※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。 データサイエンティストが知っているべき，情報時代に必須の線形代数教科書！ 本書は，『ストラング：線形代数イントロダクション』の原著者ギルバート・ストラングMIT教授が，データサイエンスの基礎を成す数学（線形代数，確率・統計，最適化）を解説した専門書． データサイエンスの要となるのはニューラルネットワークおよび深層学習であり，その根幹を理解するために線形代数を深く学ぶことが重要となる． 深層学習の解説書は多数あるが，その根底にある数学まで徹底的に解説した書籍はほとんどない． 本書は，線形代数の発展的教科書として，またデータサイエンティストを志す読者が線形代数を学ぶための教科書としてふさわしい一冊である．

※この電子書籍は固定レイアウト型で配信されております。固定レイアウト型は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。 周知のように、昨今のAIや機械学習技術の進歩には目覚ましいものがあり、AIアプローチによるコグニティブ電子戦は、従来のコグニティブ電子戦の課題を解決する最も強力な手段である。本書では、コグニティブ電子戦の基礎、目的関数、機械学習の基礎、コグニティブ電子戦における電子支援・電子防護・電子攻撃、電子戦闘管理、リアルタイムの任務遂行中の計画立案・学習、データ管理、システムアーキテクチャ、試験・評価、初心者のための導入アドバイスなど、コグニティブ電子戦システムの要素技術を網羅的に判りやすく解説している。 電子戦の専門家、AIの専門家、通信の専門家はもとより、これらのどの専門家でもない技術者、運用者、安全保障関係者は本書により各要素技術の概要を短時間で習得できる。アカデミアの研究者にとっては、ゲーム等とは違うミッションクリティカルな最適化システム構築のガイドとなる。 本書は、中国の『認知電子戦の原理と技術』（2018年）に続いて、西側世界では初めてのコグニティブ電子戦に関する成書の刊行と、著者の実用化ノウハウに基づいた共通フレームワーク（意思決定のAIアプローチ）を提示するものという点でも意義深い。深層学習による画像認識や自動目標認識については、軍用分野でも一般的適用事例であるが、機械学習等による意思決定の最適化問題の事例紹介は、まだ少なく、今後の指揮統制の意思決定問題への重要な参考事例になると考える。

※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。 内容を精査して再登場！AIエンジニアは必携の資格【ディープラーニングE資格（エンジニア）】対応の問題集。 ◆ JDLA認定プログラムの第1号事業者であるスキルアップAIの講師陣が執筆！ ◆ 業界の第一人者 杉山 将氏（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）監修！ ◆ ていねいで分かりやすく解説。正答も誤答も技術解説しているので知識吸収も加速！ ◆ 出題傾向を徹底分析した模擬問題を収録で合格力がさらにアップ！ ●目次● 第01章 線形代数 第02章 確率・統計 第03章 情報理論 第04章 機械学習の基礎 第05章 前処理・特徴選択・性能指標 第06章 モデルの評価・正則化・ハイパーパラメータ探索 第07章 教師あり学習の各種アルゴリズム 第08章 教師なし学習の各種アルゴリズム 第09章 強化学習の各種アルゴリズム 第10章 深層学習の概要 第11章 順伝播計算と逆伝播計算 第12章 最適化手法 第13章 畳み込みニューラルネットワーク 第14章 再帰型ニューラルネットワーク 第15章 深層学習を用いた自然言語処理 第16章 深層学習を用いた生成モデル 第17章 深層学習を用いた強化学習 第18章 開発・運用環境 第19章 総仕上げ問題 付録 覚えておくべきPython/NumPyの知識

※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。 ★2021年2月24日データ更新：紙版3刷相当の正誤情報を本文修正しました★ AIエンジニアは必携の資格【ディープラーニングE資格（エンジニア）】にいち早く対応！ 　 ◆ JDLA認定プログラムの第1号事業者であるスキルアップAIの講師陣が執筆！ ◆ 業界の第一人者 杉山 将氏（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）監修！ 　 ◆ ていねいで分かりやすく解説。正答も誤答も技術解説しているので知識吸収も加速！ 　 ◆ 出題傾向を徹底分析した模擬問題を収録で合格力がさらにアップ！ 　 ●目次● 第01章 線形代数 第02章 確率・統計 第03章 情報理論 第04章 機械学習の基礎 第05章 前処理・特徴選択・性能指標 第06章 モデルの評価・正則化・ハイパーパラメータ探索 第07章 教師あり学習の各種アルゴリズム 第08章 教師なし学習の各種アルゴリズム 第09章 強化学習の各種アルゴリズム 第10章 深層学習の概要 第11章 順伝播計算と逆伝播計算 第12章 最適化手法 第13章 畳み込みニューラルネットワーク 第14章 再帰型ニューラルネットワーク 第15章 深層学習を用いた自然言語処理 第16章 深層学習を用いた生成モデル 第17章 深層学習を用いた強化学習 第18章 開発・運用環境 第19章 総仕上げ問題 付録 覚えておくべきPython/NumPyの知識

