※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 【プログラミングの概念に基づいた「問題解決力」を身につける!】 本書は、Pythonを使用して「プログラミング的思考」を習得するための入門書です。「プログラミング的思考」とは、ある問題を解決するための方法や手順をプログラミングの概念に基づいて考えることで、文部科学省の掲げるプログラミング教育でも重要視されています。本書は、前半でPythonの解説、技法・書法、後半で実際のプログラムを使ったプログラミング的思考の解説という構成で、初心者でもモチベーションを持ちながら学習できるよう、興味が持てる例題を多数用意しています。また、練習問題もあるので、より理解が定着できます。付録で文法解説を載せており、この1冊で、Pythonとプログラミングの考え方の両方をまとめて学ぶことが可能です。 ■目次 ●序章 プログラミング的思考とは 　　0-1 プログラミング的思考とは 　　0-2 プログラミング的思考を支える考え方 　　0-3 プログラミング的思考を身に付けるには 　　0-4 プログラミング的思考の応用 　　0-5 データサイエンスとアルゴリズム 　　0-6 プログラミングとPython ●第1章 Python文法の基本 　　1-1 Pythonとは 　　1-2 Pythonの実行環境 　　1-3 Pythonの基本文法 　　1-4 print関数とf文字列 　　1-5 演算子 　　1-6 変数と代入 　　1-7 変数の値の更新 　　1-8 input関数 　　1-9 for in文 　　1-10 二重ループ 　　…ほか ●第2章 Pythonの書法・技法 　　2-1 プログラミング書法（プログラミング・スタイル） 　　2-2 プログラミング技法 　　2-3 言語仕様上の注意点 　　2-4 ちょっとしたテクニック 　　2-5 ビット演算子 　　2-6 文字列処理 　　2-7 リスト操作 　　2-8 クラスの活用 　　2-9 辞書の活用 　　2-10 ファイル処理 　　2-11 ライブラリの活用 ●第3章 Pythonでのグラフィックス 　　3-1 ColabTurtle（タートルグラフィックス・ライブラリ） 　　3-2 ポリゴン（多角形）の描画 　　3-3 渦巻き模様の描画 　　3-4 文字の描画 ●第4章 Pythonで学ぶプログラミング的思考 　　4-1 流れ制御構造（組み合わせ） 　　4-2 データ化 　　4-3 抽象化と一般化 　　4-4 分解とモジュール化 　　4-5 データ構造とアルゴリズム ●第5章 プログラミング的思考の実践①～かんたんなプログラム 　　5-1 最大値と最小値 　　5-2 ピタゴラスの定理 　　5-3 シーザー暗号 　　5-4 相性占い 　　5-5 10進数→2進数への変換 　　5-6 フィボナッチ数列 　　5-7 干支の算出 　　5-8 サイコロゲーム 　　5-9 カレンダー 　　5-10 幾何学模様 ●第6章 プログラミング的思考の実践②～再帰的思考 　　6-1 漸化式と再帰的表現 　　6-2 再帰の罠 　　6-3 ハノイの塔 　　6-4 リカーシブ・グラフィックスI 　　6-5 リカーシブ・グラフィックスII 　　6-6 リカーシブ・グラフィックスIII ●第7章 プログラミング的思考の実践③～アルゴリズム 　　7-1 ユークリッドの互除法 　　7-2 モンテカルロ法 　　7-3 素数を探す 　　7-4 テイラー展開 　　7-5 ソート（並べ換え） 　　7-6 線形探索（リニアサーチ） 　　7-7 二分探索（バイナリサーチ） 　　7-8 自己再編成探索 　　7-9 ハッシュ 　　7-10 決定木 　　7-11 ハノイの塔のシミュレーション 　　7-12 迷路 　　…ほか ●第8章 プログラミング的思考の実践④～データサイエンス 　　8-1 Matplotlib を使ったグラフの作成 　　8-2 数値計算を効率的に行うNumPy 　　8-3 Matplotlib を使った3D表示 　　8-4 3D棒グラフの表示 　　8-5 3次元座標を元にした立体の表示 　　8-6 3次元関数の表示 　　8-7 回転体モデルの表示 　　8-8 ワイヤーフレームの表示 ●付録 Python文法 ■著者プロフィール 河西朝雄：山梨大学工学部電子工学科卒。長野県岡谷工業高等学校情報技術科教諭、長野県松本工業高等学校電子工業科教諭を経て、現在は「カサイ.ソフトウエアラボ」代表。主な著書：「改定第5版C言語によるはじめてのアルゴリズム入門」「Pythonによるはじめてのアルゴリズム入門」（以上技術評論社）など多数。

