリティとは指数関数的に高度化する技術や人工知能が未来に人間の知能を凌駕するという概念ですが、 本書を読むことでそうしたシンギュラリティへの洞察力も養うことができます。 【対象読者】 ・人工知能に強い関心があり、人工知能の背景にある天然の「知能」の仕組みについて知りたい方 ・人工知能に関して、技術面以外の知識、特に生物学的側面を知りたいエンジニア ・人工知能の未来と、自身のキャリアを関連付けて考えたいビジネスマン ・素朴に、「ヒトって何？」という疑問のある方 ・知性の本質をアルゴリズムで探究したい方 【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。 著者のYouTubeチャンネルでは、無料の講座が多数公開されている。 ※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。 プログラミングなしで人工知能をはじめよう！ 　本書は，何か人工知能を活用してみたいが，プログラミングを学ぶのはハードルが高い，どんなことができるのかまずは試してみたい，という方をおもな対象として，Azure Machine Learning Studio (classic)を用いたノンプログラミングでの人工知能手法を紹介するものです． 　Azure Machine Learning Studio (classic)はMicrosoft社の提供するクラウドサービスで，一般的なブラウザ上でドラッグ＆ドロップによるビジュアル操作を用いて，人工知能（機械学習）を実践することができます．機能単位のアイコンとアイコンとを配線することで，さまざまな分析をおこなうことができます． 　基本的な人工知能手法の解説に留まらず，「カップの振動」に対する教師あり学習，「扇風機の異常」を教師あり学習で分類する，水位の推定などの数値予測，「地目別平均地価」に対する教師あり学習，「ICTサービスの利用動向」に対するクラスタリング，「扇風機の異常動作」に対するSVMを用いた異常検知などの具体的な例を取り上げて解説することで，実践的な人工知能の手法をお試しできるようになっています． 1.　AIとは？ 2.　Azure Machine Learning Studio (classic)の利用準備 3.　データ形式の理解と準備 4.　Azure Machine Learning Studio (classic)における処理の全体構造 5.　Azure Machine Learning Studio (classic)へのデータ入出力 6.　Azure Machine Learning Studio (classic)内における前処理 7.　教師あり学習 8.　数値予測 9.　グルーピングと異常検知 10.　学習と推定についての評価 11.　独自処理 12.　Webサービス化とAndroidアプリ作成

※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。 パターン認識の決定版教科書、待望の改訂2版！ 本書は1998年刊行の『わかりやすいパターン認識』の改訂版です。パターン認識を初めて学ぶ読者をおもな対象として、扱うテーマを基本的な項目にしぼり、それらを重点的かつ詳細に解説しました。 　改訂にあたっては、具体例・実験例をもっと増やしてほしいという初版に与えられた要望に答え、補足・実験例、演習問題を加えました。演習問題の詳細な解答はオーム社のホームページに掲載されています。初版発行から20年の間に開発・提案された新しい手法の解説ではなく、基本的な内容を充実させ、より使いやすい書籍となるように改訂いたしました。 第1章　パターン認識とは 第2章　学習と識別関数 第3章　誤差評価に基づく学習 第4章　識別部の設計 第5章　特徴の評価とベイズ誤り確率 第6章　特徴空間の変換 第7章　部分空間法 第8章　学習アルゴリズムの一般化 第9章　学習アルゴリズムとベイズ決定則

進化したWatsonでAIアプリを開発しよう！ AIサービスの先駆けでもある「Watson（ワトソン）」。 近年急激な進化を遂げています。 機械学習や深層学習を利用したアプリケーション開発において 利用する開発者の方も増加してきています。 本書は、そうしたWatson の主力サービスである、 ・Watson Assistant ・Watson Discovery ・Watson Studio を軸にした開発手法を紹介する書籍です。 第1部では、Watson、Watson APIとIBM Cloudを利用した AIサービス開発の基本を紹介します。 第2部では、「Watson Assistant」「Watson Discovery」「Watson Studio」を利用した AIサービスの開発手法を紹介。 最終章では、ハタプロ社のロボット「ZUKKU（ズック）」の事例なども紹介します。 ※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。

【背景】 近年、RPAをビジネスの現場で積極的に利用しようとする動きが活発です。 RPAとはロボティック・プロセス・オートメーションの略語で、 日常の定型業務をソフトウェアに代行させ、自動化を図ることです。 RPAが注目される理由としては、 ・慢性的な人員不足 ・システムの乱立とつなぎ業務の多さ ・製造業の成功 が背景にあります。 【書籍の概要】 本書は、長年自動化システムについて業務開発を行ってきた著者が、 オープンソースのRPAソフトウェアを組み合わせて、 RPAシステムを構築する手法を解説した書籍です。 RPAシステムで利用するソフトウェアはオープンソース「Sikulix」を利用します。 第1部ではRPAシステム開発の基本について簡単なシステム構築を元に解説します。 第2部では需要の高いRPAモデルケースを元に開発の勘所を中心に解説します。 【対象読者】 システムエンジニア 【Sikulix（シクリ）について】 OpenCV（インテル社が開発・公開したオープンソースの画像解析ライブラリ）を利用した GUIオートメーションツールです。 【著者】 小佐井 宏之（こさい・ひろゆき） 福岡県出身。京都工芸繊維大学同大学院修士課程修了。 まだPCが珍しかった中学の頃、プログラムを独習。 みんなが自由で豊かに暮らす未来を確信していた。あれから30年。 逆に多くの人がPCに時間を奪われている現状はナンセンスだと感じる。 業務完全自動化の恩恵を多くの人に届け、無意味なPC作業から解放し 日本を元気にしたい。株式会社完全自動化研究所 代表取締役社長。 ※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。 Pythonで機械学習に必要な統計解析を学べる!! 機械学習を使いこなすには、確率・統計に根ざしたデータ解析の基礎理論の理解が不可欠です。そこで本書は、Pythonの簡単な使い方から確率・統計の基礎、統計モデルによる機械学習を解説します。 第I部　Pythonによる計算 　第1章　Pythonの初歩 　第2章　確率の計算 第II部　統計解析の基礎 　第3章　機械学習の問題設定 　第4章　統計的精度の評価 　第5章　データの整理と特徴抽出 　第6章　統計モデルによる学習 　第7章　仮説検定 第III部　機械学習の方法 　第8章　回帰分析の基礎 　第9章　クラスタリング 　第10章　サポートベクトルマシン 　第11章　スパース学習 　第12章　決定木とアンサンブル学習 　第13章　ガウス過程モデル 　第14章　密度比推定 付録A ベンチマークデータ 　A.1 UCI Machine Learning Repository 　A.2 mlbench 　A.3 datasets 参考文献 Python索引 用語索引

※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。 深層強化学習の入門から実装まで、この一冊でわかる！ アルファ碁などのゲームAIやロボットアームの制御、自動運転などで注目されている深層強化学習の基礎と、Pythonによる実装について解説した入門書です。 強化学習に適したライブラリであるChainer（ChainerRL）と、AIシミュレーション環境であるOpenAI gymを用いて解説しています。 ソフトウェアシミュレーションだけでなくRaspberryPiとArduinoを用いた実環境への応用も解説しているので、ソフト・ハード問わず自身の課題に深層強化学習を応用することができるようになっています。 1章 はじめに 2章 深層学習 3章 強化学習 4章 深層強化学習 5章 実環境への応用 付録 付録1 VirtualBoxのインストール 付録2 RaspberryPiの設定 付録3 Arduinoのインストール 付録4 Graphical Processing Unit（GPU）の利用 付録5 Intel Math Kernel Libraryを用いたNumPyのインストール

自社システムに人工知能を導入したいときに読む本！ 人工知能の開発は進んでいますが、人工知能システムを開発するプロジェクトマネージャーの数は現在足りておらず、その数は今後さらに必要になっていきます。 また、大規模システムに人工知能が入るようになっていくと、それを運用・保守する仕事も必要となります。 しかし、人工知能の運用・保守に関するノウハウは世にほとんど存在せず、近い将来大きな需要が生じることが予想できます。 本書では、人工知能のシステムの企画に対して提案して開発し運用・保守したい人向けに、 人工知能システムの企画書の書き方やベンダーの提案書や開発計画の良し悪しの判断基準、 人工知能システムの開発および運用・保守の一連のプロセスについて解説します。 【本書のポイント】 ・人工知能の導入を検討しているビジネスマン向けの人工知能プロマネ読本 ・人工知能システムの企画書が書けるようになる ・ベンダーに要求仕様を提案したり、ベンダーの提案書や開発計画の良し悪しが判断できるようになる ・人工知能システムの開発および運用・保守の一連のプロセスを把握できる ※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。

■AIについての最も重要な命題=人類はAIを制御できるか、という「AIコントロール問題」と真正面から格闘した本命本。 ■近未来に、汎用的な能力においても思考能力においても、そして、専門的な知識・能力においても、人類の叡智を結集した知力よりもはるかに優れた超絶知能(スーパーインテリジェンス)が出現した場合、人類は滅亡するリスクに直面する可能性がありうる。そのリスクを回避するためには、スーパーインテリジェンスを人類がコントロールできるかどうかが鍵を握る。果たして、そのようなことは本当にできるのか? ■オックスフォード大学の若き俊英、ニック・ボストロム教授が、スーパーインテリジェンスはどのようにして出現するのか、どのようなパワーを持つのか、いずれ人類がぶち当たる可能性のある最大の難問、「AIのコントロール問題」とは何か、解決策はあるのかなどについて、大胆にして、きわめて緻密に論じる。2014年秋に原著が出版されるや、瞬く間にニューヨーク・タイムズ紙ベストセラーとなり、イーロン・マスク、ビル・ゲイツ、S・ホーキング博士およびその他多数の学者や研究者に影響を与え、AIの開発研究は安全性の確保が至上命題であることを広く認識させるきっかけとなった。 ■近未来においてスーパーインテリジェンスは実現する可能性はあるのか? どのようなプロセスで実現されるのか?スーパーインテリジェンスはどのような種類の能力をもち、人類に対してどのような戦略的優位性をもつのか? その能力が獲得される要因は何か? 人類が滅亡する危機に直面するリスク、人類との共存の可能性についてどう考えるべきか? これらAIをめぐる真に根源的な問題について著者は、類書をはるかに超えた科学的、論理的な考察を徹底して慎重に積み重ね、検証する。

※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。 機械学習で捗るテキストマイニング！ 機械学習を用いた本格的なテキストマイニングをやさしく解説！ 本書は、フリーの分析ツールであるRを用いて、機械学習による大規模なテキストデータ解析の手法などをわかりやすく解説した書籍です。 (1) ウェブからのテキストデータの自動収集、(2) 生の「きたない」データを分析しやすい「きれいな」データにするための前処理、(3) 大規模データを解析するための機械学習の手法、(4) 分析結果を顧客や上司に分かりやすく伝えるための可視化の手法を丁寧に解説しています。 解説は、数式が苦手な読者もすんなりと読めるように、手法の原理を直感的に理解できるイラスト・図面を多用した構成としています。 主要目次 Part I　テキストマイニング 第1章　自然言語処理 第2章　テキスト処理 第3章　スクレイピング Part II　機械学習 第4章　データハンドリング 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　教師なし学習

データを使い、業務改善をしてビジネスに貢献する。その担い手として情報システム部門が期待されています。本書はデータを整え、活用する「データマネジメント」の体系を提示し、計画の立て方、取り組む際の勘所、実例を網羅した一冊です。 　複数システムに散在するデータの統合手法について一章を設けました。企業合併や国際化にあたって必須の活動です。さらに著者が30年かけて分析した「データモデルパターン」を初公開しました。商品管理、価格、契約、予実対比のパターンを見ると、業務の改善や設計の糸口が得られます。 　手法ごとに実践事例を掲載しました。ビッグローブ、ホンダ、ヤマハ発動機、NTTデータ、大成建設、JCBの実務者が寄稿しています。

※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。 ＜A5判の書籍を固定レイアウトで制作したものです。大きめの端末でご覧ください＞ GQM+Strategies（目標・質問・メトリクス＋戦略）アプローチ 　本書で解説するGQM+Strategies（目標・質問・メトリクス＋戦略）アプローチは、目標に沿って測ることを決めるという意識的・無意識的に広く用いられているGQM（目標・質問・メトリクス）法を拡張し、残念なITシステムを作らないようにするためのものである。具体的には、測定を通じて目標を定量管理する中で、組織のあらゆる箇所や階層において目標とITシステム化に代表される戦略を整合させ、改善させ続けることを可能とする。 　本書執筆にあたっては、ドイツIESE研究所（実験的ソフトウェア工学研究所）ならびに日本国内における豊富な実践適用を経た結果を反映させており、経営者や投資（特にIT投資）を検討する立場の方から、戦略（特にITシステム）の企画立案や運用に携わる方まで、幅広く役立つものとなっている。 ★このような方におすすめ 企業のITシステム開発者 ★目次 第1章　まず理解しておくこと 第1部　GQM＋Strategiesアプローチ 第2章　GQM＋Strategiesのポイント 第3章　フェーズ0：初期化 第4章　フェーズ1：環境の特性化 第5章　フェーズ2：目標と戦略の設定 第6章　フェーズ3：実行計画の策定 第7章　フェーズ4：計画の実行 第8章　フェーズ5：成果の分析 第9章　フェーズ6：結果のまとめ 第2部　業界への適用と他の手法との関係 第10章　各社の適用例 第11章　他のアプローチとの関係 第12章　まとめと今後に向けた見解 付録A　GQM＋Strategiesプロセスチェックリスト 付録B　GQM＋Strategies評価アンケート

※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。 ファインチューニングについて，具体的なPythonコードを通じて基本から実践までわかりやすく説明 本書は，画像識別や自然言語処理といった実務における代表的なタスクで現れるモデルのファインチューニング，さらに近年著しく発達している生成AIモデルのファインチューニング，および，強化学習を活用したファインチューニングについて，それぞれ具体的なPythonコードを通じて基本から実践までわかりやすく説明した書籍です． ファインチューニングを実務で活用することを目指すエンジニアや研究者，および学生の方々を対象に，実務に直結したアドバイスや具体的な手法を提供し，現場での実践力を高めていただくことを目標としています． それぞれのタスクを実施するための手続きを「レシピ」としてパッケージ化して，その中身を「レシピの概要」「事前準備」「ファインチューニング実装」「評価」「応用レシピ」としています．具体的なPythonコードを通じて基本的かつ実践的な考え方を理解していただき，さらにそれを読者の皆さん自身の課題に合わせて修正できるようにしています． これからファインチューニングを始めたい，あるいはファインチューニングの実践におけるコツを知りたい方におすすめの書籍です． Chapter 1　ファインチューニングの基礎知識 Chapter 2　画像のファインチューニング Chapter 3　自然言語処理のファインチューニング Chapter 4　生成AIのファインチューニング Chapter 5　強化学習によるファインチューニング Appendix　 評価指標

※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。 情報技術において欠かせない「データベース」の基礎を体系的に解説した教科書 本書は、データベースの基本概念から、データベースのモデル、SQL、論理設計やDBMS、ファイル編成などデータベースの基礎を体系的に、できるだけ図や例を多く用い、データベースとは何か直感的に理解できる教科書です。 ERモデルから関係モデルへの変換方法だけでなく、「基幹系と解析系（情報系）」「マスターテーブル、ファクトテーブル、スタースキーマ」なども解説しており、「データベース」の実務的な基礎を固めるうえで役立ちます． 第1章　データベースの概念 第2章　関係データベース 第3章　関係代数 第4章　SQL 第5章　概念スキーマ設計 第6章　意思決定支援のためのデータベース 第7章　データの格納と問合せ処理 第8章　トランザクション 演習問題略解

※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。 Raspberry Piでアイデアを自由自在に実現するためのデザインパターンを整理。 本書は、Raspberry Piを使ってアイデアを自由自在に実現するための、デザインパターンを整理した書籍です。 Raspberry Piの入門書を読んだだけでは、思いついたアイデアをもとに、実際に動く電子工作を製作することはほぼ不可能です。本書では、アイデア実現に必要なソフトウェア、ハードウェア、部品の集め方、配線などのノウハウを、パターンメイドの方法でわかりやすく紹介しています。 ハードウェアを買い集めて、実際にハードウェアとソフトウェアを組んでみようと思い立った際に、ぜひ一読ください。 ステップ1　とりあえずRaspberry Piを動かしてみる ステップ2　何かをRaspberry Piにつなげるしくみ ステップ3　つなげた何かを動かす準備 ステップ4　手先を動かすことが必要 ステップ5　点灯させて押してみる ステップ6　Arduinoとコラボする ステップ7　動きを計ってみる ステップ8　何かを表示してみる ステップ9　何かを動かしてみる ステップ10 電源は大事 ステップ11 Node.jsとコラボする ステップ12 Mathematicaの使いこなし ステップ13 手順も技術の1つ

※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。 ゲームAI手法を技術開発に必要な基礎的な内容から解説！ 本書は、最近のゲームAI手法をさまざまな実例で解説するとともに、実際にゲームAIを構築できるような技法の習得を目指します。さらに、人工知能の最新の話題として、人間らしいゲームAIや深層学習、機械学習、強化学習についても解説しています。 第1章　パズルとゲームのAI今昔物語 第2章　パズルを解くAI 第3章　制約従属のパズルと非単調な推理 第4章　ゲームを解くAI 第5章　学習・進化とゲームAI 第6章　ゲームAIと人間らしさ 参考文献 索引

※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、大量データを解析するデータマイニングについて、理論の基礎から解析手法まで、Rを使ったアルゴリズムの例題を交えてていねいに解説します。主な構成は、第１部でRを使ったデータマイニングの簡単な分析と探索的データ解析およびデータの可視化について解説、第２部でデータマイニングの一連の流れについて解説、第３部でRを使った、データマイニング手法をサンプルデータでコードを示して解説、現実のデータマイニング事例を紹介という流れで解説します。

Excel VBAを本気で自分のものにしたい方、入門書を終えてから一気のレベルアップを狙う方、ユーザーフォームやコントロールなど実務でExcel VBAを思いのままに操りたい方、そんなExcel VBAユーザーの皆さまにとっての最高の教科書です。 マクロ記録やVBEの使い方といった基本のキから、関数、イベント、エラー処理まで、Excel VBAプログラミングにマストな22テーマを完全網羅。本書をやりきることで、Excelユーザーの方がExcel VBAプログラマーと名乗れるレベルに到達できることを請け合います。