※この電子書籍は固定レイアウト型で配信されております。固定レイアウト型は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、古典機械学習ともよぶべき題材に的を絞り、考え方をできるだけ詳細に記述した教科書である。本書では、機械学習全体の網羅や、深層学習を中心に据えた説明は意図していない。大量のデータが存在する対象、あるいはその近傍の対象に対しては、深層学習はきわめて高性能を発揮する。しかし、少数のデータしか得ることができない対象も多く、本書で紹介する古典的な機械学習の手法は、今後も随所で活躍するであろう。とりわけ、ベイズ的な考え方は、予測の損失最小を保証するという意味で重要である。多くの大学理工系の学部で、初年次あるいは2年次に学ぶ多変数の微積分や、固有値問題の基本をふくむ線形代数、それと確率と統計の基本事項は既知としているが、確率と統計や、対称行列に関する固有値問題などの数学的事項の要点は、第V部としてまとめた。 本書は多くの優れた書籍を参照して書かれ、とりわけ、C. M. ビショップ（著）、『パターン認識と機械学習』の影響は随所にみられる。数学的記法も同書に準拠した。また、構成は、K. P. Murphy， “Probabilistic Machine Learning: An Introduction”の影響をうけている。Murphyの本では深層学習を1つの部としているが、本書では深層学習の部はもうけず、ニューラルネットワークの基礎的事項をパラメトリックモデルの部へ、また、深層生成モデル（の1つであるVAE）を潜在モデルの部へおいた。ベイズ推論の重要性に鑑み、潜在モデルを第IV部としたことは本書の特徴の1つである。 各章には演習問題、巻末には解答例と丁寧な解説を掲載。

AI研究の一分野として注目を集める深層学習(ディープラーニング)に関する教科書として世界的な評価を受けている解説書。深層学習の理解に必要な数学、ニューラルネットワークの基礎から、CNN(畳み込みニューラルネットワーク)やRNN(回帰結合型ニューラルネットワーク)などのすでに確立した手法、さらに深層学習の研究まで、深層学習の基礎を理論を含めてしっかり学習したい人に最適な内容になっている。近年の深層学習研究をリードする著名な研究者たちが執筆した入門者必読の書である。

世界有数の研究者による“機械学習の説明書”。2015年アメリカでの発売当初から研究者の間で話題となった力作が、『パターン認識と機械学習』などの翻訳を手がけた神嶌敏弘博士の訳で満を持して刊行。一般向けのきめ細やかな訳注も加えた。 囲碁AI、AmazonやNetflixのお薦め機能、iPhoneのSiri。私たちの生活に溶け込んでいる機械学習とは何か？　観測衛星、DNAシーケンサ、量子加速器などのデータから、機械学習は自然界の謎をすべて解き明かすのか？　蓄えられた莫大なデータはアメリカ大統領選から企業のサービスまで影響を与え、陸・海・空を機械学習で自動操縦される無人車両が飛び交う。機械学習によって、世界はどう変わるのか？ アルゴリズムの歴史を解説するとともに、世界を再構築する究極の「マスターアルゴリズム」の存在を探究。 マスターアルゴリズムが存在する根拠を、神経科学、進化生物学、物理学、統計学、および計算機科学の観点から軽妙かつ縦横に展開する。知的好奇心が沸き立つ1冊。六七質のイラストが世界観を表現。 ペドロ・ドミンゴス（著者） ワシントン大学ポール・アレン コンピュータサイエンス＆エンジニアリング学部教授。AAAS（アメリカ科学振興協会）およびAAAI（人工知能振興学会）フェロー。1992年リスボン工科大学Instituto SuperiorTecnico修士課程修了（電子工学・コンピュータサイエンス）。1997年カリフォルニア大学アーバイン校にて博士取得（情報・コンピュータサイエンス）。マルコフ論理ネット、影響最大化問題、データストリーム、敵対的学習、sum-productネットなど顕著な業績が知られている、世界有数の機械学習研究者である。KDD2003、SRL2009ではプログラム委員長を務める。IMLS（国際機械学習学会）の発起人。“Machine Learning ”誌編集委員。SIGKDD Innovation Award、IJCAI John McCarthy Awardを筆頭に受賞多数。 神嶌敏弘（訳者） 1994年京都大学大学院工学研究科修士課程修了（情報工学専攻）。1994年電子技術総合研究所入所。2001年京都大学にて博士取得（情報学）。現在は産業技術総合研究所にて、機械学習やデータマイニングの手法、特に公平性配慮型データマイニングと推薦システムや個人化技術などについて研究。 携わった書籍に、人工知能学会監修『深層学習』（編／近代科学社）、トレバー・ヘイスティ他『統計的学習の基礎』（共監訳／共立出版）、C.M.ビショップ『パターン認識と機械学習』（共訳／丸善出版）などがある。 2019年人工知能学会 AI ELSI賞 Perspective部門受賞。