※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 　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． 第1章　確率論の基礎 1.1　ランダム事象と確率 1.2　確率空間と確率変数 1.3　確率変数の独立性 1.4　確率変数の相関 1.5　確率変数の和 1.6　確率変数の変換 1.7　累積分布関数と特性関数 1.8　モーメントとキュムラント 1.9　多変量の確率変数 第2章　確率積分と確率微分方程式 2.1　ランダムな運動 2.2　確率過程 2.3　ブラウン運動とその性質 2.4　ブラウン運動と確率積分 2.5　確率微分方程式 2.6　伊藤の公式 2.7　確率微分方程式の具体例 2.7.1　オルンシュタイン・ウーレンベック過程 2.7.2　幾何ブラウン運動 2.7.3　一般化コーシー過程 2.7.4　多変数オルンシュタイン・ウーレンベック過程 第3章　マルコフ過程の性質 3.1　確率密度関数による表現 3.2　マルコフ過程 3.3　フォッカー・プランク方程式の導出 3.4　フォッカー・プランク方程式の解法 3.4.1　1変数の場合 3.4.2　多変数の場合 第4章　確率過程とベイズモデル 4.1　ベイズモデルの基礎 4.1.1　線形回帰モデルとベイズモデル 4.1.2　変分推論 4.1.3　マルコフ連鎖モンテカルロ法 4.2　時系列と状態空間モデル 4.2.1　時系列モデリング 4.2.2　状態空間モデル 4.2.3　カルマンフィルタ 4.2.4　拡張カルマンフィルタ 4.2.5　アンサンブルカルマンフィルタ 4.2.6　粒子フィルタ 4.3　連続空間のベイズモデル 4.3.1　確率的パラメータ 4.3.2　EMアルゴリズム 第5章　確率過程と機械学習 5.1　ガウス過程回帰 5.1.1　ガウス過程回帰の導入 5.1.2　ガウス過程回帰のパラメータ推定 5.1.3　ガウス過程回帰の予測分布 5.1.4　ガウス過程潜在変数モデル 5.1.5　ガウス過程動的潜在変数モデル 5.2　スチューデントのt-過程回帰 5.2.1　スチューデントのt-過程回帰の導入 5.2.2　スチューデントのt-過程回帰のパラメータ推定 5.2.3　スチューデントのt-過程回帰の予測分布 5.2.4　スチューデントのt-過程回帰潜在変数モデル 5.2.5　スチューデントのt-過程動的潜在変数モデル 第6章　実問題への応用 6.1　環境ゆらぎの影響を受けるブラウン粒子の運動 6.2　オプションの価格付け問題 6.3　深層学習への応用 6.3.1　深層学習とガウス過程回帰 6.3.2　拡散モデル 付録　 サンプルコード A.1　状態推定のサンプルコード A.2　機械学習のサンプルコード

※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。 良質なテストの作り方を学ぼう、いちばんやさしいIRTの入門書!! 　項目反応理論（IRT）を解説した入門書です。IRTとは、Item(項目)、Response（反応）、Theory（理論）のことでテストの各問題の正答か誤答かから真の能力を推定する理論です。 　IRTは本格的に学習するようになるのは院生および共通試験とか試験の制作にかかわる人です。一方、IRTで扱う数学は文系にはかなり難しいもの(微分積分レベル)でなかなか理論を習得できない人も多いのです。 　本書では良質なテストの作成に役立つ知識や各問題の難しさを意味する困難度や、識別力や当て推量と呼ばれるものなどをやさしく解説していくものです。 まえがき 項目反応理論ってなに？ 【第1部　準備】 第1章　数学の基礎知識 第2章　統計学の基礎知識 【第2部　本題】 第3章　各問題の特性を知る ―項目特性曲線― 第4章　各受験者の真の能力を推定する ―最尤推定法― 第5章　各問題の難しさの度合いなどを推定する ―EMアルゴリズムに基づく周辺最尤推定法― 第6章　未来のテストのために問題を蓄える ―等化による項目プールの生成― 第7章　良質なテストを作成する ―項目情報曲線― 【付録】 付録1　途中までのがんばりも評価する ―部分得点モデル― 　1.部分得点モデル 　2.カテゴリー確率曲線 付録2　最尤推定法とは異なる方法を知る ―MAP推定法とEAP推定法とマルコフ連鎖モンテカルロ法― 　1.確率分布と確率密度関数 　2.ベイズの定理 　3.MAP推定法とEAP推定法とマルコフ連鎖モンテカルロ法 　4.EMアルゴリズムに基づく周辺最尤推定法におけるNmの意味 付録3　順序性のあるデータの関連の度合いを調べる ―テトラコリック相関係数とポリコリック相関係数― 　1.相関係数 　2.2変量正規分布 　3.テトラコリック相関係数とポリコリック相関係数