※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。 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。 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 ◆目次 Chapter 1 本書の概要とPythonの基礎 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 Chapter 3 記述統計と単回帰分析 Chapter 4 確率と統計の基礎 Chapter 5 Pythonによる科学計算（NumpyとScipy） Chapter 6 Pandasを使ったデータ加工処理 Chapter 7 Matplotlibを使ったデータ可視化 Chapter 8 機械学習の基礎（教師あり学習） Chapter 9 機械学習の基礎（教師なし学習） Chapter 10 モデルの検証方法とチューニング方法 Chapter 11 総合演習問題 Appendix　本書の環境構築について/練習問題解答/参考文献・参考URL

※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。 見えないAIリスクを“見える化”する、生成AI時代の実務ガイド いま、生成AIを活用して新しいサービスを作りたい、自社の業務にAIを取り入れたいという企業が増えています。 しかし、導入や運用の段階で注意すべき法律上のポイントを、明確に理解している人はまだ多くはありません。 本書では、AIに関する法務リスクを体系的に整理し、「ここだけは押さえておきたい実務の勘所」を分かりやすくまとめています。 法律の専門書というよりも、「何を相談すればいいのか分からない」「どこまで聞けばいいのか迷う」という方のための、最初の一冊としてお役立ていただけます。 この書籍を読むことで、AIに関する法的リスクを全体的に把握できます。 開発や運用における法務上の問題点を、一般論から具体的な事例まで体系的に理解できます。 〇AIに関する法的リスクを全体的に把握できる 開発や運用における法務上の問題点を、一般論から具体的な事例まで体系的に理解できます。 〇AI導入・運用の各段階で注意すべきポイントが分かる 企画・開発・運用といったフェーズごとに、どの場面でどんなリスクがあるのかを明確にできます。実際に注意点を把握したうえで運用・開発計画が立てられるので、計画進行中のトラブル発生のリスクを軽減できます。 〇参照すべき法律・ガイドラインを見つけられる ポイントを把握することで、自社に関係するルールやガイドラインをスムーズに確認できます。 〇有識者・法律家・弁護士への相談がスムーズになる どのように相談すれば良いかのイメージがつかめるため、具体的で効率的なやり取りが可能になります。結果として、法務上・ビジネス上の落とし穴を事前に可視化でき、無駄なコストやトラブルを避けられます。 ◎有識者・法律家・弁護士に相談するための下地をつくり、安心してAI活用を進めるための実務的なガイドブックです。 AIを活かした開発や事業を安全に、そして前向きに進めたい方におすすめです。 序章　LLM開発者、LLMを使うスタートテック経営者の皆様へ 第1章　LLMモデル開発、運用とかかわる法律権利の一覧 第2章　LLMモデルの開発運用までのスケジュール 第3章　モデル開発に関する法務 第4章　モデル運用に関する法務 第5章　LLM開発者、提供者として知るべきAIに関する考え方 第6章　おわりに―開発運用後にLLM事業者の進むステージ

※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。 ◆勾配がなくても、答えは見つかる◆ ブラックボックス最適化は、関数の内部構造や勾配に依存せず、出力値のみに基づいてパラメータを調整する枠組みであり、科学・工学・産業の幅広い分野で活用されています。本書では、その中でも代表的なCovariance Matrix Adaptation Evolution Strategy（CMA-ES）を体系的に解説します。CMA-ESは優れた性能を誇る一方、研究の積み重ねによって段階的に発展してきたため、初心者が一から正しく理解するのは容易ではありません。本書の前半では、アルゴリズムの基本や設計指針を直感的にも理解できるよう解説し、後半では混合変数最適化や多目的最適化、ノイズを含む観測といった現実的な問題設定への応用を扱います。加えて、具体例や数値実験を通じて理解を深められるよう構成し、再現可能なPythonコードも公開しています。対象読者は、実務でパラメータチューニングに取り組む技術者や、CMA-ESを研究で扱う学生・研究者です。本書は、ブラックボックス最適化に取り組む読者にとって、これまでにない包括的なガイドとなることを目指しています。 ■目次 第1章 ブラックボックス最適化 ・1.1 問題設定 ・1.2 CMA-ESの活躍する場面 ・1.3 本書のゴールと構成 第2章 分布パラメータの更新則 ・2.1 挙動の直感的理解 ・2.2 多変量正規分布 ・2.3 候補解のサンプリング ・2.4 平均ベクトルの更新 ・2.5 共分散行列の更新 ・2.6 ステップサイズの更新 ・2.7 CMA-ESのアルゴリズム ・2.8 ハイパーパラメータの設定 ・2.9 Pythonによる実装例 ・2.10 上下限制約の対処 ・2.11 初期分布の設定方法 第3章 ベンチマークによる挙動解析 ・3.1 ベンチマーク関数 ・3.2 可視化指標 ・3.3 実験結果と考察 第4章 設計原理 ・4.1 不偏性 ・4.2 不変性 ・4.3 自然勾配法 第5章 高次元最適化 ・5.1 CMA-ESの時間・空間計算量 ・5.2 Sep-CMA-ES ・5.3 VD-CMA-ES ・5.4 共分散行列モデルと収束レートの関係 ・5.5 実験結果と考察 ・5.6 より発展的な手法 ・5.7 pycmaライブラリからの利用 第6章 学習率適応 ・6.1 サンプルサイズ適応と学習率適応 ・6.2 多峰性関数と学習率の関係 ・6.3 学習率適応法 ・6.4 実験結果と考察 ・6.5 cmaesライブラリからの利用 ・6.6 実用上の注意 第7章 混合変数最適化 ・7.1 問題設定 ・7.2 CatCMA with Marginの概要 ・7.3 連続・整数変数の最適化 ・7.4 カテゴリカル変数への対処 ・7.5 数値実験と性能評価 ・7.6 cmaesライブラリからの利用 第8章 多目的最適化 ・8.1 問題設定 ・8.2 スカラー化法 ・8.3 進化的多目的最適化法 ・8.4 スカラー化法と進化的多目的最適化法の選択 ・8.5 実験と考察 ■著者プロフィール 野村将寛（のむらまさひろ）：2015年名古屋工業大学工学部卒業、2017年東京工業大学大学院総合理工学研究科知能システム科学専攻修了、2025年東京科学大学情報理工学院博士後期課程修了。博士（工学）。同年4月より東京科学大学情報理工学院助教。主な研究分野はCMA-ESをはじめとするブラックボックス最適化や機械学習におけるハイパーパラメータ最適化であり、進化計算に基づくアルゴリズムの設計と応用に従事。近年の研究成果はAAAI、CIKM、GECCO、ICML、IJCAI、WebConfといった主要国際会議で発表されており、GECCO 2022、2023、2025ではBest Paper Awardにノミネートされている。 秋本洋平（あきもとようへい）：2007年3月東京工業大学工学部情報工学科早期卒業、2008年3月同大学大学院総合理工学研究科知能システム科学専攻修士課程早期修了、2011年3月同博士課程修了。博士（工学）。2025年9月より筑波大学システム情報系教授。進化戦略の理論から応用に至る研究に従事し、これまでにCMA-ESに関する論文を学術論文誌および国際会議にそれぞれ30件以上公表しているCMA-ESを含む進化戦略の教育および普及活動にも努めている。

※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。 感性情報処理では，人々のものやコト，サービスに関する感性情報を収集し，それらを解析して，どのような要素や特徴が人々のどのような感じ方につながるのかを解明したり，人々の感性情報を用いて，その人好みのものやコト，サービスを提案するシステムを開発したりします．本書では，感性情報処理について，特に前者に焦点を当て，ざっくばらんに理解することを目的としています．主眼点は，感性情報を得る対象はどのようなものか，感性情報はどのように計測されるか，取得した感性情報はどのように解析･利用されるかの3点です．

◆変化の激しい生成AIの本質としくみを理解する◆ 　生成AI技術は目覚ましい進歩を続けています。そのため、表面的なトレンドを追うだけでは、そのしくみを理解することが困難になっています。こうした状況において、本書は生成AIを支える理論的基礎について原論文レベルまで深く踏み込んで解説し、読者が技術の核心部分を理解できるよう導く一冊です。本書の主な特徴は、以下の3つにあります。 　1つ目の特徴は、Transformerから推論時のスケーリング則に至るまでの「生成AIの重要な理論」について、原論文の内容を参照しながら数式と図版を用いて詳細に解説しています。2つ目の特徴は、英語・日本語を問わず既存の文献ではあまり扱われていない分布仮説の実験的根拠や拡散モデルの数学的保証など、「生成AIを理解する上で、重要であるものの他の書籍などで十分に扱われていない理論」も丁寧に掘り下げています。3つ目の特徴として、「演習問題とGitHubサポートページを連携させた読者参加型の学習環境」を提供し、より深い学びをサポートしています。 　本書を通じて読者は、生成AIに関わる重要な理論について深い理解を得ることができるだけでなく、原論文レベルの内容を読み解く力を身につけることができます。これにより、新たなモデルや技術動向を独力で理解し、急速に変化する技術トレンドへの自律的なキャッチアップ能力を獲得することができるでしょう。表面的な知識ではなく、生成AI技術の本質的な理解を求める全ての方にとって、必携の一冊です。 ■こんな方におすすめ ・生成 AI 分野の理論の基礎をキャッチアップしたいと考えている方々 ・機械学習を学んでいる学部生や院生の方々 ・機械学習を業務で活用しているエンジニア ・異分野の研究者の方々 ■目次 第1章 本書の読み方と論文を読み解く技術 ・1.1 本書の読み方 ・1.2 論文を読み解く技術 ・1.3 本書における数式記法 第2章 入力データの特徴量化 ・2.1 埋め込みと分布仮説 ・2.2 サブワードの必要性とトークン化 ・2.3 バイト対符号化 (Byte Pair Encoding) ・2.4 サブワードユニグラム言語モデル ・2.5 SentencePiece ・2.6 文字単位よりも細かいサブワード分割 ・2.7 トークナイザーは本当に必要なのか 第3章 生成AI モデルの大前提となるTransformer ・3.1 Transformer の全体像 ・3.2 位置埋め込み (Positional Encoding) ・3.3 マルチヘッド注意 ・3.4 エンコーダーとデコーダーの共通要素 ・3.5 デコーダーの出力部分 ・3.6 モデルの学習と実験結果 第4章 Generative Pre-trained Transformerとテキスト生成 ・4.1 複数タスクモデルとしての GPT-1, 2 ・4.2 生成モデルとしての GPT-3, 4 ・4.3 テキスト生成モデルの性能を高めるための要素 第5章 拡散モデルと画像生成 ・5.1 画像分類モデルとしての Vision Transformer ・5.2 拡散モデル ・5.3 画像生成モデル Diffusion Transformer 第6章 テキストと画像の融合 ・6.1 テキストと画像を関係づけるCLIP ・6.2 text-to-imageモデル unCLIP ・6.3 text+image-to-imageモデル Imagic ・6.4 text+image-to-text の実現方法 第7章 生成 AI モデルのスケーリング則 ・7.1 生成AIモデルの事前学習スケーリング則 ・7.2 テキスト生成の推論スケーリング則 第8章 生成 AI モデルの評価 ・8.1 人間による相対評価 ・8.2 高い専門性を有するタスクでの評価 Appendix A.1 参考文献の取り扱い Appendix A.2 Landauのビッグオー記法と計算量 ■著者プロフィール 菊田 遥平：1986年生まれ。2014年総合研究大学院大学高エネルギー加速器科学研究科素粒子原子核専攻修了。博士（理学）。機械学習と生成AIの専門家として、複数の企業で研究開発・プロダクト開発・開発組織のリードなどを経験。X：@yohei_kikuta

◆世界一やさしいRAG（AIチャットボット）の教科書◆ 本書では、RAGの基本概念から構築・活用までを徹底的にわかりやすく解説しています。初心者でも理解しやすいよう、図解をふんだんに用いて、従来技術との違いを明確にし、さらに実際にRAGを動かせるコードも掲載しています。具体的な内容は以下のとおりです。 ● 生成AIの基礎知識：生成AIの仕組みや活用方法を学び、ChatGPTをはじめとする大規模言語モデル（LLM）の特徴や制約を理解します ● Azureの基礎知識：Azureの基本的な概念や主要なサービスについて理解し、RAGを構築する際に必要なクラウド環境の知識を身につけます ● RAGの概念：RAGの基本原理を学び、従来のチャットボットとの違いや、どのようにしてより正確な回答を導き出せるのかを把握します ● RAGの構築方法：Azure OpenAI ServiceやAzure AI Searchを活用し、実際に動作するRAGを構築する手順を学びます ● RAGの評価と改善手法：RAGの回答精度を評価するための方法や、回答精度を高めるためのチューニング手法を学びます 本書ではクラウド基盤としてMicrosoft Azureを使用していますが、解説の中心はRAGの基本概念にあります。そのため、他のクラウド環境でも応用できる内容になっています。 ■目次 ●第1章 生成AIに挑戦すべき理由 ・1.1 生成AIとは ・1.2 生成AIによって仕事はどう変わるのか ・1.3 独自情報に基づいた生成AIによるチャットシステム「RAG」 ・1.4 まとめ ●第2章 OpenAIとAzure OpenAI Service ・2.1 OpenAIとは ・2.2 OpenAIとAzure OpenAI Serviceの関係 ・2.3 本書でAzure OpenAI Serviceを利用する理由 ・2.4 まとめ ●第3章 Azureを使ってみよう ・3.1 Microsoft Azureとは ・3.2 Azureの主要サービス ・3.3 Azureの課金体系 ・3.4 コスト管理の重要性 ・3.5 Azureのサブスクリプション契約 ……ほか ●第4章 Azure OpenAI Serviceを使ってみよう ・4.1 Azure OpenAI Serviceを利用するための土台作り ・4.2 AIの実行環境 ・ Azure AI Foundryでできること ・4.3 AIとチャットをしてみる ・4.4 AIで画像を生成してみる ・4.5 まとめ ●第5章 Azure OpenAI Serviceのさまざまな機能 ・5.1 トークンとは ・5.2 モデルとデプロイ ・5.3 コンテンツフィルター ・5.4 クォータの制限と管理 ・5.5 認証 ……ほか ●第6章 簡単な生成AIアプリを作ってみよう ・6.1 作成する生成AIアプリの概要 ・6.2 開発方法 ・6.3 開発環境構築 ・6.4 ソースコードの説明 ・6.5 小説生成アプリの実行 ……ほか ●第7章 社内ナレッジを活用する生成AIチャットボット（RAGアプリ）を作ってみよう ・7.1 RAGの基本のおさらい ・7.2 RAGアプリの情報検索を担うAzure AI Search ・7.3 Azure AI Searchの検索手法 ・7.4 作成する社内規程検索RAGアプリの概要 ・7.5 開発方法 ……ほか ●第8章 RAGアプリをどうやって運用していくのか ・8.1 RAGの運用 ・8.2 RAGの評価方法 ・8.3 RAGの評価ツール ・ Prompt Flow ・8.4 簡単なフローを動かしてみよう ・8.5 RAGの評価指標 ……ほか ●第9章 進化のはやい生成AIアプリ開発についていくために ・9.1 RAG実現のための最先端手法 ・9.2 最新技術をキャッチアップするための3つのステップ ・9.3 まとめ ■著者プロフィール 武井 宜行：サイオステクノロジー株式会社 シニアアーキテクト。「最新の技術を楽しくわかりやすく」をモットーに情報を発信し続け、2020年にMicrosoft MVPを受賞。コミュニティやMicrosoftの公式イベントに登壇して、今もなお最新技術の探求と情報発信を続けながら、技術コミュニティの発展に貢献している。得意分野はAzureによるクラウドネイティブな開発やAI関連のテクノロジー。

※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。 ヒューマンコンピュータインタラクションの基本をわかりやすく解説する定番の教科書、改訂3版！ 本書は、人間の感性や認知に関する基礎知識とともに、対話システム、GUI、インタフェースの評価技術など、人間とコンピュータの親和性が高いシステムづくりに必要な技術を解説する教科書としてご好評いただいている『IT Text ヒューマンコンピュータインタラクション』の改訂3版です。今回の改訂では、XR、UX、人間中心設計、人工知能（AI）、技術者倫理などの近年注目されているキーワードを軸に情報をアップデートするとともに、図解を増やしさらに学びやすい構成としました。 第1章　ヒューマンコンピュータインタラクションとは 第2章　人間の感覚と知覚 第3章　人間の認知と理解 第4章　インタラクティブシステムのデザインと分析・評価 第5章　入力インタフェース 第6章　ビジュアルインタフェース 第7章　ビジュアルデザインとビジュアライゼーション 第8章　コミュニケーションインタフェース 第9章　協同作業支援とソーシャルコンピューティング 第10章　XR（クロスリアリティ） 第11章　環境と融合するインタフェース 演習問題略解 参考文献