※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。 画像処理の基礎知識をポイントを押さえて、わかりやすく、コンパクトにまとめた大学学部向け教科書の改訂版。 定評ある「コンピュータ画像処理」の代表的教科書，ロングセラーの約20年ぶりの改訂で，以下の点に配慮されている． ①深層学習等の最新の話題をカバーしつつ，10年後も生き残っていると思われる技術を厳選した． ②画像処理技術体系の俯瞰に適していて，これから登場する新技術も位置付けやすくなっている． ③大学の学部教育，大学院教育，独習での利用方法が案内されていて，多目的に利用できる． ④実務面から画像処理に興味をもった技術者が，改めて基礎から学びたいと感じたときに手にすべき本．いつまでも座右に置いておきたくなる． 第1章　総　論 1.1　コンピュータ画像処理とは 1.2　コンピュータ画像処理の特質 1.3　コンピュータ画像処理の利用目的 第2章　基本概念 2.1　コンピュータでの画像データの取扱い 2.2　画像の統計量 2.3　画像処理アルゴリズムの形態 2.4　周波数領域での処理 2.5　各種直交変換 2.6　画像の表現とデータ構造 2.7　色彩情報の取扱い 第3章　画像情報の圧縮 3.1　画像情報の圧縮の意義 3.2　画像のデータ量と圧縮の目安 3.3　画像符号化の枠組み 3.4　予測符号化 3.5　変換符号化 3.6　動画像符号化 3.7　エントロピー符号化 3.8　実用的な画像符号化方式 第4章　画質改善と画像の接合・再構成 4.1　強調，復元，接合，再構成 4.2　コントラスト強調 4.3　鮮鋭化 4.4　平滑化と雑音除去 4.5　画像の復元 4.6　幾何学的変換と画像接合 4.7　画像の再構成 第5章　2値画像処理 5.1　2値画像処理の意義とその流れ 5.2　画像の2値化処理 5.3　2値画像の連結性と距離 5.4　2値画像の解析と変換 5.5　モルフォロジー演算 5.6　形状の特徴と表現 5.7　3次元2値画像処理 第6章　画像特徴の抽出 6.1　画像解析・認識のための特徴抽出 6.2　エッジ検出 6.3　コーナー検出 6.4　安定した特徴点の検出 6.5　直線・曲線の抽出 6.6　領域分割 6.7　テクスチャ解析 第7章　立体情報と動きの抽出 7.1　2次元画像から奥行きや動きを求める 7.2　距離情報の抽出 7.3　3次元形状の復元 7.4　距離画像からの特徴抽出 7.5　時系列画像からの動きの抽出 7.6　動きからの3次元形状復元 第8章　画像認識の手法 8.1　画像認識の概要 8.2　2次元画像照合による位置検出 8.3　2次元画像照合による形状認識 8.4　3次元物体の認識 8.5　統計的パターン認識 8.6　部分空間法 8.7　ニューラルネットワークと深層学習 8.8　画像分野への深層学習の効果的利用