※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。 いま話題の新しい言語「Julia」を7日間で速習！ プログラミングが初めてでも読みやすい解説を通じて、具体的課題に適用しながら基礎から応用まで身につける。簡単、気軽に誰でも科学技術計算ができる！ ◇おもな目次◇ 1日目　Julia言語に触れてみよう――「高級電卓」としてのJulia 　1.1　インストールしてみよう 　1.2　実行してみよう 　1.3　電卓のように使ってみよう 　1.4　変数を使ってみよう 2日目　数式をコードにしてみよう――Julia言語の基本機能 　2.1　関数を作ってみる：function 　2.2　条件分岐をしてみる：if文 　2.3　繰り返し計算をしてみる：for文 　2.4　行列とベクトルを扱う：配列 　2.5　型について考える：型と多重ディスパッチ 　2.6　パラメータや変数をまとめる：struct 　2.7　一通りのセットとしてまとめる：module 　2.8　微分方程式を解く：パッケージの使用 　2.9　数式処理（代数演算）をする：他の言語のライブラリを呼ぶ 3日目　円周率を計算してみよう――簡単な計算と結果の可視化 　3.1　計算を始める前に 　3.2　正多角形による方法：漸化式で計算 　3.3　無限級数による方法：結果のプロットと複数の方法の比較 　3.4　数値積分による方法：区分求積法ほか 　3.5　モンテカルロ法：乱数を使う 　3.6　球衝突の方法：シミュレーションの可視化 4日目　具体例1：量子力学――微分方程式と線形代数 　4.1　時間依存のない1次元シュレーディンガー方程式：固有値問題を解く 　4.2　時間依存のない2次元シュレーディンガー方程式：特殊関数を使う 　4.3　波動関数の時間発展：行列演算を行う 5日目　具体例2：統計力学――乱数を使いこなす 　5.1　手作り統計力学：ヒストグラム表示 　5.2　イジング模型のモンテカルロシミュレーション：可視化と動画作成 6日目　具体例3：固体物理学――自己無撞着計算と固有値問題 　6.1　強束縛模型：対角化とフーリエ変換 　6.2　超伝導平均場理論：自己無撞着計算 7日目　自分の問題を解いてみよう 　7.1　用途別必要機能まとめ 　7.2　妙に遅いとき：高速化の方針 　7.3　さらに速く：並列計算をする ※この商品は紙の書籍のページを画像にした電子書籍です。文字だけを拡大することはできませんので、タブレットサイズの端末での閲読を推奨します。また、文字列のハイライトや検索、辞書の参照、引用などの機能も使用できません。

※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。 ExcelとRを使って試しながらベイズ分析を学ぼう！ ベイズ分析の核となる事前分布と事後分布の考え方からマルコフ連鎖モンテカルロ法を用いたサンプリング技術まで。 本書では、多くの人にとって親しみやすいExcelと、データサイエンスの強力なツールRを使って、ベイズ分析の基本を試して結果を見ながら実践的に身につけることができます。ExcelのワークシートやVBA、Rのサンプルコード、サンプルデータなどもダウンロード可能。 1章　ベイズ分析とR：概観 1.1　ベイズの復権 1.2　事前分布の構築について 1.3　ある専門用語について 1.4　事前分布、尤度、事後分布 1.5　頻度論統計学とベイズ統計学の比較 1.6　まとめ 2章　二項分布の事後分布の生成 2.1　二項分布とは何か 2.2　Excelの二項分布関数 2.3　Rの二項分布関数 2.4　（ややこしくならない範囲での）数学による理解 2.5　まとめ 3章　ベータ分布の本質 3.1　Excelによるベータ分布の分析 3.2　ベータ分布と二項分布の比較 3.3　ExcelのBETA.DISTのヘルプページの解説 3.4　Rでの同様の分析 3.5　まとめ 4章　グリッドサーチとベータ分布 4.1　グリッドサーチについてもう少し詳しく 4.2　ベータ分布関数の結果の使い方 4.3　分布の形と位置の追跡 4.4　必要な関数の棚卸し 4.5　公式から関数へ 4.6　共益事前分布とは何か 4.7　まとめ 5章　母数が複数あるグリッドサーチ 5.1　準備作業 5.2　データの結合 5.3　まとめ 6章　ベイズ統計学の手法を使った回帰 6.1　頻度論の回帰分析 6.2　頻度論の回帰分析の具体例 6.3　行列代数による手法 6.4　quap関数による単回帰 6.5　重回帰の設計 6.6　ベイジアンの重回帰 6.7　まとめ 7章　名義変数の処理 7.1　ダミーコーディング 7.2　コードではなくテキストラベルを使う方法 7.3　群平均の比較 7.4　まとめ 8章　MCMCサンプリング 8.1　ベイズ分析のサンプリング手法の簡単な復習 8.2　MCMC分析の例 8.3　最後にひとこと Appendix 付録A　RStanとrethinkingパッケージのWindowsプラットフォームへのインストール方法 付録B　用語集 Conrad Carlberg： コロラド大学で統計学の博士号を取得し、マイクロソフトのExcel MVPを複数回受賞。定量分析、データ分析に造詣が深く、また、Microsoft Excel、SAS、Oracleなどの管理アプリケーションのエキスパート。著書に『Business Analysis with Microsoft Excel, Fifth Edition』『Statistical Analysis』など多数。 ※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。

