きれいに整形されたデータを使った分析の経験はあっても、「実務で扱う生データをどのように前処理すればよいのか」と、お悩みではないでしょうか。前処理は課題ごとに、都度オーダーメイドで設計・実装していくものです。本書では4種類のデータを対象とし、機械学習で予測を行う場合の前処理の基本ノウハウを学び、Pythonによる実装を体験します。本書で扱った技術は、そのまま実務にも活かせます。 　機械学習における分析モデルの作成は自動化されつつありますが、その時に投入する特徴量は、人の手で前処理して作成する状況が続くでしょう。これからデータ分析に携わる方々にとって、前処理の力を高めることは、きっと大きな助けとなるでしょう。 （本書「あとがき」から抜粋・編集） ■著者プロフィール 足立　悠（あだち はるか） BULB株式会社所属のデータサイエンティスト。 過去にメーカーのSE やデータサイエンティスト、IT ベンダーのデータアナリスト等を経て現職。数々のデータ分析プロジェクトのほか、実務者教育にも従事。個人的な活動として、記事や書籍の執筆、セミナー講師なども行っている。著書に『初めてのTensorFlow』と『ソニー開発のNeural Network Console 入門』がある。 多感な時期に高専で5年間を過ごしてしまったせいか、周囲から変人や外れ値と評されている。趣味はお地蔵さんが密集している場所に佇むこと。近いうちに、日本を北から南へ移動しながら仕事し、パフォーマンスを測定してみたい。

「数式が読めない」「コーディングは苦手」という一般SEや初学者のために気鋭のデータサイエンティストがニューラルネットワークを簡潔に解説し、無償のGUIツール「NNC」を使った各種体験学習で理解を深めます。 本書旧版ではWindows上でNNCアプリを動かしましたが、増補改訂版ではクラウド版のNNCを使います。演習課題も見直して、CNNによる画像分類のほか、新たにRNNによる時系列予測と異常検知、自然言語処理へと拡大。巻末付録も大幅に拡充しました。また、内容の確かさが評価され、NNC開発元のソニーによる公式な監修も受けています。 なお、Windows版NNC対応の本書旧版につきましては、単行本（ソフトカバー）完売後も、Kindle版／EPUB版電子書籍の形で販売を継続致しますので、そちらをご利用くださいませ。

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

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