【緒言】 私をつくる時間　2 本杉宇太郎（甲府共立病院 放射線科） 【ISMRM2022見聞録】 ISMRM2022 見聞記　 黒田　輝　18 ISMRM2022 Web参加見聞記　 市川新太郎／五島　聡　25 ISMRM2022 現地レポート 藤田翔平　28 ISMRMに 3 年振りに現地参加して 萩原彰文　33 ISMRM2022in London（ハイブリッド開催）に参加して 金澤裕樹　36 ISMRM2022 Annual Meetingを振り返る 権　池勲／米山正己　43 【臨床論文】 SmartSpeed MotionFreeとSmartSpeed Diffusionによる日常検査の革命 圓﨑将大ほか　52 MAGNETOM Alteaを用いた当院でのWhole-body MRI検査について 松本伸介　60 Deep Learning画像再構成の発展について 中浦　猛ほか　66 新Operation System Softwareにおけるアーチファクト低減技術の臨床活用 大野良治ほか　71 最新アプリケーションがもたらす臨床インパクト～頭部・頭頸部 藤間憲幸　77 乳腺領域におけるMRI最新Topics 塚田実郎　83 3T装置における患者の状態に合わせた腹部MR検査の実践 穐山雄次ほか　90 門脈領域 4D-Flow MRIの臨床的有用性 濵﨑真滉ほか　97 TGSE-BLADE DWIの放射線治療計画への活用 加藤　裕ほか　103 【技術論文】 MR WorkspaceとSmartSpeedのシナジーが革新するMRユーザエクスペリエンス 株式会社フィリップス・ジャパン　112 進化するキヤノン非造影MRA キヤノンメディカルシステムズ株式会社　119 Contactless化を支えるSiemens HealthineersのTechnology シーメンスヘルスケア株式会社　126 MRIにおける深層学習技術の臨床活用 GEヘルスケア・ジャパン株式会社　131 高速化・高画質化技術の進歩と自動検査支援に向けたトータルワークフロー向上の取り組み 富士フイルムヘルスケア株式会社　138 新プラットフォームuAiFIの紹介 United Imaging Healthcare Japan 株式会社　144 Ziostation REVORASの心臓MRI解析アプリケーション ザイオソフト株式会社　150 MRI文献ダウンロードBEST100 156　　　　

【緒言】 2度目のISMRMオンライン開催をおえて… 2 堀　正明（東邦大学医療センター大森病院 放射線科） 【バーチャルISMRM2020　見聞録】 ISMRM2021 のトピックス 黒田　輝（東海大学情報理工学部） … 28 各セッションの形式や腹部領域のトレンド 市川新太郎ほか（浜松医科大学 放射線診断学講座） … 35 初学者のISMRM2021 散策 内匠浩二(鹿児島大学大学院医歯学総合研究科 放射線診断治療学分野)… 38 ISMRM 2021 Onlineに参加して 金澤裕樹（徳島大学大学院 医歯薬学研究部 医用画像情報科学分野）… 42 特選！使ってみたい、この技術 市場義人ほか（シーメンスヘルスケア株式会社） …48 計測技術の進歩：定量MRIとNeurofluid 尾藤良孝(富士フイルムヘルスケア株式会社)… 52 【臨床】 3T装置を用いた全身Body DWIの撮像法の工夫とその臨床画像 落合礼次ほか　… 58 Discovery MR750Wにおける最新アプリケーションの臨床的有用性　 佐藤兼也ほか　… 63 Vantage Galan 3T/Focus XG Editionへのリニューアルソリューションがもたらす 当院へのメリット～高分解能化・短時間化への取り組み～ 松島孝昌　… 74 MRAによる脳動脈瘤診断補助AI 植田大樹　… 82 心臓領域におけるシーメンス社製　Magnetom Solaの使用経験 井口信雄ほか　… 87 MAGNETOM Vidaにおける心臓領域での使用経験 寳谷俊洋　… 92 ディープラーニング画像再構成の臨床応用 坪山尚寛ほか　… 100 自由呼吸下ダイナミック検査（4D FreeBreathing）の技術背景と臨床的有用性 島田隆史ほか　… 106 FRACTUREイメージングの臨床的有用性 中野雅浩ほか　… 114 MRI用インジェクタの安全運用と造影剤情報の運用に関して 福地博史ほか　… 120 【技術】 全体最適プラットフォームが生み出す次世代高速化ストラテジー：SmartSpeed ～AIの統合と自由なサンプリングへの対応～ 株式会社フィリップス・ジャパン　… 128 ECHELON Smart Plusのワークフロー改善技術 富士フィルムヘルスケア株式会社　… 140 進化し続けるCanon DLR-MRI～さらなる画質向上と検査時間短縮の実現を目指して～ キヤノンメディカルシステムズ株式会社　… 144 深層学習(ディープラーニング)によるMR画像再構成の技術展開と骨軟部領域の進歩 GEヘルスケア・ジャパン株式会社　… 150 Siemens Healthineers　MRIのInnovation シーメンスヘルスケア株式会社　… 156 iTFlow2、iTSimulationを使った血流解析 株式会社Cardio Flow Design　… 163 MRI文献ダウンロードBEST100 … 170