※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。 機械学習のしくみをイラストや図解でやさしく学ぼう！ 本書は、機械学習に関するさまざまなトピックスを概説する書籍です。人工知能における機械学習の位置づけを説明したのち、機械学習内の分野をマップ化し、マップ内の街（＝機械学習内の分野）を旅する形でやさしく解説していきます。 数式や複雑な処理手順は扱わずに、「どんなしくみで、どこで使われていて、どう役に立つのか」という要点をわかりやすく示します。大枠や要点を掴むことを主眼としているため、短時間・効率的に学ぶことができます。機械学習について関心をもっているものの、専門書はハードルが高いと感じている学生やビジネスパーソンにおすすめです。 構成は、はじめに人工知能における機械学習の位置づけや手法の分類を示したうえで、機械学習の個々のトピック……すなわち、ｋ近傍法や決定木などによる分類、進化的計算や群知能による最適化、強化学習、ニューラルネット、深層学習などを説明していきます。 まえがき 目次 はじまり－機械学習の国へ行こう－ 第一章　いりぐち－機械学習ってなんだろう？－ 機械学習ってなんだろう？ AIにできること いきものとコンピューター、それぞれの学びかた コンピューターの学習 機械学習はなにができるの？ 「言葉」を認識する 「画像」を認識する 　COLUMN　強いAIと弱いAI 第二章　観光案内所－機械学習の種類と仕組み－ 機械学習には種類がある 先生に正解を教えてもらおう－教師あり学習－ 教師データとラベル　 教師あり学習の仕組み 自力で学習を進めよう－教師なし学習－ 試行錯誤の経験から学習しよう－強化学習－ コラム　いろんな機械学習 学習した知識を役立てよう－汎化・タスク・アルゴリズム－ 学習のしすぎに注意！－過学習－ COLUMN　オッカムの剃刀とノーフリーランチ定理 第三章　分類の街－k近傍法と決定木－ 並べかたで分類しよう－k近傍法－ 　一刀両断、スパッと分類！－サポートベクターマシン－ ○と×で分類しよう－決定木－ 決定木の作りかた たくさんの決定木の森－ランダムフォレスト－ COLUMN　みにくいアヒルの子定理 第四章　最適化の街－進化的計算と群知能－ 最適化ってなんだろう？ 進化を模倣してよりよい情報を残そう－進化的計算－ いきものの進化の仕組み 進化的計算ってなんだろう？ 進化的計算の代表選手、遺伝的アルゴリズム 遺伝的アルゴリズムの仕組み もっと複雑なことをするには－遺伝的プログラミング－ 生物の群れの行動から学習しよう－群知能－ 蟻みたいに近道を見つけよう －蟻コロニー最適化法－ 大勢で答えを探そう－粒子群最適化法－ 魚みたいに餌を探そう－AFSA－ 第五章　試行錯誤の街－強化学習－ 強化学習ってなんだろう？ とにかく試行回数を重ねよう－モンテカルロ法－ より効率的に試行するには？－Q学習－ Q学習で迷路を脱出しよう 第六章　神経回路の街①－ニューラルネット－ 神経細胞と神経ネットワーク 神経細胞の模倣－人工ニューロン－ 神経ネットワークの模倣－人工ニューラルネットワーク－ ニューラルネットの学びかた 視覚のシミュレーション－パーセプトロン－ ハイスピードで学ぼう！－バックプロパゲーション－ ニューラルネットワークの種類 ①階層型 ニューラルネットワークの種類 ②全結合型と再帰型 「何か」を見つける－認識－ 「何か」を動かす－制御－ 「何か」を考える－判断－ 必ず「何か」を返してくる。……それでいいのかな？ 第七章　神経回路の街②－ディープラーニング－ ディープラーニングってなんだろう？ 人間の「視覚」を真似したニューラルネット これはイヌ？　それともネコ？－畳み込みニューラルネットの画像認識－ CNNはどうして高性能なんだろう？ 時間で変わるデータを分析しよう－リカレントニューラルネットとLSTM－ 本物そっくりのニセモノをつくる－敵対的生成ネットワーク－ ディープラーニングを自動翻訳に役立てよう 経験から学ぶ深層学習－深層強化学習－ 第八章　でぐち－機械学習をはじめよう－ 機械学習に使われる言葉－プログラミング言語Python－ 機械学習に使われるソフトウェア①－TensorFlowとKeras－ 機械学習に使われるソフトウェア②－Caffe、PyTorch、Chainer－ おわりに－AIについて学べる参考図書たち－ 　索引