※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。 ◆誰でもはじめられる「関係性」活用の第一歩◆ 　ネットワークデータは、点と点の「つながり」によって表現されるデータです。決して特別なデータではなく、私たちの日常生活のさまざまな場面に存在しています。たとえば、SNSのフォロー関係やWebページ間のリンクのような明らかにネットワーク構造を持つデータだけでなく、ECサイトの購買履歴や株式市場の取引といった、一見ネットワークとは無関係に思えるデータにも、つながりの構造を見出すことができます。この「つながり」を活用することで、これまで見えなかったデータの新しい特徴を引き出すことが可能になります。 　近年では、計算機リソースの向上や新しいアルゴリズムの登場により、ネットワークデータの実用化が急速に進んでいます。本書では、各手法について平易な言葉で解説することを目指すだけでなく、Pythonを用いたコード例を通じて、データの取り扱いから特徴抽出、さらにNode EmbeddingやGNNといった機械学習手法への応用までを実践的に紹介します。 　また、単なる技術の羅列ではなく、身近なデータからネットワーク構造をどのように見出し、意味付けし、課題解決に結びつけるかという思考プロセスや応用事例にも重点を置いています。具体例としては、SNSのフォロー関係やWebページのリンクといった典型的なネットワークデータはもちろん、ECサイトの購買履歴やビジネス文書、さらにはレシートといった、通常「表形式」で扱われるデータに隠れた「つながり」を抽出・活用する手法を丁寧に解説します。 ■こんな方におすすめ ・ネットワーク分析を学びたい方、データから新しい知見を見つけたい方 ■目次 ●1章 ネットワークデータの基礎 ・1.1 ネットワークとは ・1.2 さまざまなネットワーク ・1.3 ネットワークデータの表現方法 ●2章 ネットワークデータの発見・観測・構築 ・2.1 分析前の確認事項 ・2.2 ネットワークを発見する ・2.3 ネットワークデータを観測・入手する ・2.4 ネットワークのデータ形式 ・2.5 ネットワークデータのハンドリング ●3章 ネットワークの性質を知る ・3.1 どのようなノードか ・3.2 2つのノードはどのような関係にあるか ・3.3 どのようなネットワークか ・3.4 NetworkXを用いてネットワークの特徴を知る ●4章 ネットワークの機械学習タスク ・4.1 ネットワークを対象とした機械学習タスクの整理 ・4.2 ノードを対象とした機械学習タスク ・4.3 エッジを対象にした教師あり学習 ・4.4 ネットワーク構造を対象とした機械学習タスク ●5章 ノード埋め込み ・5.1 表データを対象とした機械学習の復習 ・5.2 単語埋め込み ・5.3 ノード埋め込み ・5.4 ノード埋め込みの実装 ●6章 グラフニューラルネットワーク ・6.1 深層学習の発展と構造データの扱い ・6.2 GNNのフレームワーク ・6.3 グラフ畳み込みネットワーク ・6.4 GraphSAGE ・6.5 GATフィルタ ・6.6 Relational GCN ・6.7 GNNの実装 ●7章 さまざまな分野における実例 ・7.1 自然言語処理におけるネットワーク分析 ・7.2 金融分野におけるネットワーク分析 ・7.3 労働市場におけるネットワーク分析 ・7.4 情報推薦におけるネットワーク分析 ・7.5 ネットワーク科学とソーシャルネットワークの分析 ・7.6 生物学におけるネットワーク分析 ■著者プロフィール ●黒木 裕鷹（くろき ゆたか）：2020年東京理科大学大学院工学研究科修士課程修了。同年よりSansan株式会社に入社し、現在は企業データのドメイン横断での分析・利用や、実験的な機能の開発に従事。2018年度統計関連学会連合大会 優秀報告賞、2022年度人工知能学会金融情報学研究会 (SIG-FIN) 優秀論文賞 などを受賞。大阪公立大学 客員研究員。 ●保坂 大樹（ほさか たいじゅ）：2020年に早稲田大学で工学修士号を取得し、Sansan株式会社に入社。入社後は帳票の解析技術の研究開発および運用に取り組む。現在は同社のSaaS事業においてプロダクトマネジメントを行う一方で、帳票解析チームのリーダーとしてプロジェクトマネジメントも担当する。単語の意味や主体の持つ特性が単語埋め込みやノード埋め込みで得られる数値表現にどのように反映されるかに強い関心をもつ。

頻発するサイバー攻撃に対処するために、導入に向けて国会で議論されている「能動的サイバー防御」。 能動的サイバー防御とは、起こりうるサイバー攻撃が安全保障上の問題になると政府が判断したとき、攻撃による被害の顕在化を未然に防ぐものである。 本書では、能動的サイバー防御に関する議論の歴史的プロセス、サイバー攻撃の実態、核兵器による抑止との違い、主要国のサイバー対策などを官公庁からも頼りにされている専門家が網羅的に解説しています。 セキュリティ、システム・DX担当者から、インフラ事業者、政策立案者まで必読の書です。

※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。 ※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。 現場での問題解決に役立つ、ソフトウェア品質保証のための実践的な指南書／解説書！ 　組織におけるソフトウェア品質保証部門はソフトウェア品質を向上・維持するべく活動していますが、実際の現場においては、開発部門に対して手数のかかる検査を高頻度に要求せざるをえないなどの理由により、開発部門と対立してしまうことがあります。開発部門はコストや納期の成果達成を重視する傾向があり、品質保証部門からの要求はその支障となりがちなため、品質保証部門は開発部門に協力してもらうために、自身の要求の意図・意義を正しく伝えられなければなりません。 　本書は、ソフトウェアの品質を高めたいと思いながらも、具体的な施策を立案できない、開発部門との調整がうまくいかない、などと悩んでいる読者に向けて、解決の基となる普遍的・本質的な考え方と、現場の実践で得られた知見による具体的な解決方法を解説します。 第１章　ソフトウェア品質の基本概念 　1.1　品質の概念 　1.2　品質マネジメントの概念 　1.3　ソフトウェア品質マネジメントの特徴 第２章　組織レベルのソフトウェア品質マネジメント 　2.1　ソフトウェア品質マネジメントシステムの構築と運用 　2.2　ライフサイクルプロセスのマネジメント 　2.3　ソフトウェアプロセス評価と改善 　2.4　検査のマネジメント 　2.5　監査のマネジメント 　2.6　教育および育成のマネジメント 　2.7　法的権利および法的責任のマネジメント 第３章　プロジェクト共通レベルのソフトウェア品質マネジ メント 　3.1　意思決定のマネジメント 　3.2　調達マネジメント 　3.3　リスクマネジメント 　3.4　構成管理 　3.5　プロジェクトマネジメント 第４章　プロジェクト個別レベルのソフトウェア品質マネジ メント 　4.1　品質計画のマネジメント 　4.2　要求分析のマネジメント 　4.3　設計のマネジメント 　4.4　実装のマネジメント 　4.5　レビューのマネジメント 　4.6　テストのマネジメント

※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。 ◆コンピュータが言語を理解するしくみ◆ 「大規模言語モデル入門」の続編です。「大規模言語モデル入門」は理論と実装のバランスをとって構成しましたが、本書では実装部分で扱い切れなかった話題を取り上げ、特に大規模言語モデルの評価と生成LLMに関連する解説を充実させます。「大規模言語モデル入門」の9章に続き、10章から始まります。 10章では、後続する章で行う言語モデルの評価方法について解説します。自動評価と人手評価の2つの側面から、ベンチマーク、評価指標、具体的な評価ツールやデータセットなどを取り上げます。11～13章では、主に大規模言語モデルの性能を上げるためのトピックとして、指示チューニング、人間のフィードバックからの学習、RAGに焦点を当て、それぞれの実装方法、利用するデータセット、評価の方法について解説します。14章では大規模言語モデルの学習における並列・分散処理について詳しく解説します。大規模なデータを限られた計算資源で学習させるノウハウは多くのエンジニアにとって有益な情報となるでしょう。 大規模言語モデルの性能を高めるための各トピックの実装とともに、それぞれの評価について理解できる一冊です。 ■目次 ※第1章～第9章は前巻「大規模言語モデル入門」掲載。 ●第10章 性能評価 ・10.1 モデルの性能評価とは ・10.2 評価指標を用いた自動評価 ・10.3 LLM を用いた自動評価 ●第11章 指示チューニング ・11.1 指示チューニングとは ・11.2 指示チューニングの実装 ・11.3 指示チューニングしたモデルの評価 ●第12章 選好チューニング ・12.1 選好チューニングとは ・12.2 選好チューニングの実装 ・12.3 選好チューニングの評価 ●第13章 RAG ・13.1 RAGとは ・13.2 基本的なRAGのシステムの実装 ・13.3 RAG向けにLLMを指示チューニングする ・13.4 RAGの性能評価 ●第14章 分散並列学習 ・14.1 分散並列学習とは ・14.2 さまざまな分散並列学習手法 ・14.3 LLMの分散並列学習 ■著者プロフィール 山田 育矢（やまだ いくや）：株式会社Studio Ousia チーフサイエンティスト・名古屋大学 客員教授・理化学研究所革新知能統合研究センター客員研究員。2007年にStudio Ousiaを創業し、自然言語処理の技術開発に従事。2016年3月に慶應義塾大学大学院政策・メディア研究科博士後期課程を修了し、博士（学術）を取得。大規模言語モデルLUKEの開発者。全体の監修と12章の一部の執筆を担当。 鈴木 正敏（すずき まさとし）：株式会社Studio Ousia ソフトウェアエンジニア・東北大学データ駆動科学・AI教育研究センター学術研究員。2021年3月に東北大学大学院情報科学研究科博士後期課程を修了し、博士（情報科学）を取得。博士課程では質問応答の研究に従事。日本語質問応答のコンペティション「AI王」の実行委員。東北大学が公開している日本語BERTの開発者。第13章の執筆を担当。 西川 荘介（にしかわ そうすけ）：LINEヤフー株式会社 自然言語処理エンジニア。2022年3月に東京大学大学院情報理工学研究科修士課程を修了。現在は情報検索分野での言語処理に取り組む。第12章の執筆を担当。 藤井 一喜（ふじい かずき）：東京工業大学 情報工学系 修士１年・Turing株式会社嘱託研究員。学士、修士課程では大規模モデルの分散並列学習に従事。llm-jp、Swallow Projectにて日本語大規模言語モデルの事前学習を担当。第14章の執筆を担当。 山田 康輔（やまだ こうすけ）：株式会社サイバーエージェント AI Lab リサーチサイエンティスト・名古屋大学大学院情報学研究科協力研究員。2024年3月名古屋大学情報学研究科博士後期課程を修了し、博士（情報学）を取得。2024年4月より現職。博士後期課程では自然言語処理、特にフレーム意味論に関する研究に従事。第10章の執筆を担当。 李 凌寒（り りょうかん）：SB Intuitions株式会社 リサーチエンジニア。2023年3月に東京大学大学院情報理工学系研究科博士後期課程を修了し、博士（情報理工学）を取得。博士課程では言語モデルの解析や多言語応用の研究に従事。現在は日本語大規模言語モデルの開発に取り組む。第11章の執筆を担当。

※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。 ◆推論のしくみから紐解く高速化の原理◆ 本書は深層ニューラルネットワークによる予測を高速化する技法を解説します。巨大なニューラルネットワークを用いた予測には多くの時間と計算コストがかかります。これにより、応答が遅くなりユーザー体験が悪くなるといった問題や、運用コストが大きくなるといった問題が生じます。本書はニューラルネットワークの予測性能を下げることなく高速化することでこれらの問題を解決する技法を解説します。紹介する技法は量子化・枝刈り・蒸留・低ランク近似・モデルマージなど多岐にわたり、幅広い局面に対応します。また、平坦解や宝くじ仮説など、深層ニューラルネットワークの理論を通して、これらの手法がうまくいく理由についても深く本質的な理論を解説します。深層ニューラルネットワークを活用するエンジニアや研究者は必読の一冊です。 ■こんな方におすすめ ・ニューラルネットワークの計算や時間にかかるコストを削減したい人 ・Webサービスにニューラルネットワークを使っている方 ■目次 ●第1章 はじめに ・1.1 高速化の意義 ・1.2 高速化の理論的背景 ・1.3 用語の整理 ●第2章 高速化手法の概要 ・2.1 量子化と低精度計算 ・2.2 枝刈り ・2.3 蒸留 ・2.4 低ランク近似 ・2.5 高速なアーキテクチャ ・2.6 ハードウェアの改善 ・2.7 複数の技法の組み合わせ ・2.8 その他の技法 ●第3章 量子化と低精度計算 ・3.2 その他の低精度浮動小数点数フォーマット ・3.3 自動混合精度計算 ・3.4 整数量子化 ・3.6 なぜ低精度計算でうまくいくのか ●第4章 枝刈り ・4.1 代表的な枝刈り手法 ・4.2 訓練前の枝刈り ・4.3 構造枝刈り ・4.4 枝刈りの実装 ・4.5 ReLU活性化関数を用いた適応的な枝刈り ・4.6 なぜ枝刈りを行うのか・なぜうまくいくのか ・4.7 枝刈りの使いどころ ●第5章 蒸留 ・5.1 蒸留の問題設定 ・5.2 蒸留のアプローチ ・5.3 生徒モデルの選び方 ・5.4 推論に必要なデータの変更 ・5.5 生成モデルの利用 ・5.6 事例 ・5.7 なぜ蒸留でうまくいくのか ・5.8 蒸留の使いどころ ●第6章 低ランク近似 ・6.1 低ランク性とは ・6.2 畳み込みニューラルネットワークの低ランク近似 ・6.3 注意機構の低ランク近似 ●第7章 高速なアーキテクチャ ・7.1 深さ単位分離可能畳み込み ・7.2 高速なトランスフォーマーの亜種 ・7.3 ニューラルアーキテクチャ探索 ・7.4 高速なアーキテクチャと圧縮手法の比較 ●第8章 チューニングのためのツール ・8.1 PyTorchプロファイラ ・8.2 CPU上のプロファイリング ・8.3 GPU上のプロファイリング ●第9章 効率的な訓練 ・9.1 省メモリ化 ・9.2 モデルパラメータの算術 ■著者プロフィール 佐藤竜馬：1996年生まれ。2024年京都大学大学院情報学研究科博士課程修了。博士(情報学)。現在、国立情報学研究所 助教。専門分野はグラフニューラルネットワーク、最適輸送、および情報検索・推薦システム。NeurIPSやICMLなどの国際会議に主著論文が採択。競技プログラミングでは国際情報オリンピック日本代表、ACM-ICPC世界大会出場、AtCoderレッドコーダーなどの戦績をもつ。PDF翻訳サービスReadableを開発し、深層ニューラルネットワークを用いた翻訳システムにも詳しい。著書に『グラフニューラルネットワーク』『最適輸送の理論とアルゴリズム』(ともに講談社)がある。

※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。 【例題を通してJuliaを学ぼう！】 Juliaは、2018年にver.1.0がリリースされて以降、速さと書きやすさで、特に数値計算分野で注目を集めている言語です。本書ではそれぞれの数値計算問題に対し、さまざまな手法でアプローチしており、例題を通してJuliaを学べる書籍となっています。原理まで解説しており、他の手法とどのように違うのか、またどのようなメリット・デメリットがあるのかも解説しています。 第I部ではJuliaの基礎的な内容を、第II部では具体的な計算方法を例題と一緒に実装していく構成になっています。fortranやPythonから移行してくるユーザーが多いと考えられますが、初学者でも学べるような内容になっています。みんなもJulianになろう！ ■こんな方におすすめ ・理工系のJuliaプログラミングを始めたい学生 ・FortranやPythonから移行したい人 ・数値計算プログラミングに興味のある人、更にレベルアップしたい人 ■目次 第I部 基礎編 　　Chapter1 Juliaをはじめよう 　　Chapter2 Julia の基本 　　Chapter3 そのほかの特筆すべき点 第II部 実践編 　　Chapter0 Julia的数値計算 　　Chapter1 連立一次方程式 　　Chapter2 非線形方程式 　　Chapter3 固有値 　　Chapter4 数値積分 　　Chapter5 補間と近似 　　Chapter6 常微分方程式 　　Chapter7 偏微分方程式 付録 Jupyter Notebookを利用した環境作りと実行方法 ■著者プロフィール 永井 佑紀（ながい ゆうき）：1982年 北海道生まれ。2005年 北海道大学工学部応用物理学科卒業。2010年 東京大学大学院理学系研究科物理学専攻博士課程修了。博士（理学）。2010年-2019年 国立研究開発法人日本原子力研究開発機構 研究員。2016年-2017年 米国マサチューセッツ工科大学物理学科客員研究員。2018年-2023年 国立研究開発法人理化学研究所革新知能統合研究センター客員研究員。2019年-2024年 国立研究開発法人日本原子力研究開発機構 副主任研究員。現職 東京大学情報基盤センター学際情報科学研究部門 准教授。専門は物性理論、計算物理。近年では機械学習と物理学を組み合わせた研究も行っている。

【コンピュータアーキテクチャがわかる!】 コンピュータアーキテクチャとは、より良いコンピュータの構成を模索し、設計し、実現するための方式です。学習には、重要概念の理解とハードウェアの設計、実装、そのシミュレーションによる動作確認と性能評価、また、FPGAなどにハードウェアを実装し、動作・検証・性能確認することが大切です。本書は、これらを通じてコンピュータアーキテクチャの本質を学ぶことを目指します。特に、オープンな命令セットアーキテクチャとして注目されているRISC-Vの採用、Verilog HDLによるハードウェアの記述、FPGAによるハードウェア動作まで、広い範囲を扱っている点が特徴です。 ■こんな方におすすめ ・コンピュータアーキテクチャの初学者および再入門者 ・コンピュータサイエンスをしっかり身につけたい学生の方 ・RISC-Vの入門者 ■目次 第1章 イントロダクション 　　1-1　コンピュータの基本構成 　　1-2　コンピュータの性能 　　1-3　特定用途向け半導体とFPGA 第2章 ディジタル回路の基礎 　　2-1　組み合わせ回路 　　2-2　順序回路 　　2-3　やわらかいハードウェアとしてのFPGA 第3章 ハードウェア記述言語Verilog HDL 　　3-1　ANDゲートのモジュール記述 　　3-2　記述したモジュールのインスタンス化とシミュレーション 　　3-3　文字列を表示するシステムタスク$display 　　3-4　ブロックの指定 　　3-5　指定した時間が経過するまで待たせる命令# 　　3-6　システムタスク$finishと$time 　　3-7　不定値xとハイインピーダンスz 　　3-8　複数本の信号線、数値の表現、default_nettype 　　3-9　三項演算子とマルチプレクサ 　　……ほか 第4章 RISC-V命令セットアーキテクチャ 　　4-1　RISC-V RV32I命令セットアーキテクチャの概要 　　4-2　データ形式、負の整数の表現 　　4-3　命令形式 　　4-4　R形式の算術演算命令、論理演算命令、シフト命令 　　4-5　I形式の算術演算命令、論理演算命令、シフト命令 　　4-6　ロード命令、ストア命令、エンディアンと整列 　　4-7　条件分岐命令とプログラムカウンタ 　　4-8　lui、auipc、jal、jalr命令とその他の命令 第5章 単一サイクルのプロセッサ 　　5-1　単一サイクルのプロセッサの設計方針 　　5-2　最初の版のプロセッサを設計するための構成要素 　　5-3　add命令を処理するx1のみの単一サイクルのプロセッサ 　　5-4　add命令を処理する単一サイクルのプロセッサ 　　5-5　addとaddi命令を処理する単一サイクルのプロセッサ 　　5-6　add、addi、lw、sw命令を処理する単一サイクルのプロセッサ 　　5-7　add、addi、lw、sw、bne命令を処理する単一サイクルのプロセッサ 　　5-8　シミュレーションの工夫と例題 第6章 プロセッサの高性能化の手法 　　6-1　回路の動作周波数とパイプライン処理 　　6-2　パイプライン処理（2段）のプロセッサの設計と実装 　　6-3　パイプライン処理（3段）のプロセッサの設計と実装 　　6-4　パイプライン処理（4段）のプロセッサの設計と実装 　　6-5　パイプライン処理のプロセッサと同期式メモリ 　　6-6　パイプライン処理（5段）のプロセッサの設計と実装 　　6-7　ここまでのプロセッサの性能 第7章 分岐予測 　　7-1　分岐予測の枠組み 　　7-2　分岐先バッファ 　　7-3　分岐の成立／不成立の予測 　　7-4　bimodal分岐予測 　　7-5　gshare分岐予測 第8章 キャッシュメモリ 　　8-1　メインメモリとキャッシュ 　　8-2　容量が大きくて遅いメモリ 　　8-3　プロセッサのストール 　　8-4　ダイレクトマップ方式のキャッシュメモリ 　　8-5　マルチワードのダイレクトマップ方式のキャッシュメモリ 　　8-6　セットアソシアティブ方式のキャッシュメモリ 　　8-7　データキャッシュ 第9章 FPGA評価ボードを利用した動作の確認 　　9-1　ファイルの準備 　　9-2　Vivadoで論理合成、配置・配線してFPGAで動作確認 ■著者プロフィール 吉瀬 謙二：東京工業大学教授。アダプティブコンピューティング研究推進体の代表、ACRiブログの編集長を務める。コンピュータアーキテクチャとFPGAシステムの研究と教育に従事している。