【緒言】 MR装置は今日もシーケンスを走らせる… 2 本杉宇太郎（甲府共立病院 放射線科） 【バーチャルISMRM2020　見聞録】 今年のISMRMの準備と運営について 堀　正明（東邦大学医療センター大森病院 放射線科）… 22 2020 ISMRM Virtual Conference and Exhibition 黒田　輝（東海大学情報理工学部）… 24 駆け出し研究者が体験したISMRM Virtual Meeting　 金澤裕樹（徳島大学大学院 医歯薬学研究部 医用画像情報科学分野）… 28 ISMRM2020 Annual Meetingを振り返る 権　池勲ほか（株式会社フィリップス・ジャパン） … 31 ISMRM2020 参加見聞記 若山哲也ほか（GEヘルスケア・ジャパン株式会社）… 34 ISMRM2020 見聞録～特選！使ってみたい、この技術 市場義人ほか（シーメンスヘルスケア株式会社） … 36 計測技術の進歩：定量MRIとNeurofluid 尾藤良孝（株式会社日立製作所 ヘルスケアビジネスユニット） … 38 【臨床】 Vitrea“MR Acute Care Stroke”を用いた急性期脳梗塞における定量解析の有効性と可能性 石原秀行ほか… 42 脳神経領域におけるMAGNETOM Vidaの使用経験　 辰尾宗一郎ほか… 48 大阪国際がんセンターにおける SIEMENS社製MAGNETOM Prismaの使用経験 立石宗一郎… 54 新たなArterial spin labeling技術を用いたMR angiographyの開発と脳血管性疾患における臨床応用 栂尾　理ほか… 60 当院におけるMAGNETOM Skyraを用いた心臓MRI検査 高門政嘉ほか… 67 Vitrea “MR Multi-Chamber Wall Motion Tracking”を用いた心筋ストレイン解析の臨床活用 真鍋徳子ほか… 74 ハートのエースIngenia 3.0T 長尾充展ほか… 79 体幹部領域における4D Free Breathingの使用経験と有用性について 麻生弘哉ほか… 86 GE社製の腹部骨盤MRIの最新知見 坪山尚寛ほか… 94 腹部領域におけるVantage Galan 3T/ZGOの使用経験と臨床的有用性 福島啓太ほか…100 ECHELON Smart Plusの使用経験 合田猛俊ほか…107 【技術】 腹部MRI撮像におけるモーションアーチファクトの低減技術－VitalEye & 4D FreeBreathing－ 株式会社フィリップス・ジャパン…114 3Dダイナミック撮像法の技術的進歩と、深層学習（ディープラーニング）によるMR画像再構成の今後の展開 GEヘルスケア・ジャパン株式会社…122 Ziostation2 におけるMRI解析アプリケーション ザイオソフト株式会社…130 日立 永久磁石オープンMRIにおける新技術 株式会社日立製作所…ヘルスケアビジネスユニット…135 Turbo Suite高速撮像技術の進化GRAPPA、CAIPIRINHA、SMS、Compressed Sensingを組み合わせて高いスループットを実現 シーメンスヘルスケア株式会社…142 キヤノンMRI Deep Learning技術の新たな次元 キヤノンメディカルシステムズ株式会社…149 MRI文献ダウンロードBEST100 … 156　