【道具として使いこなす！】 膨大な観測データから普遍的な法則を抽出する手法とは？ 高校数学レベルから始まり、Python入門、TensorFlowによる実装、最新の論文まで踏み込む入門書。 【著者サポートページ】 https://github.com/akio-tomiya/intro_ml_in_physics 【目次】 第1章　データとサイエンス 1.1　物理学とデータサイエンス／1.2　最小2乗法とオーバーフィット／1.3　テイラー展開と振り子の等時性／コラム：武谷の三段階論 第2章　行列と線形変換 2.1　ベクトル、行列と線形変換／2.2　変換としての行列／2.3　行列に関する色々／コラム：計算量のオーダー 第3章　確率論と機械学習 3.1　確率の基礎事項／3.2　教師あり学習と教師なし学習、強化学習／3.3　確率変数と経験的確率、大数の法則／3.4　大数の弱法則の証明／3.5　カルバックライブラーダイバージェンス／3.6　尤度と赤池情報量基準、汎化／3.7　ロジスティック回帰 第4章　ニューラルネットワーク 4.1　ニューラルネットワークの概論／4.2　万能近似定理／コラム：新しい道具と新理論 第5章　トレーニングとデータ 5.1　ニューラルネットワークの入出力と学習／5.2　誤差関数と汎化、過学習／5.3　誤差関数の最適化・学習／コラム：次元の呪い 第6章　Python入門 6.1　Pythonによるプログラミング入門／6.2　Pythonと他言語の比較／6.3　NumPyとMatplotlib／6.4　Pythonでのクラス 第7章　TensorFlowによる実装 7.1　TensorFlow/Kerasとは／7.2　データやライブラリのロード／7.3　データの分割とニューラルネットワークの設計／7.4　学習／7.5　結果の評価／コラム：量子化という用語 第8章　最適化、正則化、深層化 8.1　最適化法の改良／8.2　過学習を防ぐ／8.3　多層化にむけて 第9章　畳み込みニューラルネットワーク 9.1　フィルター／9.2　畳み込みニューラルネット／コラム：知能と飛行機 第10章　イジング模型の統計力学 10.1　イジング模型／10.2　イジング模型のモンテカルロ法／10.3　熱浴法のPythonコードとデータの準備／コラム：統計力学と場の量子論 第11章　Nature Physicsの論文を再現しよう 11.1　論文について／11.2　データの前処理／11.3　実験

※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。 コンピュータシミュレーションに関する最新の内容を、文系学部向けにわかりやすく解説！ 　シミュレーションは、工学・物理学などの理系学部だけでなく、経営や経済問題などにも幅広く用いられており、文科系大学で身につける基礎的な素養になっています。 　本書は、文科系学部を主対象としたコンピュータシミュレーションの教科書です。確率分布や乱数などシミュレーションの基礎から、遺伝的アルゴリズム、深層学習などの最新理論まで、図やグラフで直感的に理解できるよう解説しています。また、各章末には学習指導要領に沿った演習問題が掲載されています。 第1章　コンピュータシミュレーション概観 第2章　モデル構築のための基礎知識 第3章　決定的モデルのシミュレーション 第4章　経営モデルのシミュレーション 第5章　経済モデルのシミュレーション 第6章　確率的モデルのシミュレーションと乱数 第7章　モンテカルロ法 第8章　在庫管理 第9章　待ち行列 第10章　フラクタル 第11章　カオス 第12章　機械学習 第13章　遺伝的アルゴリズム 第14章　セルとエージェントによるシミュレーション

※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。 ※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。 数式を使わないでアルファ碁、深層学習、知識ベースの理論の本質がわかる!! 　現在のAIブームの切っ掛けとなったアルファ碁の概念、仕組み、特徴の説明に焦点を当て、これを理解するための基礎知識として深層ニューラルネットワークと深層学習（ディープラーニング）を解説します。また、ディープラーニング型AIと知識ベース型AI（エキスパート・システムなど）の統合化の必要性を理解できます。 はじめに プロローグ Chapter 1　人工知能とは－人の様々な知能をコンピュータ化できるか？ Chapter2　ディープラーニング－多層（深層）ニューラルネットワークによるデータ分類機 Chapter3　アルファ碁－ディープラーニング、モンテカルロ法と強化学習 Chapter4　知識ベースシステム－ディープラーニングとの統合を目指して