※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。 さらにパターン認識・機械学習を学ぶ！ 本書は『わかりやすいパターン認識』（第1版1998年、第2版2019年）、『続わかりやすいパターン認識』（2014年）の姉妹書として、教師付き学習における非線形な識別処理を主テーマに、パターン認識・機械学習を解説したものです。本書ではサポートベクトルマシン、カーネル法、畳み込みニューラルネットワークを取り上げ、それらの前段階として、一般化線形識別関数、ポテンシャル関数法も紹介しています。 　パターン認識・機械学習を学びたい初学者が独学で学べるようにわかりやすい記述として、具体例、実験例をできるだけ取り入れて解説しています。また章末に演習問題を設けて、力試しができるようにもなっています。演習問題の解答はオーム社Webページからダウンロードできるようになっています。 第1章　線形識別関数とパーセプトロン 第2章　線形分離不可能な分布 第3章　一般化線形識別関数 第4章　ポテンシャル関数法 第5章　サポートベクトルマシン 第6章　カーネル法 第7章　ニューラルネットワーク 第8章　畳み込みニューラルネットワーク 付録　補足事項

※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。 深層学習（ディープラーニング）の全体像が理解できる一冊。 日々進化し続ける深層学習技術の基礎をなす知識や考え方を体系的に，応用を俯瞰的にまとめた教科書。 　本書は、人工知能（AI）技術の一つである深層学習（ディープラーニング）の全体像を体系的にまとめた教科書です。 　SNS、スマートスピーカー、画像診断、自動運転、……などなど、身のまわりには深層学習の技術や手法が広く応用されています。このことからもわかるように、深層学習は今日に至るまでさまざまな場面で成功を収めていますが、その技術や手法は、今現在も、非常に速いスピードで進歩し続けています。「以前は当たり前のように利用されていた技術が、ある日突然、それを上回る別の技術に置き換えられた」ということも十分にあり得ます。しかし、そのような深層学習技術の基礎には、普遍的かつ不変的な知識や考え方があります。 　本書は、現代の深層学習の技術や手法を理解するうえで基礎となる知識や考え方を、必要に応じて数式を用い、詳細に解説しています。また、代表的な応用例として、画像、音声、自然言語の処理を俯瞰的に解説し、深層学習の全体像が理解できるように構成しました。論文や国際会議等で深層学習技術の最新動向を追うためのベースは、本書で十分に学ぶことができます。 第1章　序論：深層学習登場の前と後 1.1　パターン認識とは 1.2　パターン認識の困難さと深層学習による成功 1.3　深層学習と従来のパターン認識手法の違い 第2章　深層学習以前のパターン認識手法 2.1　深層学習以前のパターン認識の概略 2.2　特徴抽出 2.3　機械学習・パターン認識手法 2.4　クラスタリング 2.5　評価指標 演習問題 第3章　深層学習ネットワーク 3.1　深層学習のアイディア 3.2　パーセプトロン 3.3　多層パーセプトロン 3.4　深層学習ネットワークにおける基本レイヤ群 3.5　基本ネットワーク構造 演習問題 第4章　ネットワークの学習 4.1　深層学習ネットワークの学習の基本的アイディア 4.2　誤差関数 4.3　確率的勾配降下法 4.4　誤差逆伝播法 4.5　畳込み層の学習 4.6　学習の実際 4.7　学習した畳込みフィルタの例 演習問題 第5章　学習のための技術 5.1　学習パラメータの初期値 5.2　学習率の設定 5.3　データ拡張 5.4　ドロップアウト 5.5　入力データの正規化 5.6　モデルアンサンブル 5.7　事前学習とファインチューニング 5.8　中間信号の画像特徴量としての利用 5.9　距離学習 5.10　マルチタスク学習 5.11　自己教師学習 5.12　ネットワークを小さくする工夫 演習問題 第6章　系列データへの対応 6.1　再帰型ネットワーク 6.2　1次元畳込み 6.3　Transformer 演習問題 第7章　画像認識への適用 7.1　主な画像認識ネットワーク 7.2　画像認識ネットワーク内部の可視化 7.3　物体検出 7.4　領域分割 7.5　人物姿勢推定 7.6　動画認識 演習問題 第8章　画像生成・変換への適用 8.1　エンコーダ・デコーダ型ネットワーク 8.2　オートエンコーダ 8.3　深層生成モデル 8.4　画像変換 8.5　画像最適化による画像変換 演習問題 第9章　音声処理への適用 9.1　音声認識ネットワーク 9.2　音声合成ネットワーク 演習問題 第10章　自然言語処理への適用 10.1　単語ベクトル 10.2　系列変換モデル 10.3　事前学習モデル 演習問題 第11章　マルチモーダル学習 11.1　マルチモーダル・クロスモーダル 11.2　画像と言語ル 11.3　画像・映像と音声 演習問題 演習問題略解 参考文献

※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。 深層学習をベースとした自然言語処理の基礎が体系的に身につく！ 本書は、深層学習に基づく自然言語処理の基礎となる知識や考え方を、丁寧に展開し解説するものです。自然言語処理技術の概観から始め、機械学習の基本的枠組み、言語モデル・系列変換モデルとして非常に有用なTransformerとそれを活用した事前学習モデルの詳解、さらに自然言語処理の基本的なタスクである系列ラベリング、構文解析、意味解析と、自然言語処理を学ぶうえで必須の基礎知識や背景となる仕組みを幅広くカバーし、体系的に身につけることができる構成としました。 大学の学部上級から大学院の学生、さらには自然言語処理を学び始めた若手技術者にお薦めの教科書です。 第1章　自然言語処理の概要 　1.1　自然言語処理の応用 　1.2　コーパスと自然言語処理 　1.3　自然言語処理の難しさ 　演習問題 第2章　自然言語処理のための機械学習の基礎 　2.1　機械学習とは 　2.2　教師あり学習 　2.3　特徴量表現 　2.4　パーセプトロン 　2.5　ロジスティック回帰 　2.6　ソフトマックス回帰モデル 　2.7　機械学習モデルの評価 　2.8　正則化 　2.9　ニューラルネットワーク 　2.10　計算グラフと自動微分 　2.11　ニューラルネットワークに関するその他の話題 　演習問題 第3章　単語ベクトル表現 　3.1　記号からベクトルへ 　3.2　素性関数による単語のベクトル表現 　3.3　分布仮説と単語文脈行列 　3.4　特異値分解による次元削減 　3.5　Word2Vec：ニューラルネットワークによる学習 　3.6　単語ベクトルの応用 　3.7　FastText：単語よりも小さな単位の利用 　3.8　単語ベクトル表現の課題と限界 　演習問題 第4章　系列に対するニューラルネットワーク 　4.1　単語ベクトルの合成 　4.2　再帰型ニューラルネットワーク（RNN） 　4.3　勾配消失問題と勾配爆発問題 　4.4　長期短期記憶（LSTM） 　4.5　ゲート付き再帰ユニット（GRU） 　4.6　畳込みニューラルネットワーク（CNN） 　演習問題 第5章　言語モデル・系列変換モデル 　5.1　言語モデル・系列変換モデルの導入 　5.2　言語モデルの定式化 　5.3　言語モデルの利用例 　5.4　言語モデルの具体例1：nグラム言語モデル 　5.5　言語モデルの具体例2：ニューラル言語モデル 　5.6　系列変換モデル 　5.7　言語モデルの評価：パープレキシティ 　5.8　未知語問題への対応 　演習問題 第6章　Transformer 　6.1　Transformerの歴史的背景 　6.2　自己注意機構（セルフアテンション） 　6.3　Transformerの構成要素 　6.4　学習時の工夫 　演習問題 第7章　事前学習済みモデルと転移学習 　7.1　事前学習済みモデルの背景 　7.2　デコーダの事前学習：GPT 　7.4　エンコーダ・デコーダの事前学習：BART 　7.5　事前学習済みモデルと知識蒸留 　7.6　事前学習済みモデル利用上の注意点 　演習問題 第8章　系列ラベリング 　8.1　系列ラベリングとは 　8.2　系列ラベリングの定式化 　8.3　点予測による系列ラベリング 　8.4　線形連鎖に基づく条件付き確率場 　演習問題 第9章　構文解析 　9.1　構文解析とは 　9.2　句構造解析 　9.3　依存構造解析 　9.4　さまざまな構文解析手法 　演習問題 第10章　意味解析 　10.1　意味解析とは 　10.2　テキスト間含意関係認識 　10.3　ニューラルネットワークによる意味解析 　10.4　述語項構造解析 　10.5　論理表現 　10.6　セマンティックパージング 　10.7　意味解析のその他の話題 　演習問題 第11章　応用タスク・まとめ 　11.1　機械翻訳 　11.2　質問応答 　11.3　対話 　11.4　自然言語処理の過去・現在 演習問題略解 参考文献

※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。 従来のシステムをクラウドシステムに移行させるうえでの標準的なプロセスや必須知識を網羅 　自社システムをクラウドに移行する，あるいは自社システムにクラウドを導入するうえでの標準的なプロセスや必須知識を網羅した書籍です．AIOps，CI/CD，DevOps，IaaS/PaaS/SaaS/IDaaS/MaaS，Kubernetes，VPCなどのいま1つよくわからない専門用語の1つひとつを，IT技術者向けにていねいに解説しています． 　まずクラウドシステムを使ううえでの考え方からスタートして，クラウドシステムに関連した主な技術，考えるべき指針についてわかりやすく解説しています．さらに，各種規制への対応についても述べています．現在のクラウドシステムを支えている技術は高度かつ複雑であり，しかも日進月歩で進化しています．したがって，各社のインフラストラクチャの担当者，アプリケーション開発の担当者，およびシステム運用の担当者として，常にクラウドの個々の技術の詳細を理解しておくのは少し難しいかもしれませんが，クラウドを使用するユーザの立場から最低限の知識とポイントを押さえておく責任があります． 　本書を読むことで，クラウドの移行・導入の全体的なイメージをつかむことができ，取り組むべき課題がみえてきます． 第1章　システムのクラウド移行・導入をデザインする 第2章　クラウドのアーキテクチャを正しく理解する 第3章　クラウドにおけるアプリケーションの開発と運用 第4章　クラウドセキュリティの考え方と実践 第5章　ハイパフォーマンスマシン，モビリティのクラウドアーキテクチャ 第6章　情報管理と法制度

※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。 長年親しまれてきた『IT Text 情報セキュリティ』が待望の改訂！　情報セキュリティの最新の技術や標準化の動向、情報セキュリティにかかわる社会動向を反映 長年多くの大学・企業で採用されてきた『IT Text 情報セキュリティ』を、内容をアップデートし改訂2版として発行するものです。 初版の発行以降、暗号技術をはじめとして多くの技術が更新され、またセキュリティに対する関心の高まりや法令の整備など社会事情も大きく変化しました。そこで本書では、標準化などの最新動向や、量子コンピュータ、暗号資産、ブロックチェーンなどの最新技術に触れるとともに古い記述を改め、現代の情報セキュリティ技術を幅広く学ぶことのできる構成としました。また、情報倫理に関する記述を全面的に改め、初版発行後の社会動向やハクティビズムなど、情報技術者が身につけるべき知識を盛り込みました。 情報セキュリティの全分野を体系的に学習できる教科書としてお薦めの一冊です。 第1章　情報セキュリティ 第2章　共通鍵暗号 第3章　公開鍵暗号・ディジタル署名の基礎理論 第4章　公開鍵暗号 第5章　ディジタル書名 第6章　だ円曲線記号 第7章　暗号プロトコル 第8章　ゼロ知識証明と社会システムへの応用 第9章　ネットワークセキュリティ 第10章　インターネットセキュリティ 第11章　不正アクセス 第12章　情報ハイディング 第13章　バイオメトリクス 第14章　セキュリティ評価 第15章　情報セキュリティにおける倫理問題

※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。 ※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。 情報システムの開発を担うために必要な実際の知識をわかりやすく解説したテキスト 本書は、これから情報システムの開発を担う方々を対象に、実際に必要となる知識をわかりやすく解説したテキストです。 「情報システムの開発とは何か」から始め、企業情報システムの開発の基礎とその品質の維持と新技術への対応、IE、アジャイル、UML、データフロー図、エンティティリレーションシップ図、ペトリネットによるシステム記述、IDEFといった基本をひととおり学ぶことができます。 ICT分野の学生、若手エンジニアにとって必読の書です。 ※本書は『IT Text ソフトウェア工学演習』の改題改訂書籍です。 第1章　情報システムの開発 　1.1　ソフトウェア指向から情報システム指向へ 　1.2　情報システムを学ぶ人たちへ 　1.3　情報システム 　1.4　情報システムの開発 　1.5　要求分析と設計 　1.6　ソフトウェア工学 　1.7　開発過程のモデル 第2章　企業情報システムの開発 　2.1　企業情報システムとは 　2.2　経営戦略とシステム化計画 　2.3　モデリングによる情報システム開発 第3章　企業情報システムの開発（品質と新技術への対応） 　3.1　高品質システム開発 　3.2　デジタルビジネス 第4章　IE 　4.1　IEの基本的な考え方 　4.2　モデル構築の基本要素 　4.3　教務情報システムの分析 　4.4　開発方法論としての補考 第5章　アジャイル開発 　5.1　要求の不確実性と仮説検証 　5.2　アジャイル要求 　5.3　アジャイル開発 　5.4　その他の手法、フレームワーク、テクニック 第6章　UMLによるシステム記述 　6.1　UMLの概要 　6.2　ユースケース図 　6.3　クラス図 　6.4　オブジェクト図 　6.5　シーケンス図 　6.6　コミュニケーション図 　6.7　状態マシン図 　6.8　アクティビティ図 　6.9　コンポーネント図 　6.10　配置図 第7章　データフロー図、ER図、ペトリネットによるシステム記述 　7.1　データフロー図 　7.2　ER図 　7.3　ペトリネット 第8章　IDEF によるシステム記述 　8.1　IDEF0の概要 　8.2　IDEF0によるセミナ情報システムの記述例 　8.3　IDEF0による医療情報システムの記述例 　8.4　IDEF3の概要 　8.5　IDEF3によるセミナ情報システムの記述例 　8.6　IDEF3による医療情報システムの記述例 参考文献

※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。 深層学習、進化計算、メタヒューリスティクス...人工知能キーワード!! 　本書は、深層学習・ディープラーニング、進化計算、メタヒューリスティクスについて解説します。深層学習は画像処理や自然言語処理などさまざまに応用され、人工知能の重要手法です。またメタヒューリスティクスは生物や物理化学現象をもとにした最適化・AI手法です。 　本書ではDeep Neural Evolutionの基礎から応用までをわかりやすく説明します。また、メタヒューリスティクス、進化計算についてデモンストレーションとなるサンプルプログラム（C++、Java等）を提供します。 第1章　AIのための進化論 第2章　深層学習とディープラーニング 第3章　メタヒューリスティクス 第4章　生物らしい計算知能 第5章　ニューロ進化と遺伝子ネットワーク 第6章　ディープ・ニューラルエボリューション

※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。 コンピュータ発展史に語り継がれる人物と技術的遺産を集約！ 本書は、情報処理学会60周年記念事業の一環として企画された。第1部『情報処理技術遺産』と第二部『オーラルヒストリー』の2部構成となっている。 第1部では、コンピュータ技術の発展の歴史を示す具体的事物・資料であることを認定する『情報処理技術遺産』において、2008年〜2019年間に認定された各遺産の情報108件、分散コンピュータ博物館10件を収載している。 第2部では、日本の情報処理技術に多大な影響を与えたパイオニアたち23名を紹介する連載記事「古機巡礼/二進伝心：オーラルヒストリー」を再編している。 本書は、我が国のコンピュータ関連の歴史を紐解く上でも重要なレガシーとして位置づけられる。情報処理分野に携わる方々にとって手元に置いておくべき、高価値な一冊。