【企画】 企画にあたって／扇　和之（日本赤十字社医療センター 放射線診断科） 【総説】 自分だけの大切なノート 北川　久 （東京慈恵会医科大学附属柏病院 放射線部） 【特別座談会】 エキスパートが語るさまざまなMRI最先端トピックス ISMRMが示す次世代MRIのかたち ーここから次代の技術革新が生まれていくー 出席者：黒田　輝／山田　惠／高原太郎／玉田大輝／村田勝俊／葛西由守／小林尚玄 司　会：本杉宇太郎 編　集：扇　和之 【臨床論文】 ◆脳神経 MRI 最新アプリケーション 　岩永　崇ほか ◆心臓 MRI 最新アプリケーション―検査時間の短縮とさらなる画質改善へ― 　的場将平 ◆GE ヘルスケア社製装置における body MRI の最近の話題 　奥田茂男ほか ◆Vantage Galan 3T/SaturnX－ノイズ除去再構成技術 　「Advanced intelligent Clear-IQ Engine（AiCE）」の初期経験－ 　和田吉弘ほか ◆放射線治療計画における MRI の有用性と今後の可能性 　江島泰生 ◆自由呼吸下 dynamic study における LAVA-Star と 　肝細胞相における強化ナビゲーションについて 　佐藤圭亮ほか ◆日立 ECHELON Smart Plus の初期使用経験 　栁　克司 【技術論文】 ◆キヤノン MRI の最新情報 Deep Learning を用いたノイズ除去技術 　「Advanced intelligent Clear-IQ Engine（AiCE）」の 1.5T MRI への期待 　キヤノンメディカルシステムズ株式会社 ◆ヘリウムフリーマグネット搭載　Ingenia Ambition 1.5T の紹介 　―BlueSeal マグネットによる新たな MR ソリューション― 　株式会社フィリップス・ジャパン ◆進化し続ける AIR Technology TM ／ SIGNA Works TM ／ 　GE ヘルスケア・ジャパン株式会社 ◆日立 1.5T MRI 装置「ECHELON Smart Plus」の技術紹介 　株式会社日立製作所 ヘルスケアビジネスユニット ◆MRI における precision medicine～MR Fingerprinting～ 　シーメンスヘルスケア株式会社 ◆Ziostation2 における MRI 画像解析機能のトピックス 　ザイオソフト株式会社 ◆深層学習を活用した脳動脈瘤検出支援 AI「EIRL aneurysm」と今後の展望 　エルピクセル株式会社 ●MRI文献ダウンロードBEST100

※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でデータサイエンスの理論と実践を学ぶ 　データサイエンスは、「データを科学的に扱う」学問分野です。近年、ICTの進展によって、センサやインターネットを通じて取得できるデータ量が爆発的に増加したこと、コンピュータの高性能化に伴ってこれまでできなかった大規模なデータ処理が可能となったことなどから注目されています。 　本書は、データサイエンスの基礎となる統計分析からパターン認識（機械学習）、時系列データ分析、深層学習などを、Pythonを使って実際に分析しながら学ぶものです． 　データの取り扱い、確率・統計の基礎といった基本的なところから、パターン認識、深層学習といった統計・機械学習手法、時々刻々と変化する時系列データの分析などの解説を行い、読者がデータサイエンスの一通りを俯瞰できるようになっています。 　Pythonを使った解説によって理論と実践を同時に学ぶことができるので、データサイエンスを学び、自身の分野に応用したい方にピッタリの一冊です。 　第2版にあたっては深層学習を大幅に拡充し、自然言語処理、生成系（AutoEncoder、GAN）などの近年重要視されるテーマを取り上げました。 1章　はじめに 2章　データの扱いと可視化 3章　確率の基礎 4章　統計の基礎 5章　回帰分析 6章　パターン認識 7章　時系列データ分析 8章　深層学習の基礎 9章　深層学習による画像処理 10章　深層学習による自然言語処理 11章　生成系深層学習 12章　深層強化学習 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。 自動運転の要素技術を、第一線の著者陣により、わかりやすく解説。 　本書は、自動運転の要素技術を、第一線の著者陣により、わかりやすく解説した書籍です。本書1冊で、自動運転にかかわる技術の全容と今後の課題をポイントを押さえて理解することができます。 　自動運転技術は交通事故の減少、高齢者の移動支援、運転負荷の軽減や快適性の向上など、現在のさまざまな課題を解決する切り札として、大きな注目を集めています。 　一方、自動運転技術は自動車工学、パワーエレクトロニクス、移動体通信工学、人間工学、センシング技術、そしてAI・機械学習技術など、まさに各分野における最先端の要素技術の集合体であるため、その全容をコンパクトにポイントを押さえて解説している書籍がいままでにありませんでした。 　今後のキーテクノロジーとされる深層学習が自動運転技術において、どのように使われていくのかに焦点を当てながら、イメージに訴える平易な説明を心掛け、数式の使用を最小限に抑えて解説しています。 第1章　自動運転技術の概要 第2章　環境認識・予測 第3章　地図作成と自己位置推定 第4章　自動運転車の判断 第5章　縦方向と横方向の車両運動制御 第6章　複数台の協調制御 第7章　自動運転技術開発に使用されるツール 第8章　深層学習の基礎 第9章　深層強化学習 第10章 深層学習のノウハウ

