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

《これが世界標準！　世界もここから始めてる！！》 データサイエンス・機械学習を学ぶ「はじめの一歩」として、スタンフォード大学にて使用されている教科書“Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares”がついに翻訳！！ ・豊富な事例を示しながら、ベクトル・行列の基本から最小二乗法による機械学習までをていねいに解説！ ・データサイエンス・機械学習に必要な数学の学び直しにうってつけ！ ・章末問題が298問掲載されているから、完全に理解できる！ ・Julia言語によるプログラミング課題が原著者のウェブサイトから入手できる！　 ・プログラミング課題を日本語に翻訳したものを、訳者のGitHubにて無料公開！ 【プログラミングの補足資料と追加の演習問題の入手先】 ・原著者のウェブサイト：http://vmls-book.stanford.edu ・補足資料の日本語訳：https://github.com/tttamaki/julia_companion_jp 【推薦の言葉：原著刊行にあたって】 データサイエンスの学生だけでなく，すべての学生に必読の入門書 ――ローラン・EI・ガウイ（カリフォルニア大学バークレー校） これが正攻法！ ――ギルバート・ストラング（マサチューセッツ工科大学） この本は多くの授業で使われるだろう．これだけ演習問題が大量にあるのだから ――トレバー・ヘイスティ（スタンフォード大学） 【主な内容】 第1部　ベクトル 1章　ベクトル 2章　線形関数 3章　ノルムと距離 4章　クラスタリング 5章　線形独立 第2部　行列 6章　行列 7章　行列の例 8章　線形連立方程式 9章　線形動的システム 10章　行列積 11章　逆行列 第3部　最小二乗法 12章　最小二乗法 13章　最小二乗当てはめ 14章　最小二乗識別 15章　多目的最小二乗法 16章　制約付き最小二乗法 17章　制約付き最小二乗法の応用 18章　非線形最小二乗法 19章　制約付き非線形最小二乗法 付録A　記法 付録B　計算量 付録C　微分と最適化 付録D　さらなる話題

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ・読者の信頼が厚い荒木雅弘先生の渾身の労作！ ・『イラストで学ぶ機械学習』『イラストで学ぶ人工知能概論』に続くシリーズ第5弾！ スマートフォンで爆発的に普及した音声認識技術は、実現困難といわれていた…。 では、なぜ、ここまで普及したのか。 音声認識技術の歴史から最先端キーテクノロジーまでを、イラストで明快に解説。 WFSTによる音声認識を詳しく解説した和書は本邦初！　もう、買わずにはいられない！

※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。 けっしてやさしくはない。だが、知っておきべきである。2進数から誤り訂正符号までを明快に説く、初学者にとって最良の教科書。抽象的でとっつきにくいシャノンの情報理論をイラストとともに学ぼう!筆者が長年講義した内容から、学生の反応が良かったものを厳選し、わかりやすく説明しています。情報理論の本質ともいえる「典型系列」について章を設け、詳しく解説しています。

「Ｐｙｔｈｏｎで強化学習が実装できる！」と好評を得た入門書の改訂版。読者からの要望・指摘を反映させた。主に、Ｐｏｌｉｃｙ ＧｒａｄｉｅｎｔとＡ２Ｃの記述・実装を見直した。・Pythonプログラミングとともに、ゼロからていねいに解説。・コードが公開されているから、すぐ実践できる。・実用でのネックとなる強化学習の弱点と、その克服方法まで紹介。【おもな内容】Day1　強化学習の位置づけを知る　強化学習とさまざまなキーワードの関係　強化学習のメリット・デメリット　強化学習における問題設定：Markov Decision Process　Day2　強化学習の解法(1): 環境から計画を立てる　価値の定義と算出: Bellman Equation　動的計画法による状態評価の学習: Value Iteration　動的計画法による戦略の学習: Policy Iteration　モデルベースとモデルフリーとの違いDay3　強化学習の解法(2): 経験から計画を立てる　経験の蓄積と活用のバランス: Epsilon-Greedy法　計画の修正を実績から行うか、予測で行うか: Monte Carlo vs Temporal Difference　経験を価値評価、戦略どちらの更新に利用するか：Valueベース vs PolicyベースDay4　強化学習に対するニューラルネットワークの適用　強化学習にニューラルネットワークを適用する　価値評価を、パラメーターを持った関数で実装する：Value Function Approximation　価値評価に深層学習を適用する：Deep Q-Network 　戦略を、パラメーターを持った関数で実装する：Policy Gradient　戦略に深層学習を適用する：Advantage Actor Critic (A2C)　価値評価か、戦略かDay5　強化学習の弱点　サンプル効率が悪い　局所最適な行動に陥る、過学習をすることが多い　再現性が低い　弱点を前提とした対応策Day6　強化学習の弱点を克服するための手法　サンプル効率の悪さへの対応: モデルベースとの併用/表現学習　再現性の低さへの対応: 進化戦略　局所最適な行動/過学習への対応: 模倣学習/逆強化学習Day7　強化学習の活用領域　行動の最適化　学習の最適化

★★管理職も技術者も必読！「機械学習」のやさしい活用法★★ 機械学習プロジェクトの上手な進め方、機械学習を活用するときに気をつけること、活用事例などをていねいに解説。 「機械学習を作る側」と「機械学習活用する側」との橋渡しとなる一冊！ [本書で学べること］ ・そもそも機械学習で何ができるのか？ ・現場への適切な組み込み方法は？ ・どうやって精度を保証するのか？ ・実運用を見すえたときに確認すべき部分は？ [主な内容] 　第1章　本書の使い方 第1部　機械学習の基礎 　第2章　機械学習とは何か 　第3章　機械学習手法の種類と基礎 　第4章　機械学習のタスク 第2部　機械学習の利活用 　第5章　機械学習は一般企業でも活用できる 　第6章　機械学習を現場で活用するには 　第7章　機械学習の適用事例 　第8章　実運用に耐えうる機械学習モデルの構築 　第9章　機械学習モデルの説明性

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