※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。 ※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。 数理最適化を使って現実の問題を解決できるようになる！ 　本書は、数理最適化の基礎から実務に応用する際のポイントや注意点まで、「モデリング」の観点を中心にして初学者にもわかりやすく解説します。 　モデリングには、「教科書的な問題」と「現実の問題」の間に大きな壁があります。本書は、数理最適化の実応用に日々取り組んでいる著者たちが、その経験をもとに、「数理最適化を使う際にどのようなことを気にするか」「どのように問題を捉えるか」などを、「数理最適化の考え方」としてまとめたものです。 　典型的な例題を、条件を変えながら深く考察しているので、様々に応用できるモデリングの考え方が身につきます。本書の「考え方」を習得することで、現実の問題を数理最適化を使って解決できるようになります。 また、モデリングスキルだけでなく、実際に数理最適化を応用する際のノウハウについても学べる点が特徴です。 　数学的な予備知識はなるべく仮定せず、必要となる概念は本を読み進める中で自然に身につくようになっています。 まえがき 第1章　数理最適化という考え方 1.1　数理最適化について知ろう 1.2　今，数理最適化が注目されている理由 第2章　実務に活かす数理最適化の考え方 2.1　数理最適化とモデリング 2.2　定式化，求解，分析 2.3　最適化ソルバー 2.4　数理最適化問題の分類 2.5　まとめ 第3章　数理最適化問題の問題構造という考え方 3.1　配合問題 3.2　輸送問題 3.3　生産計画問題 3.4　まとめ 第4章　二択が含まれる最適化モデルの考え方 4.1　二択を表す変数 4.2　取捨選択問題 4.3　輸送問題再訪 – 問題拡張１ 4.4　輸送問題再訪 – 問題拡張２ 4.5　まとめ 第5章　割り当てという考え方 5.1　世の中にある割当問題 5.2　割当図と割当表 5.3　割当問題のモデル化 5.4　まとめ 第6章　割当問題を応用するための考え方 6.1　人員配置問題 6.2　シフトスケジューリング問題 6.3　配送計画問題 6.4　まとめ 第7章　問題を分割するという考え方 7.1　問題を分割するとは？ 7.2　期間で分割する 7.3　粒度で分割する 7.4　問題構造で分割する 7.5　制約の強さで分割する 7.6　まとめ 第8章　数理最適化プロジェクトを成功させるための考え方 8.1　問題をどう定めるか 8.2　システム化における注意点 8.3　数理最適化プロジェクト開始前の見極め 8.4　数理最適化プロジェクト進行の要諦 8.5　数理最適化の課題の発見について 付録 A　Excelソルバー B　よく使う数学記号 C　スラック変数 文献案内 あとがき 索引

※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。 フリーソフトのScilabを使ってシステム制御を理解できる！ 　「制御工学」は数学的な知識を前提に解説されるが、現場では数値解析ソフトを使って設計がなされる場合が多い。 　本書は、フリーソフトであるが入門には十分な機能があるScilabでの演習を通じて「制御工学」を実感し、必要な知識を身に付けられることを目的としたテキストで、豊富な例題により自習書としても役立つ。 このような方におすすめ ・高専、大学学部、大学院、専門学校の学生（教科書・参考書・自習書として） ・上記学校の教員 ・制御関連の初級技術者 主要目次 第１章　はじめに 第２章　Scilab入門 第３章　システム制御に必要な数学 第４章　伝達関数とブロック線図 第５章　時間応答 第６章　周波数応答 第７章　フィードバック系の安定性 第８章　PID制御 第９章　状態方程式の構造と性質 第10章　状態フィードバックとオブザーバ 第11章　最適制御 第12章　ディジタル制御

※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。 ベイズモデル、生成AIの数学的動作原理を学ぶ 増補改訂でより詳しく 　本書は，機械学習の道具として使われている確率過程の書籍です．確率過程とは，誤解をおそれずにひと言でいえば「パラメータにしたがってランダムに変動するデータを解析するための数学の一分野」です．すなわち，ベイズモデル，生成AIの数学的動作原理です． 　日進月歩の勢いで発展を遂げる機械学習の研究成果を各自の専門領域に取り入れるには，これらの中で道具として使われている確率過程の基礎的な知識が必要不可欠です．本書では，数学的な厳密性は犠牲としながらも，機械学習の最新の結果を理解するために最低限必要と思われる内容にしぼって，確率過程について説明しています． 　今回の増補改訂によって内容を大幅に追加しています． 第1章　確率論の基礎 第2章　確率積分と確率微分方程式 第3章　マルコフ過程の性質 第4章　確率過程とベイズモデル 第5章　確率過程と機械学習 第6章　実問題への応用 付録A　基礎事項の復習式の復習 付録B　サンプルコード

◆データをうまく活用できない壁を壊すノウハウを集大成◆ 「データに欠損値や誤りがあり、正しく分析できない」 「同じ顧客や企業が重複して登録されている」 「データの意味や使い方がわからない」 「部門ごとに見せられるデータが異なり、他部門に横展開できない」 「分析データに含まれる個人情報の取り扱いに苦慮している」 データを活用したいのに、うまくいかない……その壁を壊すには、データマネジメントが不可欠。 ・データをカタログ化、一元的に管理できる「Amazon DataZone」 ・さまざまなデータソースからデータを見つけ出して加工・統合でき、品質チェックの自動化もできる「AWS Glue」 ・データレイク内のデータに対して、行や列レベルでのきめ細やかなアクセス制御ができる「AWS Lake Formation」 など、データマネジメントに役立つ最新サービスの実践的な使い方をAWS Professional Servicesコンサルタントが解説。 ■こんな方におすすめ ・データがあるのにうまく活用できていない組織のエンジニア、データサイエンティスト ・AWSユーザー ■目次 1章 データマネジメントとAWS ・1.1 データマネジメントとは ・1.2 データマネジメントとAWSサービス ・1.3 データストア ・1.4 データパイプライン ・1.5 分析 ・1.6 セキュリティ／ガバナンス 2章 データに欠損値や誤りがあり、正しく分析できない ・2.1 データ品質の問題を解決するには ・2.2 Glue Data Qualityを使って保管されているデータの品質を測定する ・2.3 Glue Data Qualityを使って、データ処理パイプラインの中でデータ品質を測定する ・2.4 Glue DataBrewを使ってデータ品質を測定する 3章 データ加工処理が複雑で読み解けない ・3.1 データ加工処理の問題を解決するには ・ 3.2 Glue Studioによるジョブの作成 ・3.3 Step Functionsによるワークフローの構築 ・3.4 Amazon MWAAによるワークフローの構築 4章 同じ顧客や企業が重複して登録されている ・4.1 データの重複をなくすには ・4.2 AWS Glueを使って、ETLパイプラインの中で名寄せをおこなう 5章 データの意味や使い方がわからない ・5.1 メタデータの問題を解決するには ・5.2 メタデータの項目や記載ルールを整備する ・5.3 メタデータの充足化と公開 ・5.4 データカタログを用いてデータの存在と示す意味を把握する ・5.5 メタデータの品質維持と向上 6章 部門ごとに見せられるデータが異なり、他部門に横展開できない ・6.1 部門間でのデータ共有を推進するには ・6.2 組織間でデータを共有する ・6.3 データの共有範囲の確認と変更 7章 分析データに含まれる個人情報の取り扱いに苦慮している ・7.1 データ分析において個人情報の問題を解決するには ・7.2 「持ち込ませない」処理の実装 ・7.3 「残さない」処理の実装 ・7.4 「使わせない」処理の実装 ■著者プロフィール ●赤羽根正則：アマゾン ウェブ サービス ジャパン合同会社プロフェッショナルサービス本部所属。データ分析基盤のアーキテクチャ作成支援やデータエンジニアリングでのパフォーマンスチューニングなどに従事。 ●佐藤悠：アマゾン ウェブ サービス ジャパン合同会社プロフェッショナルサービス本部所属。AWS GlueやAWS Lake Formation、Amazon MWAAが得意。 ●仲谷岳志：アマゾン ウェブ サービス ジャパン合同会社プロフェッショナルサービス本部所属。AWSのプリンシパルアーキテクトとして、クラウドインフラやデータ基盤の設計・構築、生成AIプラットフォーム構想の策定支援などを担当。 ●松浦晋：アマゾン ウェブ サービス ジャパン合同会社プロフェッショナルサービス本部プラクティスマネージャー。エンタープライズ向けのデータプラットフォーム構築やデータマネジメント戦略立案に関する支援に従事。 ●吉濱佐知子：アマゾン ウェブ サービス ジャパン合同会社プロフェッショナルサービス本部所属。コンサルタントとして、データ管理・分析基盤の構想策定や基本設計、データ・AI活用のワークショップ実施やAWS技術活用のための研修活動などに従事。

※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。 OpenAI、Anthropic、Gemini、LangChain、LangGraph、Gradio、Tavily、SerpApiなどを用い、基本からマルチエージェントシステムの設計まで、開発に必要なテクニックを体系的に解説 　LLMエージェント（AIエージェント）は、ペルソナ（口調、知識、判断の方向、人柄）等を生成AIに組み込み、生きた人間の代わりに様々なことをするもので、カスタマーサービス、情報検索、分析、意思決定支援など、様々なタスクを自律的に遂行することができます。これにより、新たなサービスの創出、業務の自動化や効率化など、ビジネスに大きなインパクトをもたらすことが期待されています。 　一方で、LLMエージェントを実際のビジネスに応用するためには、技術的な理解だけでなく、システム設計や運用における様々な課題をクリアする必要があります。例えば、エージェントの能力を最大限に引き出すための対話設計、複数エージェント間の連携制御、ユーザーとのインタラクションデザインなどを設計、解説します。 第1章　LLMエージェントとは 1.1　言語モデルとは何か 1.2　LLMエージェントとは 第2章　エージェント作成のための基礎知識 2.1　OpenAI API 2.2　LangChain入門 2.3　Gradio を用いたGUI作成 第3章　エージェント 3.1　LLMに知識を与える 3.2　LLMにツールを与える 3.3　複雑なフローで推論するエージェント 3.4　記憶を持つエージェント 3.5　ペルソナのあるエージェント 第4章　マルチエージェント 4.1　マルチエージェントとは 4.2　マルチエージェントシステムの構築 4.3　マルチエージェントの活用 第5章　LLMエージェント研究の最先端 5.1　直近の研究動向 5.2　ビジネスでの利用例 補足　OpenAI API／Anthropic APIキー／Gemini APIキー／Tavily APIキー／Serp APIキー／Google Colaboratoryのシークレット機能

※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。 ◆高品質なデータを設計・開発する技術◆ 　Data-centric AIとは、機械学習の権威でありGoogleのAI研究チームを率いたAndrew Ngが2021年に提唱した、モデルよりもデータに主眼を置くというAI開発のアプローチです。過去数十年にわたりAI開発においては、固定されたデータセットに対してニューラルネットワークをはじめとしたモデルを適用し、そのモデルを改善することに関心が寄せられていました。しかし、このモデルを中心としたアプローチでは、データセットへの過度な依存やデータセットが抱える課題への無意味な適合により、実用において期待ほどモデルの性能が改善しないといった問題が指摘されています。そのため近年はモデルを固定したうえで、データ拡張、アノテーションの効率化や一貫性の担保、能動学習といったデータに工夫を加えることによってモデルの性能を向上させるアプローチに注目が集まっています。本書では、Data-centric AIの概要を解説したあとに、画像認識、自然言語処理、ロボットといった分野におけるデータを改善するための具体的なアプローチを解説します。最終章では、企業における実践的な取り組みを紹介します。 ■こんな方におすすめ ・データセットの作成、データの学習方法に興味のある方 ・基盤モデルに興味がある方 ■目次 ●第1章 Data-centric AIの概要 ・1.1 Data-centric AIとは ・1.2 データセットのサイズとモデルの性能の関係 ・1.3 データの品質の重要性 ・1.4 おわりに ●第2章 画像データ ・2.1 画像認識におけるData-Centric AIとは ・2.2 画像認識モデルの基礎知識 ・2.3 データを拡張、生成する技術 ・2.4 不完全なアノテーションからの学習 ・2.5 画像と言語ペアの関係性を学習した基盤モデル ・2.6 能動学習 ・2.7 おわりに ●第3章 テキストデータの収集と構築 ・3.1 言語モデルの事前学習 ・3.2 事前学習データの収集 ・3.3 ノイズ除去のためのフィルタリング ・3.4 データからの重複除去 ・3.5 テキストデータ収集の限界 ・3.6 おわりに ●第4章 大規模言語モデルのファインチューニングデータ ・4.1 ファインチューニングとは ・4.2 Instruction Data ・4.3 Preference Data ・4.4 ファインチューニングモデルの評価 ・4.5 日本語における大規模言語モデルのファインチューニング ・4.6 おわりに ●第5章 ロボットデータ ・5.1 はじめに ・5.2 RTシリーズの概要 ・5.3 多様なロボット ・5.4 ロボットにおけるデータ収集 ・5.5 データセット ・5.6 データ拡張 ・5.7 おわりに ●第6章 Data-centric AIの実践例 ・6.1 テスラ ・6.2 メタ ・6.3 チューリング ・6.4 LINEヤフー ・6.5 GO ・6.6 コンペティションとベンチマーク ・6.7 Data-centric AI実践のためのサービス ・6.8 おわりに ■著者プロフィール 片岡裕雄（かたおかひろかつ）：2014年 慶應義塾大学大学院 博士（工学）。2024年現在、産業技術総合研究所 上級主任研究員、オックスフォード大学 Academic Visitor および cvpaper.challenge 主宰。時空間モデルのベースライン3D ResNetの研究開発，実データ不要の事前学習法 数式ドリブン教師あり学習（Formula-Driven Supervised Learning; FDSL）を提案。2019/2022年度AIST Best Paper、2020年 ACCV 2020 Best Paper Honorable Mention Award、2023年 BMVC 2023 Best Industry Paper Finalist。研究はMIT Technology Reviewや日経等メディアにて掲載。本書の監修を担当。

【世界初の反実仮想機械学習の教科書！】 　反実仮想（Counterfactual）─ 起こり得たけれども実際には起こらなかった状況 ─ に関する正確な情報を得ることは、機械学習や意思決定最適化の応用において必要不可欠です。例えば、「現在運用している推薦アルゴリズムを仮に別のアルゴリズムに変えたら、ユーザの行動はどう変化するだろうか？」や「特定のユーザ群に新たなクーポンを与えたら、収益はどれほど増加するだろうか？」などの実務・社会でよくある問いに答えることを可能にするのが、反実仮想機械学習（CounterFactual Machine Learning; CFML）と総称される機械学習と因果推論の融合技術です。 　本書では、反実仮想機械学習の重要な基礎であるオフ方策評価と呼ばれる統計的推定問題を重点的に扱い、反実仮想に関する情報を観測データに基づいて正確に推定するために必要な考え方と統計技術を着実に身につけます。その後、オフ方策評価の自然な拡張として、観測データに基づく意思決定の最適化問題を扱います。こうして、反実仮想推定を最重要の基礎に据える反実仮想機械学習の思想と理論、それらの汎用的な応用力を身につけることが、本書における最大の目標です。 　なお本書では、反実仮想機械学習に関する理論やその実践、Pythonを用いた実装をバランスよく扱っています。例えば、関連の学術研究や論文執筆を行う方向けには、理論の理解を深める章末問題を提供しています。6章には、実践現場で働く方々向けに、独自に作成したケース問題を用いた応用例を示しました。学術研究を行いたい学生・研究者の方や実応用を行いたい実務家の方など、幅広い層や用途に有効活用していただける内容に仕上がっています。 ■目次 ●第0章：基礎知識の整理 　　0.1 確率の基礎 　　0.2 統計的推定の基礎 　　0.3 教師あり学習の基礎 　　0.4 因果推論の基礎 ●第1章：標準的なオフ方策評価 　　1.1 オフ方策評価の定式化 　　1.2 標準的な推定量とその性質 　　1.3 基本推定量の精度を改善するためのテクニック ●第2章：ランキングにおけるオフ方策評価 　　2.1 ランキングにおけるオフ方策評価の定式化 　　2.2 ランキングにおけるIPS 推定量とその問題点 　　2.3 ユーザ行動に関する仮定を駆使したIPS 推定量 　　2.4 ランキングのオフ方策評価に残された課題 ●第3章：行動特徴量を用いたオフ方策評価 　　3.1 行動の特徴量を取り入れたオフ方策評価の定式化 　　3.2 行動特徴量を有効活用する推定量 　　3.3 これまでに登場した推定量のまとめ ●第4章：オフ方策評価に関する最新の話題 　　4.1 強化学習の方策に対するオフ方策評価 　　4.2 オフ方策評価に関するそのほかの最新トピック ●第5章：オフ方策学習に関する最新の話題 　　5.1 オフ方策学習の定式化 　　5.2 オフ方策学習における標準的なアプローチ 　　5.3 オフライン強化学習 　　5.4 オフ方策学習にまつわるそのほかのトピック ●第6章：オフ方策評価・学習の現場活用 　　6.1 方策の長期性能に関するオフライン評価 　　6.2 プラットフォーム全体で観測される報酬を最適化する方策 　　6.3 本章のまとめ ■著者プロフィール 齋藤優太（さいとうゆうた）：1998年北海道生まれ。2021年に、東京工業大学にて経営工学学士号を取得。大学在学中から、企業と連携して反実仮想機械学習や推薦・検索システム、広告配信などに関する共同研究・社会実装に多く取り組む。2021年8月からは米コーネル大学においても反実仮想機械学習などに関する研究を行い、NeurIPS・ICML・KDD・ICLR・RecSys・WSDMなどの国際会議にて論文を多数発表。そのほか、2021年に日本オープンイノベーション大賞内閣総理大臣賞を受賞。2022年にはWSDM Best Paper Runner-Up Award、Forbes Japan 30 Under 30、および孫正義育英財団第6期生に選出。著書に『施策デザインのための機械学習入門』（技術評論社）がある。