◆◆数式とコードの距離が近いJuliaで一生モノの考え方を身につけよう！◆◆ 線形代数、微積分、最適化、確率・統計の基本的な計算から、 ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までをていねいに解説！ [サポートページ] https://github.com/sammy-suyama/JuliaBayesBook [主な内容] 第1章　Juliaの基礎 1.1　Juliaとは 1.2　基本文法 1.3　パッケージの利用 1.4　グラフの描画 第2章　数値計算の基礎 2.1　ベクトル・行列計算 2.2　統計量の計算 2.3　統計量と確率分布のパラメータ 2.4　微分計算 2.5　関数の最適化 2.6　最適化によるカーブフィッティング 2.7　積分計算 第3章　確率計算の基礎 3.1　表を使った確率計算 3.2　式を使った確率計算 3.3　連続値における周辺分布と条件付き分布 3.4　確率的試行のシミュレーション 第4章　確率分布の基礎 4.1　確率分布とは 4.2　Juliaでの確率分布の扱い（Distributions.jl） 4.3　離散型確率分布 4.4　連続型確率分布 4.5　統計モデルの設計 第5章　統計モデリングと推論 5.1　ベルヌーイモデル 5.2　線形回帰 5.3　ロジスティック回帰モデル 第6章　勾配を利用した近似推論手法 6.1　なぜ勾配を利用するのか 6.2　ラプラス近似 6.3　ハミルトニアンモンテカルロ法 第7章　発展的な統計モデル 7.1　ポアソン回帰 7.2　階層ベイズモデル 7.3　状態空間モデル

※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。 Scratchは子ども向けのプログラミングツールだと思っていませんか? いえいえ、そんなことはありません。 大人だからこそ、こんなに楽しく、こんなこともできるのです。 本書は、Scratchに対する「誤解」(子ども向けである、ゲームしか作れない、きちんとしたプログラミング言語ではない)を解き、Scratchが対象年齢としている「すべての年齢の子どもたち」(Children of all ages:子どもから、子どものような好奇心を持った大人まで)にScratchの楽しさ、プログラミングの楽しさを伝えるためのものです。 本書では、アートとサイエンスという一見高度で難しそうなテーマを選んでいます。このテーマを支える題材となる、等加速度運動、二進法、論理回路、確率、三角関数、モンテカルロ法、フラクタル図形を用いたさまざまな作品(プログラム)をつくりながら、「わからなかったことがわかる」「できなかったことができる」楽しみを味わってください。 ■「おわりに(ふたたび、ホビープログラミング)」から抜粋 プログラミングは、本来は楽しいもの、面白いものであったはずです。そこには、明確な目的や合理性はなく、ただ自分がやりたいからやっていただけでした。

ＭＣＭＣの基礎から実践までをていねいに解説。ベイズ統計や物理学を例にコードを書いてすぐに自分でできるようになる！ （まえがき抜粋） マルコフ連鎖モンテカルロ法は 複雑な積分をしたい 複雑な確率の計算をしたい という時に力を発揮する手法です。歴史的には物理学の分野で広く用いられてきましたが、最近では統計学の重要な道具として定着し、統計学的手法が重要な機械学習、金融などの分野でも用いられるようになっています。 マルコフ連鎖モンテカルロ法はそれほど難しいものではありません。むしろ、極めて素直な発想に基づいたシンプルな手法です。もちろん、「シンプル＝簡単なことしかできない」と考えるのは大間違いです。どんなことにも言えますが、シンプルで本質を捉えたものほど幅の広い応用が可能になります。事実、量子物理学、ベイズ統計、組合せ最適化問題など、分野の違いはあったとしても、多くの問題が最終的に確率と期待値の問題に帰着され、マルコフ連鎖モンテカルロ法がその威力を発揮します。 そんなわけで、マルコフ連鎖モンテカルロ法の基礎をある程度理解しておけば、分野に関係なく、自分で調べたいことができた時に、目的に合わせたコードがあっという間に書けてしまいますし、他の人が作った複雑なアルゴリズムの内容を理解できるようにもなります。良いことずくめです。 ところが、非常に残念なことに、マルコフ連鎖モンテカルロ法を基本から実用レベルまで順を追ってわかりやすく書いてあるような入門的な教科書が存在しません。となると、マルコフ連鎖モンテカルロ法を勉強しようと思ったら、あちこちから情報を集め、知識のある人にアドバイスをもらい、トライ・アンド・エラーを繰り返しながら習得しなければなりません。初心者が自習で実用レベルに到達するのが難しいというのが実情なのです。 そこで本書では、大学一年生程度の知識だけを仮定して、マルコフ連鎖モンテカルロ法の基礎的なアイデアを実例に基づいて解説し、この本一冊を読むだけで正しい考え方に基づいて自分でプログラムを書けるようになることを目標とします。実際に手を動かして理解できるように、本文中で扱う例の多くについて実際のプログラムを提供します。既存のソフトウェアパッケージを使えれば良いという人もいると思いますが、そのような人にとっても、ブラックボックスの中身がどうなっているかを理解するためのヒントになるはずですし、ソフトウェアパッケージが使えない問題に行き当たった時にどうしたら良いかもわかるようになります。実際に勉強してみるとわかると思いますが、マルコフ連鎖モンテカルロ法はとても簡単なので、短いコードを書くだけですぐに計算ができてしまいます。