読者待望の第２版！ より理解しやすく実践的にパワーアップ ネットワーク上にあるデータソースから金融経済関連のデータをダウンロードし、そのデータの特徴を理解し、投資・取引戦略を構築する。その際にPythonというプログラミング言語と統計的手法を用いてデータを客観的に分析し、安定した収益を実現する取引戦略を構築する。また、学習に用いたソースコードを公開することで、だれでも卓上で分析結果を再現できるようにする。これらが本書の特徴であり、目的である。 データ分析に用いるPythonでの最大の特徴は人びとの思考能力を鍛えるということに尽きる。人まねではない独自の戦略のみが利益を上げる。 日足のデータを用いてデータ分析の基礎を統計学を通して学ぶ。トレンドの発生を客観的に理解する力を統計学から得る。そのつぎにあゆみ値を用いたデータ分析と取引戦略の構築方法について理解する。トレンドの発生のメカニズムとリスク管理の重要性を実感するためである。 第２版となる本書では、Pythonの特徴がさらに生かされている。特定のソースコードでは初版の20倍近いスピードを達成している。 さらに初版で読者から寄せられた質問に説明を加えた。また、意見や勉強会でのやりとりは余すことなく第２版に生かされている。また、マーケットメイクの仕組みを基にした取引戦略のバックテストを２つ追加した。 今回新しく追加した第17章でランダムウォークと機械学習について、深層学習、主成分分析、大偏差原理を比較した。特に大偏差原理の議論を明確にするために初版では用いなかったmove１とmove２という表現を本書では導入した。これはトレンドの発生を理解するのに役にたつ。ソースコードはGitHubに公開している。 本書で学べること！ ● Jupyter Notebookの導入からPythonの利用方法 ● 株価・為替・経済などのデータの入手方法と分析手法 ● 時系列分析の処理と統計的手法（自己回帰モデル、モンテカルロ手法など） ● あゆみ値の本質と価格形成のメカニズム ● 高頻度取引の世界におけるマーケットメイクの仕組み 詳しくは16ページ「1.2 本書の構成」を参照

※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。 こちらの書籍は、2023/4/12発行の紙版 3刷に合わせて更新しました。 人気のAIフレームワーク「PyTorch」で、ディープラーニングプログラミングができるようになる本です。ディープラーニングのアルゴリズムが原理からわかります。 初心者でも他書に頼らず、本書1冊でマスターできます! （本書掲載のコードは、2023年3月にリリースされたPyTorch 2.0でも、そのまま動作します） 本書は、次のような読者を想定しています。 1. 企業でディープラーニングプログラムを業務で利用している、あるいはこれから利用しようとしているITエンジニアや研究者 2. 理工系の大学・大学院の学生で研究の一環としてディープラーニングのプログラムを開発する必要がある方 3. まだPythonもKeras/TensorFlowも知らないが、ディープラーニングプログラミングをこれから勉強してみたいという方 本書は、新しい概念は一気には詰め込まず、できるだけ細分化して一歩一歩確実に進めます。 機械学習の基本から、「CNN」などを使った画像認識ディープラーニングモデルの開発・チューニングまでをじっくり学べます。