※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。 機械学習を用いた新規分子構造の生成や最適化にまつわる技術について，基礎理論から実装まで一気通貫して解説 　本書は，機械学習の初学者であっても分子構造の生成モデルや分子構造の最適化手法を理解できるように，機械学習の基礎から分子構造の生成モデルや最適化手法にいたるまでを体系的にまとめた書籍です． 　さらに，機械学習に関する技術はプログラミングを通じて実践することでより理解が深まるものであるため，数理的な内容だけではなく，Pythonによる実装を織り交ぜて説明しています．分子構造の生成モデルや最適化手法に関する基礎知識を得ることができるだけでなく，それらを実践に活かすところまで習得できます． 　また，分子構造を取り扱うための手法や，特有の事情についても詳しく説明していますので，機械学習の研究者が分子構造を取り扱った研究を始めたい場合にも参考になります． 〈このような方におすすめ〉 材料設計、創薬に携わる技術者、研究者および学生 分子生成モデルへの応用を目指す機械学習の技術者、研究者および学生 〈目次〉 第1章　分子生成モデルと分子最適化 1.1　分子最適化 1.2　分子生成に関する問題設定 1.3　分子生成モデルの構成要素 1.4　本書の構成 1.5　記　法 1.6　プログラミング環境 第2章　分子データの表現 2.1　分子のグラフ表現 2.2　SMILES 2.3　SELFIES 2.4　分子記述子 2.5　フィンガープリント 第3章　教師あり学習を用いた物性値予測 3.1　教師あり学習 3.2　経験損失最小化にもとづく教師あり学習 3.3　予測分布 3.4　ニューラルネットワーク 3.5　最適化アルゴリズム 3.6　評　価 3.7　過剰適合と正則化 3.8　グラフニューラルネットワーク 3.9　モデルの適用範囲 3.10 予測器の実装例・実行例 第4章　系列モデルを用いた分子生成 4.1　系列モデル 4.2　系列モデルを用いた分子生成モデル 第5章　変分オートエンコーダを用いた分子生成 5.1　変分ベイズ法 5.2　変分オートエンコーダ 5.3　変分オートエンコーダを用いた分子生成モデル 第6章　分子生成モデルを用いた分子最適化 6.1　分子最適化問題とその難しさ 6.2　分子最適化問題の連続最適化問題への変換 6.3　ベイズ最適化を用いた分子最適化 6.4　ベイズ最適化を用いた分子最適化アルゴリズム 第7章　強化学習を用いた分子生成モデルと分子最適化 7.1　強化学習の定式化 7.2　分子最適化の強化学習としての定式化 7.3　方策勾配法 7.4　オフライン強化学習 7.5　SMILES-LSTMを方策とした方策最適化 第8章　発展的な分子生成モデル 8.1　原子団を組み合わせる分子生成 8.2　分子骨格を用いた分子生成 8.3　生成モデルの評価手法 付 録　正規分布にかかわる公式 A.1　モーメント母関数 A.2　線形結合 A.3　条件付き確率

※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。 ゲーム理論から社会ネットワーク構造を明らかにする！ ▼社会ネットワーク分析とは 人と人が集まると社会が形成されます。人々には、家族であれば親子関係、婚姻関係、企業であれば上司と部下、同僚などの関係性がありあます。こうした関係はAさんとBさんの関係といった個々の関係を見るだけでは不十分であり、例えば、王族の家族関係は親子関係・婚姻関係の全体を見ることで、王位継承の争いをより深く理解できます。企業内でも、フォーマルであれ、インフォーマルであれ、誰と誰がより密な交流をしているかを全体として把握することで、企業内の派閥を確認でき、誰が出世しやすいかが見えてくるかもしれません。こうした個々の関係を超えた、集団や社会全体の関係、言い換えると、社会に存在する構造を明らかにする学問が社会ネットワーク分析です。 ▼ゲーム理論 他方、人は意思決定を行う主体にほかなりません。家族内では、子どもは学校でどのような行動をとるか（勉強するか、部活に打ち込むか、遊びに徹するかなど）を決めていき、親も子どもをどのようにしつけるかについて意思決定をしていきます。企業内でも、社員はそれぞれ意思決定をしながら、企業全体のパフォーマンスが決まっていきます。このときに、自分の望ましさは必ずしも相手の望ましさと共通にはなりません。子どもは勉強したくないし、親は勉強をさせたい。部下はサボりたいかもしれないし、上司はもっと頑張ってもらいたいかもしれない。こうした状況では、相手の行動に依存して、自分の取るべき行動が変わっていきます。こうした状況は駆け引きのある状況と言え、このような状況を分析する学問がゲーム理論です。 経済学や社会学を専攻する学部学生をはじめ、理論的な社会分析に興味のある社会人を主な読者対象として、ゲーム理論とRを通じて、社会ネットワーク分析を学ぶものです。 第1章ゲームとネットワークの記号表現 第2章ゲームとネットワークの記号表現の活用 第3章閉鎖性とネットワーク 第4章ネットワーク上の公共財供給と進化ゲーム 第5章ネットワーク形成についてのゲームとペアワイズ安定 第6章直接的なつながりの指標としての次数 第7章間接的なつながりも含めた中心性 第8章固有ベクトル中心性 第9章ナッシュ均衡と中心性 第10章社会関係資本と拡散中心性（三つの中心性の統合）

※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。 量子コンピュータのしくみの説明は、「量子とは粒であり波である」「結果は観測するまで確定しない」など、直感的には想像がつかない説明がつきまといます。そんな難解なイメージのある量子コンピュータがいかにして計算しているのかを解説する本です。 本書では、量子コンピュータのうち、ソフトウェア（アルゴリズム）のしくみを扱っています。逆に、ハードやビジネス活用に関する話はしていません。また、量子力学にも触れません。そのかわり、高校数学（主に行列）の知識さえあれば、その延長で量子アルゴリズムを理解できるよう、ていねいに、たっぷり解説します。本書に出てくる計算のルールの解説からはじめるので、難しそうと感じるかたでも、ぜひ読んでみてください。この本を片手に、量子コンピュータの「頭の中」をのぞいてみましょう。

テキストに対応する画像を生成する――従来は困難であった高次元のデータを創り出す生成モデルの技術が注目されている．現在，最高の性能を発揮し，画像・動画・音声・化合物の生成など，多様な応用が期待されているのが拡散モデルである．その数理の心から課題までを世界に先駆けて解説し，理論のさらなる発展を追究する．※この電子書籍は「固定レイアウト型」で作成されており，タブレットなど大きな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，文字列のハイライト，検索，辞書の参照，引用などの機能は使用できません．

※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。 チューニングを自動化するブラックボックス最適化について詳説 　本書は，機械学習に欠かせないハイパーパラメータ調整（チューニング）を自動化するブラックボックス最適化について一からわかりやすく，そして，詳しく説明した書籍です．合わせて，Python言語上で動作するフレームワーク“Optuna”によるブラックボックス最適化の実行を，Optunaの開発者ら自ら詳しく説明しており，基礎を理解しながら実践に即した知識を身につけることができます． 　いまや機械学習は多種多様な応用が広く図られており，技術者／研究者，学生全般にとって必修といえるスキルになっていますが，その際に手間を要するのが，ハイパーパラメータ調整です．特に，深層学習（ディープラーニング）では，ハイパーパラメータの数が多い傾向があるうえに，その調整が性能を大きく左右するといわれています．多くの技術者が，これにかなりの時間が費やされてしまっているのが実情です．ブラックボックス最適化は汎用性も高く，機械学習のハイパーパラメータ調整に限らず，工学や日常生活にかかわる多くのことを最適化できます．例えば，本書ではミドルウェアのパフォーマンス調整や，お菓子のレシピ作成にブラックボックス最適化を応用する方法も紹介しています． 　ハイパーパラメータ調整の手間を大幅に削減するブラックボックス最適化とそのPythonベースのフレームワークOptunaについて，応用例からアルゴリズムまでを一からわかりやすく説明した書籍です．機械学習に留まらず，科学技術のあらゆる分野で登場するブラックボックス最適化に入門するにあたって最適な書籍です． CHAPTER 1　ブラックボックス最適化の基礎 1.1　ブラックボックス最適化とは？ 1.2　目的関数と最適化 1.3　グリッドサーチとランダムサーチ 1.4　SMBO 1.5　ブラックボックス最適化の利用対象 CHAPTER 2　はじめてのOptuna 2.1　環境構築 2.2　簡単な数式の最適化 2.3　機械学習のハイパーパラメータのOptunaによる最適化 CHAPTER 3　Optunaを使いこなす 3.1　多目的最適化 3.2　制約付き最適化 3.3　可視化機能を用いた探索空間の調整 3.4　探索点の手動指定 3.5　分散並列最適化 3.6　サンプラーの選択 3.7　枝刈り CHAPTER 4　ブラックボックス最適化の応用例 4.1　機械学習のハイパーパラメータの最適化：音声認識ソフトウェアMozilla DeepSpeech 4.2　パイプラインフレームワークとハイパーパラメータ最適化 4.3　継続的なモデル改善でのOptunaの使い方 4.4　オンライン広告入札システムの実行環境の最適化 4.5　クッキーレシピの最適化 4.6　ニューラルアーキテクチャサーチ CHAPTER 5　Optunaの最適化の仕組み 5.1　Optunaの柔軟なインタフェース 5.2　独立サンプリング 5.3　独立サンプリングの課題 5.4　同時サンプリング 5.5　パラメータ選択の全体像 CHAPTER 6　ブラックボックス最適化のアルゴリズム 6.1　探索点選択における共通の枠組 6.2　単目的最適化における探索点選択のアルゴリズム 6.3　多目的最適化における探索点選択のアルゴリズム 6.4　探索点選択アルゴリズムの使い分け

※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。 音声対話システムの理論と実装を網羅！ Python言語による音声対話システムの実装方法を詳しく解説． 　本書は，人間の言葉を理解し，適切に応答するシステム（＝音声対話システム）の理論をわかりやすく網羅した書籍です．合わせて，Python言語による音声対話システムの実装方法を詳しく説明しており，基礎を理解しながら実践に即した知識を身につけることができます． 　音声対話システムの実用化・普及が進む中で，さまざまな課題が明確化され，取り組みが進められています．また，少子高齢化が進み，働き手が不足している社会状況から，音声対話システムに対する社会の期待は今後ますます高まっていくと予想されています． 　今後，音声対話システムの研究開発に携わる方に必携の書籍です． 第1章　音声対話システムの概要 第2章　音声対話システムの分類 第3章　音声認識 第4章　言語理解 第5章　対話管理 第6章　end-to-endモデルによる応答生成 第7章　応答文テキストの音声合成 第8章　音声対話システムの評価 第9章　人間らしい対話を実現するための要素技術 第10章 音声対話システムの未来 付　録　Dialogflow ESによる実装

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。 深層学習でネットワークを解析する世界最前線の研究を1冊で学ぶ！ 　深層学習をグラフ（ネットワーク）で表される構造データに対して適用するための研究が盛んになっています。それが、本書で解説するグラフニューラルネットワークです。グラフ中の頂点やグラフ全体を高精度に分類できれば、高度な画像認識、推薦システム、交通量予測、化合物分類、さらには新型コロナウイルス（COVID-19）への対処のための応用なども期待できる、世界最前線の研究です。 　本書では、グラフニューラルネットワークの基本的な知識および研究事例について説明し、PyTorchによる実装について紹介するとともに、今後の学習のための情報源についても解説します。Google Colaboratoryで解説するとともに、サンプルコードもついています。 まえがき 第1章　グラフニューラルネットワークとは 　1.1　はじめに 　1.2　グラフを対象とした畳み込み 　1.3　グラフを対象とした機械学習タスク 　　1.3.1　ノード分類 　　1.3.2　グラフ分類 　　1.3.3　リンク予測 　　1.3.4　グラフ生成 　1.4　グラフニューラルネットワークの応用 　　1.4.1　画像認識 　　1.4.2　推薦システム 　　1.4.3　交通量予測 　　1.4.4　化合物分類 　　1.4.5　組み合わせ最適化 　　1.4.6　COVID-19とグラフニューラルネットワーク 　まとめ 第2章　グラフエンベディング 　2.1　グラフエンベディング手法の概観 　2.2　次元縮約に基づく手法 　2.3　グラフ構造に基づく手法 　　2.3.1　DeepWalk 　　2.3.2　LINE 　　2.3.3　node2vec 　　2.3.4　GraRep 　2.4　ニューラルネットワークに基づく手法 　まとめ 第3章　グラフにおける畳み込み 　3.1　グラフ畳み込みにおけるアプローチ 　3.2　Spectral Graph Convolution 　　3.2.1　フーリエ変換 　　3.2.2　グラフラプラシアン 　　3.2.3　ChebNet 　　3.2.4　GCN 　3.3　Spatial Graph Convolution 　　3.3.1　PATCHY-SAN 　　3.3.2　DCNN 　　3.3.3　GraphSAGE 　まとめ 第4章　関連トピック 　4.1　グラフオートエンコーダ 　4.2　GAT 　4.3　SGC 　4.4　GIN 　4.5　敵対的攻撃 　4.6　動的グラフのエンベディング 　4.7　時空間グラフ畳み込みネットワーク 　4.8　説明可能性 　まとめ 第5章　実装のための準備 　5.1　Python 　5.2　NumPy 　5.3　SciPy 　5.4　pandas 　5.5　Matplotlib 　5.6　seaborn 　5.7　Scikit-learn 　5.8　t-SNE 　5.9　Jupyter Notebook 　5.10 Google Colaboratory 　まとめ 第6章　PyTorch Geometricによる実装 　6.1　PyTorch 　　6.1.1　データセット 　　6.1.2　モデル 　　6.1.3　損失 　　6.1.4　最適化 　6.2　PyTorch Geometric入門 　　6.2.1　PyTorh Geometricとは 　　6.2.2　類似ライブラリとの比較 　　6.2.3　PyTorch Geometricによるグラフのデータ構造 　　6.2.4　よく使われるベンチマークデータセット 　　6.2.5　ミニバッチ 　　6.2.6　データ変換 　　6.2.7　グラフの学習手法 　6.3　PyTorch Geometricによるノード分類・グラフ分類 　　6.3.1　PyTorch Geometricによるエンベディング 　　6.3.2　PyTorch Geometricによるノード分類 　　6.3.3　PyTorch Geometricによるグラフ分類 　まとめ 第7章　今後の学習に向けて 　7.1　書籍 　7.2　サーベイ論文 　7.3　動画 　7.4　リンク集など 　7.5　Open Graph Benchmark 　まとめ おわりに 参考文献 索引

※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。 人と自然にコミュニケーションするAI，ロボットを設計するための入門書． コグニティブインタラクションは，従来の認知科学や情報科学だけではなしえていない，「状況に応じて，人と自然に，かつ持続的にインタラクションが可能な人工物を設計するための基礎理論」です．本書は，その入門書です． AIやロボットが人の社会生活にとけこむためには，人と協調行動をとれなければいけません．それには，コミュニケーション，つまり，意思疎通の能力が欠かせません．しかし，言語によるコミュニケーションよりも，非言語情報によるインタラクションのほうが重要になることがよくあります．相手が人であれ，動物であれ，AIやロボットなどの人工物であれ，人は相手の意図や欲求などの心的状況を読み取り，それに適応した行動をとるという，コグニティブ（認知的）インタラクションを繰り返すことで，円滑に対話を行っていると考えられるからです． 第1章では，人とAIのインタラクションについて，人どうしのインタラクションや人と動物のインタラクションをベースに考える枠組を説明しています．第2章では，インタラクションを分析していくための概念や方法を説明しています．続く第3章では，取得したデータをモデルベースで分析するために必要な，データの表現方法について説明しています．最後の第4章では，第3章までに学んだ基礎的な概念や方法を用いて，実際にどのようなインタラクションの分析が可能なのかを，これまでの事例の中から特に興味深いものに絞って説明しています． 本書を読むことで，人どうし，あるいは人と動物の間のインタラクションで起きていることを理解するためだけでなく，人と自然にコミュニケーションするAI，ロボット，そのほかの人工物を設計するための基本がわかります． 序章　「コグニティブインタラクション」とは 第１章　インタラクションの重要性と認知モデリング 　1.1　人と人工物のインタラクション 　1.2　コミュニケーションとインタラクション 　1.3　AIとインタラクション 　1.4　インタラクションのための認知モデリング 　1.5　他者モデルのモデリング 第２章　インタラクション分析の基礎 　2.1　仮説を立てる徴 　2.2　仮説検証のための実験デザイン 　2.3　分析データの扱い 　2.4　インタラクションの基本的な時系列モデル 　2.5　時系列データの因果関係の分析モデル 　2.6　強化学習モデルによるインタラクション解析態 第３章　データの定量的表現と変数 　3.1　表情と視線にかかわる変数 　3.2　身体運動と空間配置にかかわる変数 　3.3　音声言語にかかわる変数 　3.4　人以外において重要な変数 　3.5　動画像処理 　3.6　装着型デバイスによる身体動作計測 　3.7　音韻情報と韻律情報の計測処理 　3.8　生理指標の計測 第４章　インタラクション分析の実際とポイント 　4.1　相手が何をしようとしているのかを理解する 　4.2　みんなは何をしようとしているのかを考える 　4.3　人‐動物インタラクション 　4.4　人‐人工物インタラクション Column 　0.1　認知的インタラクションデザイン学 　1.1　インタラクションにおける相互適応学習 　1.2　社会脳仮説と心の理論 　1.3　ヒューリスティックとアルゴリズム 　1.4　適応認知における認知バイアス 　2.1　 相談の成否を決める隠れ状態の推定（二者間インタラクションの時系列分析） 　2.2　鹿狩りゲームと読みの深さ 　3.1　音声に含まれる個人性と生成・識別モデル 　3.2　複数ロボットの発話の重なりによって創発する空間の知覚 　3.3　ヘッドマウントディスプレイ（HMD） 　3.4　アバターの情動表現と仮想空間の文脈理解 　4.1　ロボットを介した人‐人インタラクションの分析 　4.2　人‐ウマインタラクションにおける人馬一体感とは 　4.3　ウマの歩法変化の計測と解析方法 　4.4　電動車いすを使った応答性と鋭敏性に関する実験 　4.5　ユーザの信頼を誘発する商品推薦エージェントのデザイン 　4.6　人とAIの間にリーダ‐フォロワ関係は成立するか