※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。 機械学習エンジニア必見！ ベイズ統計の基礎から ベイズ統計モデリングまで Pythonプログラムをもとに丁寧に解説！ 【本書の内容】 ベイズ統計の基礎知識からベイズ統計モデリングまで、 Pythonのプログラムをもとにわかりやすく解説した書籍です。 前半ではベイズ統計の理解に必要な確率の説明からはじまり、 ベイズ統計学、ベイズの定理、ベイズ推定の基本事項をわかりやすく解説。 後半では線形モデルを例題として、MCMC法を用いたモデルの推定方法について解説します。 【本書で扱うベイズの定理について】 事後分布を求める際に問題となる、ベイズの定理の積分計算を回避する方法を2つ紹介します。 1つは、共役事前分布によって事後分布の解析解を求める方法です。 そしてもう1つは、MCMC法を使用することで数値計算によって事後分布を推定する方法です。 MCMC法はPythonのライブラリのPyMC3を用いて手軽に実践することができます。 【本書の扱うベイズ統計の範囲】 ・確率の基本 ・ベイズの定理 ・ベイズ推定 ・MCMC法：マルコフ連鎖モンテカルロ法 ・線形モデル ・一般化線形モデル 【対象読者】 ・ベイズ統計モデリングをこれから学ぼうとされる方 ・ベイズ統計モデリングの基礎知識が少ない機械学習エンジニア ※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。 【アルゴリズムの事例が盛り沢山!】 本書は、Pythonを使用してアルゴリズムを習得するための入門書です。ソート、サーチ、再帰、リスト、木、グラフといったアルゴリズムの基本から、連立方程式の解法、逆ポーランド記法、最短路問題、タートルグラフィックス、グラフ描画、パズルやゲームといった実用的な応用まで、豊富な例題を通してアルゴリズムを効率的に学ぶことができます。例題や練習問題は「Google Colaboratory」で動作するので、Webブラウザーがあればすぐに動作が確認可能です。 ■目次 ■第1章 ウォーミング・アップ 　　1-0 アルゴリズムとは 　　1-1 漸化式 　　1-2 写像 　　1-3 順位付け 　　1-4 ランダムな順列 　　1-5 モンテカルロ法 　　1-6 ユークリッドの互除法 　　1-7 エラトステネスのふるい ■第2章 数値計算 　　2-0 数値計算とは 　　2-1 乱数 　　2-2 数値積分 　　2-3 テイラー展開 　　2-4 非線形方程式の解法 　　2-5 補間 　　2-6 多桁計算 　　2-7 長いπ 　　2-8 連立方程式の解法 　　2-9 線形計画法 　　2-10 最小2乗法 ■第3章 ソートとサーチ 　　3-0 ソートとサーチとは 　　3-1 基本ソート 　　3-2 シェル・ソート 　　3-3 線形検索（リニアサーチ）と番兵 　　3-4 2分探索（バイナリサーチ） 　　3-5 マージ（併合） 　　3-6 文字列の照合（パターンマッチング） 　　3-7 文字列の置き換え（リプレイス） 　　3-8 ハッシュ ■第4章 再帰 　　4-0 再帰とは 　　4-1 再帰の簡単な例 　　4-2 再帰解と非再帰解 　　4-3 順列の生成 　　4-4 ハノイの塔 　　4-5 迷路 　　4-6 クイック・ソート ■第5章 データ構造 　　5-0 データ構造とは 　　5-1 スタック 　　5-2 キュー 　　5-3 データ構造としてのリスト 　　5-4 Pythonの言語仕様のリスト 　　5-5 双方向リスト 　　5-6 逆ポーランド記法 　　5-7 パージング 　　5-8 自己再編成探索 　　5-9 リストを用いたハッシュ ■第6章 木（tree） 　　6-0 木とは 　　6-1 2分探索木のリスト表現 　　6-2 2分探索木の作成 　　6-3 2分探索木の再帰的表現 　　6-4 2分探索木のトラバーサル 　　6-5 レベルごとのトラバーサル 　　6-6 ヒープ 　　6-7 ヒープ・ソート 　　6-8 式の木 　　6-9 知的データベース ■第7章 グラフ（graph） 　　7-0 グラフとは 　　7-1 グラフの探索（深さ優先探索） 　　7-2 グラフの探索（幅優先探索） 　　7-3 トポロジカル・ソート 　　7-4 Eulerの一筆書き 　　7-5 最短路問題 ■第8章 グラフィックス 　　8-0 ColabTurtle（タートルグラフィックス・ライブラリ） 　　8-1 forwardとleft 　　8-2 2次元座標変換 　　8-3 ジオメトリック・グラフィックス 　　8-4 3次元座標変換 　　8-5 立体モデル 　　8-6 3次元関数と隠線処理 　　8-7 リカーシブ・グラフィックスⅠ 　　8-8 リカーシブ・グラフィックスⅡ 　　8-9 いろいろなリカーシブ・グラフィックス 　　8-10 グラフィックス・ライブラリ（glib.py） 　　8-11 Matplotlibを使ったグラフの作成 　　8-12 Matplotlibを使った3D表示 ■第9章 パズル・ゲーム 　　9-1 魔方陣 　　9-2 戦略を持つじゃんけん 　　9-3 バックトラッキング 　　9-4 ダイナミック・プログラミング 　　9-5 万年暦で作るカレンダー 　　9-6 21を言ったら負けゲーム 　　9-7 迷路の作成と探索 ■著者プロフィール 河西朝雄：山梨大学工学部電子工学科卒（1974年）。長野県岡谷工業高等学校情報技術科教諭、長野県松本工業高等学校電子工業科教諭を経て、現在は「カサイ.ソフトウエアラボ」代表。