※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。 ※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。 スモールなデータの解析手法・ノウハウが身につく！ Webデータや画像データに代表されるようなビッグデータが注目される一方で、機械の故障データのように発生自体がまれであったり、患者さんの検査データのように倫理的な問題からデータを集めることに制約があったり、あるいはデータの判読が専門家以外では困難で機械学習に利用しにくいデータは、どうしても忘れられがちです。ビッグデータの時代において、収集が難しいために私たちが忘れかけているデータのことをスモールデータとよびます。 スモールデータでは、測定されている変数の数に比べて学習に必要なサンプルが不足していたり、それぞれのクラスのサンプル数が極端に偏っていたりするため、深層学習のようなビッグデータの方法をそのまま適用するのは適当ではなく、異なるアプローチが必要になります。 本書は、スモールデータとはどのようなデータであるのかを具体的に紹介して、スモールデータ解析の基本となる次元削減と回帰分析を説明します。特に部分的最小二乗法（PLS）はスモールデータ解析の大きな武器となるでしょう。そして、機械学習においてモデルの性能向上のために必要な変数（特徴）選択を紹介し、特にクラスタリングに基づいた新しい変数選択手法を説明します。つづいて、不均衡なデータの解析手法と異常検知を紹介して、最後にスモールデータ解析についての筆者の経験に基づいたポイント・考え方を述べました。本書ではPythonプログラムとスモールデータ解析の例題を通じて、読者がスモールデータを有効に解析できるようになるよう工夫しています。 ビッグデータの世界は、もはやデータ量と資本力が支配するレッドオーシャンとなっています。しかし、スモールデータの世界は、まだまだ現場の創意工夫次第でデータから新たな価値を引き出すことのできるブルーオーシャンなのです。みなさんも、この未知の世界に飛び込んでみませんか？ 第1章 スモールデータとは 第2章 相関関係と主成分分析 第3章 回帰分析と最小二乗法 第4章 線形回帰モデルにおける入力変数選択 第5章 分類問題と不均衡データ問題 第6章 異常検知問題 第7章 データ収集や解析の心構え

実践的かつ具体的なサンプルで理解を促す ディープラーニングとAIのコアアルゴリズム 【本書の内容】 本書は Rishal Hurbans, "Grokking Artificial Intelligence Algorithms", Manning Publishing, 2021 の邦訳です。 ここ十数年のさまざまな進歩によって、想像をはるかに超 える規模の、人工知能へのハイウェイが整備されてきました。 本書は、そのハイウェイを高速で走行しながら、周囲の景色や走行時の注意事項、交通法 規を図や例題・演習などで理解を促します。 目的地は、AIのコアを形成するアルゴリズムの理解と構築です。 取り上げるアルゴリズムは、画像内のオブジェクトの識別やテキストの意味の解釈、不正 や異常を検知するパターン検索などを、効率よく・手際よく行う手法です。 とはいえ、それぞれを仔細に論じることはありません。かといって、大雑把な地図を広げ るだけでもありません。 本書はあくまでもAIに興味のある読者自身が走行するハイウェイの見どころと、有用なア イテムを提供するだけです。 アイテムのほとんどは高校レベルの代数学ですし、図を多用することで数式は極力排除し ています。Pythonが多少わかれば、すぐにでもハイウェイをぶっ飛ばせます！！ 【本書のポイント】 ・小難しい理屈をイタズラ描きのような図で解説 ・直観的にAIの問題と解決を把握できる ・理解を促すための演習問題 【読者が得られること】 ・人工知能を構成するアルゴリズムの理解 ・統計・分析／解析だけにとどまらない未来 ※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。 定番「わかりやすい　パターン認識」の続編！ベイズ統計学の基礎から、最新のノンパラメトリックベイズモデルまでやさしく解説した唯一の書籍！ 初学者にはとっつきにくいパターン認識の基本を丁寧な図解と数式展開で解説して好評を得てきた、1998年発行「わかりやすい　パターン認識」の続編です。前作で取り上げることのできなかった教師なし学習を主に取り上げてわかりやすくまとめました。教師なし学習を理解することで、より広い対象の音声・画像処理技術、ビッグデータなどを扱うことができるようになります。また、ノンパラメトリックベイズモデルについてわかりやすく解説した日本語の書籍は本書のみで、機械学習やパターン認識をこれから志す研究者、学生の方にもおすすめです。 第1章　ベイズ統計学 第2章　事前確率と事後確率 第3章　ベイズ決定則 第4章　パラメータ推定 第5章　教師付き学習と教師なし学習 第6章　EMアルゴリズム 第7章　マルコフモデル 第8章　隠れマルコフモデル 第9章　混合分布のパラメータ推定 第10章　クラスタリング 第11章　ノンパラメトリックベイズモデル 第12章　ディリクレ過程混合モデルによるクラスタリング 第13章　共クラスタリング 付録A　補足事項 （凸計画問題と最適化，イェンゼンの不等式，ベクトルと行列に関する基本公式，KLダイバージェンス，ギブスサンプリング，ウィシャート分布と逆ウィシャート分布，，ベータ・ベルヌーイ過程）

【概要】 本書は、深層学習の開発環境の準備とPythonの基本、各種深層学習モデルの解説、そして実際の現場での利用方法について解説した書籍です。 ニーズの高い、人気の深層学習モデルを利用した画像処理モデルの構築方法を解説しています。 また最終章では深層学習のモデルをGoogle Cloud Platform（GCP）にデプロイする手法を解説しています。 【読者対象】 人工知能関連の開発に携わる開発者、研究者 【著者】 株式会社アイデミー　木村優志（きむら・まさし） 博士（工学）。ATR-trek、富士通を経て、現在はConvergence Lab.の代表として多数のAI案件を手がける。 アイデミー技術顧問。 ※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。

【概要】 人工知能関連のプロダクト・サービスの開発において、機械学習は最初の学習領域です。 本書は、機械学習の基本と実践手法について解説した書籍です。 機械学習の開発環境の準備、実際の現場での利用方法、そしてブラックボックス化しがちな理論部分もしっかりフォローしています。 データ集計・整形と組み合わせた機械学習モデルの利用方法も解説しています。 【読者対象】 人工知能関連の開発に携わる開発者、研究者 現在は推薦システムの設計からアルゴリズムのデザインのみならず、インフラ構築を含めたサーバーサイド全般に従事。 ※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み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ら応用まで、 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。 ※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。 人や動物の行動データの背後にある計算過程をモデル化し，行動の理解と予測につなげる。 本書は，主に行動データの計算論モデリングの方法やその理論を初学者に向けて丁寧に解説します。実例として，心理学や神経科学の実験課題として良く用いられる，ギャンブル課題における選択行動データを扱います。本文では自分ではプログラミングをしない読者も想定して，プログラムは用いずに計算論モデリングの概要がイメージできるような解説をこころがけました。実際に計算論モデリングをするためのRコードやStanコードは付録やサポートページで解説しています。 第1章　計算論モデリングとは 第2章　計算論モデリングの基礎 第3章　強化学習モデルを用いたデータ解析の事例 第4章　パラメータ推定の実際 第5章　モデル選択 第6章　計算論モデリングに基づく統計分析 第7章　結果の解釈，モデルの統計的な性質の理解 第8章　強化学習モデルのバリエーション 第9章　計算論モデリングの課題と発展 付録A 数学的な補足 A.1 期待値 A.2 対数と指数関数 A.3 本書で用いる確率分布 A.4 コイントスに関する計算 A.5 WAIC A.6 WBIC A.7 周辺尤度のラプラス近似 A.8 信頼区間 A.9 正規分布モデルの事後分布 A.10 正規分布の周辺化 付録B R コード B.1 Rescorla-Wagner モデルのシミュレーション B.2 Q 学習のシミュレーション B.3 MAP 推定 B.4 ベイズ推定によるQ 学習の推定 B.5 集団モデルのシミュレーション B.6 階層ベイズ B.7 WAIC, WBIC の計算 References 索引

※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。 複数のプログラミング言語とパラダイムを使いこなせれば、プログラマとしての幅が広がります。本書は、1週間で1つの新しい言語を学ぶ“Seven Languages in Seven Weeks”を、Rubyの作者まつもとゆきひろ氏の監訳で発行するものです。言語の特徴を映画の登場人物になぞらえて、Ruby、Io、Prolog、Scala、Erlang、Clojure、Haskellという個性的な7つの言語を紹介。各言語の特性とそこにあるプログラミングパラダイムを、体験を通してものにしましょう。 母に捧ぐ 謝辞 序文 第1章 はじめに 第2章 Ruby 第3章 Io 第4章 Prolog 第5章 Scala 第6章 Erlang 第7章 Clojure 第8章 Haskell 第9章 全体のまとめ 付録A 参考資料 監訳者あとがき 索引 著者・監訳者・訳者について

※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。 Excelで進化計算が学べる！！ 進化論的手法は、生物の進化のメカニズムをまねてデータ構造を変形、合成、選択する工学的手法です。この方法により、最適化問題の解法、人工知能の学習、推論、プログラムの自動合成などに広く応用されるものです。 本書ではGA やGP の基本原理からExcelを用いた実践（Excel のシミュレータ）について解説します。 ExcelシミュレーションはExcel2013/2016対応。 主要目次 まえがき 第I部　進化計算入門 第1章　進化計算の基本的な考え方 第2章　関数の最適化をしてみよう 第3章　GAを使ってみよう 第4章　GAをより複雑な問題に適用しよう 第II部　進化計算の実際的な応用例 第5章　進化計算で巡回セールスマン問題を解いてみよう 第6章　進化計算でスケジューリングしてみよう 第7章　進化計算をデザインに応用しよう 第III部　進化計算の発展 第8章　GAからGPへ 第9章　今後の展望 関連図書 索　引

※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Webアプリケーションの脆弱性をチェックするための解説書です。Webアプリケーションはユーザーの個人情報や商品情報など重要な情報を扱っています。Webアプリケーションの開発者がセキュリティに自信がある場合でも、開発者のちょっとした打ち間違いや、勘違いがあることでWebアプリケーションに進入・改ざんなどが行われこれらの個人情報が悪用される恐れがあります。 本書ではWebアプリケーションの開発後にセキュリティを確認するための脆弱性診断についてまとめています。脆弱性診断を行う際のスタンダードツールとなっているOWASP ZAPとBurp Suiteを使用することで、開発者やセキュリティ担当者がセキュリティに問題がないかを検査することができます。 本書の前半では、Webアプリケーションがどのような仕組みで通信をし、どのようにして脆弱性が起こるのかといった診断に必要なネットワークの知識を学んでいきます。後半では、実際に問題があるBAD STOREというWebアプリケーションデータを使用し、仮想マシン上で実際に手を動かしながら脆弱性診断の手法を学んでいきます。診断の仕方はOWASP ZAPを使用して通信経路などを診断する方法と、手動で検索窓などにパラメータを挿入し診断する方法など様々な手法を解説しています。 著者の上野宣はOWASP ZAPの日本リーダーであり、脆弱性診断の第一人者です。脆弱性診断の手法を身に付けることで、セキュリティを客観的に判断することができますので、Webアプリケーションの開発者だけでなく、経営者の方にもおすすめの1冊です。 ※電子書籍版にはチェックシートは付属していません。 ※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。

VBAに関して、世にある情報の多くは「使い方」にフォーカスしすぎており、「構造」や「体系」、「作法」に触れていない場合も多く、そのためか他の言語にくらべ、メンテナンス性や再利用性の低いコードや運用しづらいマクロがまん延している状況にあるともいえます。こうした状況を打破するためには、本質的には、最初から言語の体系や構造を理解し、作法が身につくように学ぶことが最善の策といえます。本書は、Excel VBAで本格的なアプリ開発などを目指す人のためのバイブル的1冊として、基礎から応用までを、体系的に詳しく学べる解説書です。

※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。 ※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。 手を動かして理解する、実務で役立つMLOps 本書は、サービスに活用できる機械学習システムの開発・運用を解説する書籍です。 　機械学習をサービスで活用するとき、機械学習モデル自体ではなく、運用上・管理上の問題に直面することは数多くあります。どれだけ優れた機械学習モデルを構築できたとしても、それをサービスに活かすためのシステムがなければ運用できません。 　そこで本書では、機械学習システムを運用するための技術であるMLOpsを、機械学習システムの構築を通じて学んでいきます。具体的には、広告クリック率をリアルタイムで予測する機械学習システムをAWS上にデプロイします。 　機械学習パイプラインや推論サービスの構築だけでなく、バージョニングやシステム監視など、サービス活用のために必要とされる一歩進んだ内容にまで踏み込んでいる点が特徴です。 【このような方におすすめ】 ◎ 機械学習システムに関わるソフトウェアエンジニア ◎ 開発だけでなくデプロイまで行うデータサイエンティストや機械学習エンジニア 〇 機械学習をビジネス活用しようと考えているプロダクトマネージャー 〇 機械学習をサービスで活用している企業で働きたいと考えている大学生 はじめに・目次 1章　MLOps概要 2章　環境構築 3章　モデル作成 4章　機械学習パイプライン 5章　実験基盤 6章　バージョン管理 7章　CI・CD 8章　推論サービス 9章　継続的学習 10章　監視 索引

人工知能と哲学、「人」に迫る二つの学問が影響し合うその先を問い、考える 　本書は、人工知能学会誌『人工知能』の連載記事：レクチャーシリーズ「AI哲学マップ」および関連記事を再編集し、書籍化するものです。 　レクチャーシリーズ「AI哲学マップ」は、人文系（主に哲学）の研究者と人工知能分野の研究者の対談から、相互の知見を共有し集積した先に、「人工知能のフロンティアを描き出す」ことを目的として企画されました。本書では、記事・対談の内容から浮かび上がった下記四つの問いを提示し、これらを軸に対談内容を理解することで、人工知能研究の「現在地」と「方向性」を明らかにし、学問としての発展に示唆を与えます。 　問い1　人工知能にとってコミュニケーションとは何か 　問い2　人工知能にとって意識とは何か 　問い3　人工知能にとって社会とは何か 　問い4　人工知能にとって実世界とは何か 　記事再編にあたり、人工知能を専門としない多くの方々にもわかりやすく読めるよう、技術解説の補足や挿絵の追加など、内容理解の助けとなる工夫を凝らしました。 はじめに 問い1　人工知能にとってコミュニケーションとは何か 問い2　人工知能にとって意識とは何か 問い3　人工知能にとって社会とは何か 問い4　人工知能にとって実世界とは何か おわりに 注釈語索引 対談参加者プロフィール一覧

AIの民主化！ DataRobotで AIドリブンな意思決定を実現！ 【本書の概要】 本書は、データ準備からAI（機械学習）モデルの生成、モデルの実運用化などデータ・AI活用のステップを エンドツーエンドで自動化してくれる「DataRobot」を利用してAIのビジネス活用を実現する手法を解説した書籍です。 DataRobotを使えば、データサイエンティストやAIエンジニアのように専門知識を持たないユーザーでも、 シチズンデータサイエンティストとしてAI活用の最先端に立ち、AIドリブンな意思決定を実現できます。 【対象読者】 ・ビジネスアナリスト：BIツールやSQLなどを使ってデータ分析をしている方 ・マネジメント層：「AIで何かをやれ」ではなく、最低限のAIの知識を持って技術者と話せるようになりたい中間管理職の方 ・エンジニア：統計分析やプログラミングなどの技術を日常的に使っているものの、AI技術には馴染みのない方 【本書の特徴】 本書はDataRobot初心者に必要となる前提知識、基本操作、データ準備、モデル生成、モデルの評価・解釈などにおける ベストプラクティスを網羅した入門書です。 また業務活用編として自社のビジネスに合わせた利用方法のヒントも紹介しています。 【著者プロフィール】 中山晴之、小島繁樹、川越雄介、香西哲弥 DataRobot Japan 執筆メンバー。 【著者・監修者プロフィール】 シバタアキラ（DataRobotJapan チーフデータサイエンティスト） 世界のトップデータサイエンティストが働くDataRobot, Inc. にて、日本事業の技術責任者。 ※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。 「脳コミュニケーションのための進化システムの研究」の基になった考え方を取り上げ、平易に解説。

※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。 「データを伝える力」を高める、データ実務者のためのデザイン原則 データ理解からデザインの基礎、ダッシュボード設計まで網羅した可視化の必読書 （Data Graphics Inc. 荻原和樹 推薦） データビジュアライゼーションデザインの実践に役立つ知識を体系的に解説。データの基礎知識から人間が情報をどう認識・処理するか、アクセシビリティ、色彩理論、タイポグラフィ、良いチャートの作り方、インタラクションデザイン、ダッシュボード設計まで幅広く紹介しています。 ●目次 第1部 　第1章 データビジュアライゼーションの世界にようこそ 　第2章 人はどのようにして情報を認識するか 　第3章 データについての基礎知識 第2部 　第4章 色の選択 　第5章 タイポグラフィ 　第6章 よいチャートの作り方 　第7章 インタラクションデザイン 第3部 　第8章 調査立案、デザイン設計、製作開発 　第9章 トラブル対策 付録　参考資料 ●著者 ●著者 Desireé Abbott 製品分析、ビジネス インテリジェンス、科学、設計、ソフトウェア エンジニアリングの分野で10年以上の経験を持つ。 ●日本語版監修 山辺真幸　博士（政策・メディア） 情報可視化研究者。一橋大学大学院ソーシャル・データサイエンス研究科特任講師、慶應義塾大学大学院メディアデザイン研究科特任講師。複雑な大規模データのビジュアライズデザインを専門とし、手掛けた作品は、NHK、日本科学未来館などで展示されている。グッドデザイン賞、可視化情報学会賞、他受賞多数。 ●翻訳 長尾 高弘 株式会社ロングテール社長、技術翻訳者。最近の訳書として『数式なしでわかるAIのしくみ』（マイナビ出版）、『Wiring the Winning Organization　成功する組織を導く3つのメカニズム』（日本能率協会マネジメントセンター）、『scikit-learn、Keras、TensorFlowによる実践機械学習 第3 版』（オライリー・ジャパン）、『Web APIテスト技法』（翔泳社）、『継続的デリバリーのソフトウェア光学』（日経BP 社）、『Scalaスケーラブルプログラミング 第4 版』（インプレス）などがある。 ※この商品は固定レイアウト型の電子書籍です。 ※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。 ※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