※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。 ★いま物理学と密接に関わるデータサイエンスの世界に飛び出そう！ 統計の初歩から、ベイズ推定、MCMC、さらにはニューラルネットまで、 初めて活用する人に向けて物理学者ならではの視点で解説。 付録にPythonコードを付した。 【主な内容】 第0章　データサイエンス、機械学習……何が嬉しいの？ 第1章　推定と検定 第2章　高次元のモデルへ 第3章　ベイズモデリング 第4章　マルコフ連鎖モンテカルロ法 第5章　正則化とスパースモデリング 第6章　判別モデル 第7章　ガウス過程 第8章　ニューラルネットワーク 付録A　Pythonプログラム ※この商品は紙の書籍のページを画像にした電子書籍です。文字だけを拡大することはできませんので、タブレットサイズの端末での閲読を推奨します。また、文字列のハイライトや検索、辞書の参照、引用などの機能も使用できません。

※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。 ビッグデータ、機械学習で注目されているベイズ統計学がマンガでわかる!! 本書はマンガを使ってベイズ統計学の基礎から実際の利用例まで解説するものです。また一般的に統計学のことをさす数理統計学とベイズ統計学の違いもふれます。さらにコンピュータシミュレーションでよく使われるモンテカルロ法やカルバック・ライブラー情報量についても解説しますのでマンガとはいえ実践的な内容となっているものです。 序章　ベイズ統計学を学びたい！ 第1章 ベイズ統計学とは？ 第2章 基礎知識 第3章 尤度関数 第4章 ベイズの定理 第5章 マルコフ連鎖モンテカルロ法 第6章 マルコフ連鎖モンテカルロ法の活用例

ベイズ統計を支えるMCMCをやさしく丁寧に! マルコフ連鎖モンテカルロ法（MCMC）が驚くほど真面目によくわかる！　理解を助けるためのR言語のコードや章末の練習問題が充実！　モンテカルロ法の感覚を養ってもらうために「乱数の生成」を第2章で解説した。また，入門向けを標榜しながらも，後半の第4章以降では，和書で情報を得ることが難しい「エルゴード性」について踏み込んだ。 【主な内容】 1章 序論 2章 乱数 3章 積分法 4章 マルコフ連鎖 5章 ギフスサンプリング 6章 メトロポリス・ヘイスティングス法 【「巻頭言」より抜粋】 文部科学省は「数理及びデータサイエンスに係る教育強化拠点」6 大学(北海道大学、東京大学、滋賀大学、京都大学、大阪大学、九州大学)を選定し、拠点校は「数理・データサイエンス教育強化拠点コンソーシアム」を設立して、全国の大学に向けたデータサイエンス教育の指針や教育コンテンツの作成をおこなっています。 本シリーズは、コンソーシアムのカリキュラム分科会が作成したデータサイエンスに関するスキルセットに準拠した標準的な教科書シリーズを目指して編集されました。またコンソーシアムの教材分科会委員の先生方には各巻の原稿を読んでいただき、貴重なコメントをいただきました。 データサイエンスは、従来からの統計学とデータサイエンスに必要な情報学の二つの分野を基礎としますが、データサイエンスの教育のためには、データという共通点からこれらの二つの分野を融合的に扱うことが必要です。この点で本シリーズは、これまでの統計学やコンピュータ科学の個々の教科書とは性格を異にしており、ビッグデータの時代にふさわしい内容を提供します。本シリーズが全国の大学で活用されることを期待いたします。 ――編集委員長 竹村彰通(滋賀大学データサイエンス学部学部長、教授) 【推薦の言葉】 データサイエンスの教育の場や実践の場で利用されることを強く意識して、動機付け、題材選び、説明の仕方、例題選びが工夫されており、従来の教科書とは異なりデータサイエンス向けの入門書となっている。 ――北川源四郎(東京大学特任教授、元統計数理研究所所長) 国を挙げて先端IT人材の育成を迅速に進める必要があり、本シリーズはまさにこの目的に合致しています。本シリーズが、初学者にとって信頼できる案内人となることを期待します。 ――杉山将(理化学研究所革新知能統合研究センターセンター長、東京大学教授)