※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。 細胞培養（培地最適化）へ機械学習を応用するための基礎やノウハウを解説 本書は細胞培養（培地最適化）へ機械学習を応用するための基礎やノウハウを解説した書籍です．現状，細胞培養に機械学習を応用しようとすると，情報工学や数理統計学のテキストを読む必要がありますが，これらでは情報工学や数理統計学の基本的なカリキュラムを修了していることが前提とされていて，細胞培養のエンジニアや学生が読みこなすのは大変です． また，情報工学や数理統計学において重要な基本原理の解説と研究事例の紹介がメインであり，必ずしも細胞培養に応用するうえで，「機械学習をどう利用するのか」「どうやってデータサイエンス化するのか」について，詳しく書いてあるわけではありません． 本書では，情報工学や数理統計学のノウハウがなくても，つまり，AIの素養がなくても，読者ご自身の細胞培養の定量性や再現性を高め，予測可能な結果につなげるためのヒントをまとめたものです．著者の経験をもとに，機械学習を応用する大切なポイントを解説しています． 第1章　細胞培養の基礎を押さえよう 　1.1　細胞培養について 　1.2　細胞培養のための培地選び 　 第2章　細胞培養を定量化しよう 　2.1　細胞の数を計測してみよう 　2.2　増える細胞の様子を数値化しよう 　 第3章　細胞培養をデータ化しよう 　3.1　データサイエンスの基本をざっくり把握しておこう 　3.2　細胞培養・培地をデータ化しよう 　3.3　データ化するための自動化 　　 第4章　細胞培養を学習分析しよう 　4.1　機械学習について知ろう 　4.2　細胞培養のデータでデータサイエンスを行おう 第5章　細胞培養を最適化しよう 　5.1　最適化するための方法 　5.2　機械学習のアルゴリズムを押さえよう 　5.3　学習データを取得しよう 　5.4　モデルを訓練しよう 　 第6章　アクティブラーニングを活用しよう 　6.1　アクティブラーニング　 　6.2　応用と展望

【データ加工の技とモダンなコードで織りなすAwesomeな実践知識を厳選！】 　BigQuery、Pandas、Polarsを使った実用的なモダン前処理を学びましょう！ 　データ分析において前処理が重要かつ多くの時間をとられる業務であることは広く知られてきました。同時に前処理を実現するためのライブラリは大きく改善されてきています。また、機械学習モデルの進化によって、求められる前処理の内容も変わってきています。本書は、初めて学ぶ方にも昔学んでから知識をアップデートしていない方にも、悪いサンプルコードと良いサンプルコードを紹介しながら丁寧にデータ分析の前処理を学べる技術書です。 　本書は、第一版の前処理大全から大きく構成や内容を変更しています。SQLはBigQuery準拠に変更し、Pandasは最新バージョンの思想に沿い新機能を使ったコードに変更しました。Rの代わりにR同様にパイプラインで書きやすくかつ処理エンジンがRustベースで書かれているため高速なPolarsに変更しました。また、前処理内容も大きく変更し、より現在よく使われる処理を実用ケースとともに解説しています。また、新たな試みとしてコラムとして少しマニアックだけど役立つプログラムの裏側の解説や分析テクニックを紹介しており、中級者の方にとっても有用な知識をお届けしています。 ■こんな方におすすめ データ処理業務に従事するエンジニア、データ分析者 ■目次 ●Part1 前処理の基礎知識 　　第1章 前処理とは 　　第2章 SQL 　　第3章 pandas 　　第4章 Polars ●Part2 データの構造を対象とした前処理 　　第5章 抽出 　　第6章 集約 　　第7章 結合 　　第8章 分割 　　第9章 整形 ●Part3 データの内容を対象とした前処理 　　第10章 数値 　　第11章 カテゴリ 　　第12章 日時 　　第13章 文字列 　　第14章 ウィンドウ関数 ●Part4 実践前処理 　　第15章 演習問題 ■著者プロフィール 本橋智光（モトハシトモミツ）：SIerの研究員、Web系企業の分析者を経て、SUSMEDのCTO。株式会社ホクソエムのメンバーでもある。基盤・Webアプリ・機械学習・数理最適化等幅広くこなす。最近の好きなプログラミング言語はRust。 橋本秀太郎（ハシモトシュウタロウ）：北海道大学 大学院情報科学研究科 博士後期課程修了。博士（情報科学）。大学院修了後はSIerでデータ分析関連の研究開発やコンサルティングに従事。現在は国内でも有数の膨大なデータを持つインターネット企業に勤め、データサイエンスチームのリードとして、日々サービスグロースのためのデータ分析を行う。

機械学習システムを実用化する 設計・開発・運用ノウハウが満載 【本書の概要】 本書は前著『AIエンジニアのための機械学習システムデザインパターン』（ISBN 978-4798169453 ）では触れられなかった、 機械学習システムを構築する上で実際に発生する課題を想定し、 動いているシステムやワークフローに機械学習を組み込む方法を解説した書籍です。 特にニーズの高い以下の機械学習システムの例を用意しています。 ・需要予測システム ・違反検知システム 【本書で学べる内容】 本書を読むことで、ケーススタディとして機械学習を実用化するための、 ・課題設定 ・ワークフロー設計 ・システム開発 ・チーム設計 を学ぶことできます。 【対象読者】 AI エンジニア、システムエンジニア 【目次】 第1章 課題、チーム、システム 第2章 需要予測システムを作る 第3章 動物画像アプリで違反検知システムを作る 第4章 動物画像アプリの検索に機械学習を活用する 【著者プロフィール】 澁井 雄介(しぶい・ゆうすけ) Launchable　Inc所属。 MLOpsエンジニア、インフラエンジニア、バックエンドエンジニア、Androidエンジニア、ネコ2匹の飼い主。家に猫用ハンモックが4台ある。 本業でDeveloper ProductivityのためのMLOps・データ基盤を開発しつつ、MLOpsコミュニティの運営や副業に精を出している。 過去にはSIer、外資ソフトウェアベンダー、スタートアップで新規プロダクトの起ち上げ、大規模システム運用、チームマネジメントに従事。 前々職のメルカリにて機械学習をシステムに組み込むデザインパターンを執筆、公開。 ・GitHubで「mercari/ml-system-design-pattern」と検索 ※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。 丁寧な解説と豊富な演習問題により、量子計算のアルゴリズムと計算量理論について一から理解できる 量子計算のアルゴリズムと計算量理論について、一からわかりやすく解説した書籍です。 現在、大きな注目を集めている量子コンピュータによる計算（量子計算）は、従来のコンピュータによる計算（古典計算）と比べて、いわゆる指数関数的な高速化を実現することがあります。 その一方で、この高速化は量子力学の基礎原理をもとにしており、アルゴリズムと計算量理論の分野の言葉で記述されるものです。したがって、この高速化の現象を正しく理解するには、量子力学特有の重ね合わせの原理とエンタングルメントをはじめとした量子計算のアルゴリズム、および、計算量理論をひと通り理解する必要があります。 本書は、線形代数と離散数学の基本的な知識のみを前提として、量子計算の原理について初学者向けに丁寧な解説を行っています。 数多くの例題と演習問題を収載しており、読者自ら手を動かしながら学ぶことができます。 第1章　計算理論の基礎事項 1.1　文字列，計算問題 1.2　ブール回路 1.3　二進列に対する演算 1.4　計算量クラス 1.4.1　P, NP, EXP 1.4.2　多項式時間帰着とNP完全問題 1.4.3　オラクル 1.4.4　乱択アルゴリズムと計算量クラス 第2章　ブラケット記法と量子計算でおなじみの行列 2.1　ベクトル 2.2　行　列 2.3　量子計算でよく出現する行列 2.3.1　ユニタリ行列 2.3.2　正規行列，エルミート行列 2.3.3　射影行列 2.3.4　半正定値行列 第3章　量子情報の基礎 3.1　量子ビット，量子状態 3.1.1　量子ビット，量子状態の測定 3.1.2　量子ビットの幾何的描像 3.1.3　量子ビット，量子状態の時間発展 3.1.4　量子ランダムアクセス符号 3.1.5　量子鍵配送 3.2　複数の量子ビット 3.2.1　テンソル積 3.2.2　複数の量子ビットからなる量子状態 3.2.3　複数の量子ビットの時間発展および測定 3.2.4　部分系の測定 3.2.5　CHSHゲーム 3.2.6　量子テレポーテーション 3.3　観測量 3.4　混合状態 3.4.1　1量子ビットと密度行列 3.4.2　部分トレースと混合状態 3.5　POVM 3.5.1　3ビット量子ランダムアクセス符号 3.5.2　2値POVM の実現方法 3.6　発展的な概念 3.6.1　トレース保存完全正値写像 3.6.2　近似と距離 第4章　量子回路 4.1　基本ゲート，量子回路 4.2　古典計算vs量子計算 4.3　量子計算の計算木 4.4　万能量子ゲート集合 4.5　よく使用される量子回路 4.5.1　量子回路のワイヤの交換 4.5.2　量子アダマール変換と一様重ね合わせ状態の生成 4.5.3　量子フーリエ変換 4.5.4　アダマールテスト 4.5.5　SWAPテスト 4.6　空間的制約が課された量子回路 第5章　量子アルゴリズム 5.1　Deutsch?Jozsaの量子アルゴリズム 5.2　Groverのアルゴリズム 5.2.1　量子計算に古典アルゴリズムを組み込む 5.2.2　量子振幅増幅 5.3　Simonのアルゴリズム 5.4　位数発見アルゴリズム 5.5　量子特有の問題に対する量子アルゴリズム 5.5.1　位相推定 5.5.2　量子シミュレーション 5.6　その他の量子アルゴリズム 5.7　通信を含む計算問題に対する量子プロトコル 第6章　量子計算量クラス 6.1　Pの量子版：BQP 6.1.1　BQPとNPの関係 6.1.2　BQPを含む古典計算量クラス 6.2　NPの量子版：QMA 6.3　量子対話型証明 6.4　量子多証明者対話型証明 付録 A.1　群と体 A.2　オーダ記法 A.3　チューリング機械 A.4　非決定性チューリング機械 A.5　確率チューリング機械 A.6　PSPACEとEXP

※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。 あの「天然知能」を情報科学として明快に解説！ 本書は、セルオートマトンによる知能のシミュレーションについて、基本的な考え方から学ぶものです。 オートマトンの基礎から解説を始め、セルオートマトンに見られる典型的な現象（相転移、カオスの縁）、セルオートマトンと人工知能との対応、非同期調整セルオートマトンと著者らの提唱する「天然知能」との対応、リザバーコンピューティングによる実装の手法までを、順を追って解説します。 「天然知能」は、人工知能（RNN）のように初期情報と因果関係（規則）のみに従って結論を出すものではなく、推論過程で外部の情報に触れることにより結論が変わり得る仕組みであり、現実の思考過程・創造に向かう意識の変化にふさわしい概念として提唱されたものです。 第0章　本書の構成 第1章　はじめに：オートマトンから生命的計算へ 1.1　計算機としてのオートマトン 1.2　セルオートマトンによる世界の模倣 1.3　カオスの縁は本当なのか 1.4　天然知能的理解・天然知能的オートマトンへ 第2章　非同期ライフゲームによる確率的論理ゲート 2.1　ウォーミングアップ：本書におけるオートマトンの使用法 2.2　ライフゲームの規則とグライダー 2.3　非同期ライフゲームと相転移 2.4　非同期ライフゲームにおける計算の可能性 2.5　ゆらぎを利用する確率的論理回路 第3章　1次元セルオートマトン 3.1　初等セルオートマトン（ECA） 3.2　ECAの時空間パターン 3.3　1次元セルオートマトンの四つのクラス 第4章　ランダムさ・複雑性・べき乗則 4.1　ビット列のランダムさとエントロピー 4.2　1次元セルオートマトンのランダムさと複雑さ 4.3　べき乗則 第5章　カオスの縁 5.1　1次元セルオートマトンと「カオスの縁」 5.2　浸透セルオートマトンと相転移 第6章　セルオートマトンの天然知能化 6.1　同型性の発見・解体・転回 6.2　受動・能動の一致を実現する人工知能的描像 6.3　受動/能動のトラウマ構造―1：順序型・非同期時間 6.4　受動/能動のトラウマ構造―2：休止型・非同期時間 6.5　非同期調整オートマトン：脱色されたトラウマ 第7章　非同期調整オートマトンの実装 7.1　1次元セルオートマトンにおける同期と非同期 7.2　非同期調整オートマトンの実装 7.3　非同期調整オートマトンの時空間パターン 第8章　非同期調整オートマトンの臨界性 8.1　カオスの縁を超えて普遍的臨界性へ 8.2　パワースペクトルと1/fゆらぎ 第9章　計算万能性と計算効率のトレードオフ 9.1　万能性と効率は比較可能か 9.2　同期計算における万能性と効率のトレードオフ 9.3　非同期計算における万能性と効率のトレードオフ 9.4　非同期時間が内包する同期時間ルールの多様性 9.5　非同期調整が破るECAのトレードオフ 第10章　リザバー計算への実装 10.1　ニューラルネットとリザバー計算 10.2　ECAを用いたリザバー計算 10.3　非同期調整オートマトンを用いた天然知能的学習システム 第11章　おわりに 参考文献

最新のAI開発プラットフォームで 機械学習・深層学習・強化学習の 基礎技術を学ぼう！ 【本書の概要】 本書はUdemyで大人気の講座 『AIパーフェクトマスター講座 -Google Colaboratoryで隅々まで学ぶ実用的な人工知能/機械学習-』をもとにした書籍です。 ・機械学習（回帰、k平均法、サポートベクターマシン） ・深層学習（画像識別や画像生成、RNN） ・強化学習（Cart Pole問題、深層強化学習） といった、AI開発でニーズの高い人工知能技術を、深層学習を中心に解説しています。 また本書ではサンプルを用意していますので、サンプルを動かしながら、AI技術の仕組みを理解できます。 開発環境にはGoogle Colaboratoryを使用します。 【Google Colaboratoryとは】 ブラウザ上で利用できる機械学習や深層学習向けの開発環境です。 GPUを無料で利用できるので、コードの実行時間を大幅に短縮できます。 【本書ポイント】 ・機械学習・深層学習・強化学習の基礎知識を一気に学べる ・Pythonでコードを動かしながら機械学習・深層学習・強化学習の理論を学べる 【対象読者】 ・何らかのプログラミング経験のある方 ・機械学習・深層学習・強化学習を学ぶ意欲のある方 ・高校数学以上の数学知識のある方 【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。 著者のYouTubeチャンネルでは、無料の講座が多数公開されている。 ※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。

注目の最新AI技術！深層強化学習の開発手法がわかる！ 第一線で活躍する著者陣の書下ろしによる待望の1冊！ 【本書の目的】 AlphaGo（アルファ碁）でも利用されている深層強化学習。 AIサービスのみならずロボティクス分野でもその応用が期待されています。 本書は、AI開発に携わる第一線の著者陣が深層強化学習の開発手法について書き下ろした注目の1冊です。 【本書の特徴】 第1部では、まず、深層強化学習の概要について説明します。 次いで、強化学習の基礎（Q学習、方策勾配法、Actor-Critic法）と深層学習の基礎（CNN、RNN、LSTM）を解説します。 さらに、簡単な例題として倒立振子制御を取り上げ、DQNとActor-Critic法による実装例を紹介します。 第2部では、具体的な応用例として3つのアプローチを実装込みで解説します。 1つ目は、連続動作制御です。ヒューマノイドシミュレータの2足歩行制御を試みます。 2つ目は、パズル問題の解法です。巡回セールスマン問題（TSP）やルービックキューブの解探索について説明します。 3つ目は、系列データ生成です。文書生成（SeqGAN）やニューラルネットワークのアーキテクチャ探索（ENAS）を解説します。 全体を通して、行動の制御を担うエージェントのモデル化と、方策ベースの強化学習によるエージェントの学習法について学ぶことができます。 【読者が得られること】 深層強化学習による開発手法を学ぶことができます。 【対象読者】 深層強化学習を学びたい理工学生・エンジニア ※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。 多変量解析手法の理論と実践をバランスよく習得できる！ 　様々な媒体、経路を通じて大規模データが、驚くほど低コストで入手できるようになった現在、多変量解析手法に習熟したデータサイエンティストに対する学術界、ビジネス界からのニーズは非常に高まっており、これに対して大学や企業では、高いデータ解析力を持った人材の育成に注力し始めています。しかし、多くの多変量解析についての学習書は、理論的な説明に終始し、実務場面でどのように利用されているかについて、殆ど配慮がないのが現状です。 　そこで本書は、多変量解析手法の理論と実践をバランスよく解説することで、統計が得意ではない大学生や実務者にも利用しやすい構成とし、本書1冊で多変量解析手法を実務に応用できるまで習得できる内容となっています。 第I部 多変量解析の基礎 第1章 多変量解析の基礎を学びたい―R による多変量データの基本的な統計処理 第2章 R によるデータハンドリングを学びたい ―アンケートデータと ID-POS データのハンドリング 第II部 量的変数の説明・予測 第3章 現象を説明・予測する統計モデルを作りたい (1) ―重回帰分析 第4章 現象を説明・予測する統計モデルを作りたい (2) ―階層的重回帰分析 第5章 さまざまな集団から得られたデータを分析したい―マルチレベルモデル 第6章 複雑な仮説を統計モデルとして表したい (1)―パス解析 第III部 心理尺度の分析 第7章 心理尺度を開発したい (1) ―探索的因子分析 第8章 心理尺度を開発したい (2) ―確認的因子分析 第9章 複雑な仮説を統計モデルとして表したい (2) ―潜在変数を伴うパス解析 第IV部 質的変数の説明・予測 第10章 クロス集計表をもっとていねいに分析したい―対数線形モデル 第11章 カテゴリに所属する確率を説明・予測したい―ロジスティック回帰分析 第V部 個体と変数の分類 第12章 似たもの同士にグループ分けしたい―クラスター分析 第13章 質的変数間の連関を視覚化したい―コレスポンデンス分析 第VI部 多変量解析を使いこなす 第14章 データが持つ情報を視覚化したい―パッケージggplot2による描画 第15章 多変量解析を実践で生かしたい―手法の組み合わせ