※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。 GAN（Generative Adversarial Networks）：敵対的生成ネットワークは機械学習技術の一種で、2つの分離したニューラルネットワークを使い実物と区別が付かないほどリアルな画像を生成することを可能とします。 本書はGAN：敵対的生成ネットワークを学びたい方のために入門から実装まで、理論を交えつつ解説していきます。本書全体を通じてJupyter Notebookを使い、実装はPython、Kerasで行っていきます。 機械学習とニューラルネットワーク、Pythonプログラミングについてある程度の経験がある方を主な対象読者としており、数学に関しては最小限のものに絞って解説します。 本書の目的は、GANが達成してきたことを理解するための知識と道具を提供し、そこから新しい応用を見つけ作り出す力をつけていただくことです。GANは多くの可能性に満ちていますから、意欲的な方々であれば学術界・実世界に大きなインパクトを与えられることでしょう。 Part 1 GANと生成モデル入門 Part 2 GANの発展的な話題 Part 3 ここからどこへ進むべきか

※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。 CNNとViTによる画像認識を本格的に学ぶために！ 本書は、深層学習（ディープラーニング）に基づく2つの技術、畳込みニューラルネットワーク（CNN）とVision Transformer（ViT）を通して、画像認識の基礎を実践例とともに解説するものです。 画像認識技術は、顔認証や異常検知など、現代社会に欠かせない技術として広く応用されており、研究開発も盛んに行われています。本書では、確かな理解のもとに画像認識技術の研究開発が可能となるよう、前半において理論的な基盤（深層学習の基本事項、畳込みニューラルネットワーク（CNN）、Vision Transformer（ViT））を、紙数を割いてわかりやすく解説していきます。また後半では、画像認識の基本的手法である物体検出と領域分割、学習データの大規模化に欠かせない自己教師あり学習を実例とともに解説し、最終章では今後ますます重要になると見込まれるVision and Languageのマルチモーダル処理を詳細に扱います。 全体を通して、擬似コードなどでアルゴリズムを把握できるようにしたほか、Python（PyTorch）のサンプルコードも用意し、読者自身が手を動かして画像認識を実践することができるようにしました。 第1章　画像認識の概要 第2章　深層学習の基礎 第3章　畳込みニューラルネットワーク 第4章　Vision Transformer（ViT） 第5章　物体検出 第6章　領域分割 第7章　自己教師あり学習 第8章　画像と自然言語

本書は、情報処理学会CVIM（コンピュータビジョンとイメージメディア）研究会主催で開催されたチュートリアル講演をもとに書かれた『コンピュータビジョン最前線』Winter 2021～Autumn 2022の連載記事「ニュウモン」4編をまとめたものである。新たに必要となった加筆・修正を施し単行本化した。 本書により、深層学習のブレークスルーにより新しい原理・技術が続々と提案され、日々進化し続けているコンピュータビジョン分野で話題の技術・アルゴリズムについて、原理から実践場面における実装までを体系的に学ぶことができる。 ・イマドキノバーチャルヒューマン：XR分野におけるバーチャルヒューマンにかかわる技術の中でも、人間の全身構造や形状の把握に主眼を置いた代表的な研究について紹介。今後の見通しについても触れる。 【論文フカヨミ】 ・フカヨミオープンワールド物体検出：筆者らがECCV2022で提案したオープンワールド物体検出のための手法LDETについて解説。既存手法の欠点を克服するためのデータ拡張、および学習フレームワークを提案し、さらなる発展についても言及。 ・フカヨミマルチフレーム超解像：シングルイメージ超解像を含む超解像分野全体の概観から始め、マルチフレーム超解像に関する最新の研究について紹介。 ・フカヨミ深層単画像カメラ校正：1枚の入力画像のみで歪みと傾きを高精度に校正する深層単画像カメラ校正の研究動向を紹介し、高精度な深層単画像カメラ校正を実現した論文をフカヨミ。 【チュートリアル】 ・ニュウモンAutoML：深層学習のためのAutoMLとして、ニューラル構造探索（NAS）とハイパーパラメータ最適化（HPO）について、代表的な手法を取り上げて解説。 その他、漫画「訳わかめフューチャー」、CV分野の学会・研究会・国際会議の開催日程や投稿日が一挙にわかる「CVイベントカレンダー」を掲載。

※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研究の「これまで」と「これから」を第一線の研究者がわかりやすく解説 　本書は，ゲームAI研究の「これまで」と「これから」を第一線の研究者がわかりやすく解説した書籍です． 　ゲームAI研究は従来より，AIの社会実装における重要な示唆を与えるものとして大きな役割を果たしてきました．特に近年，深層学習の登場により注目を集める分野になっています．しかし，すべての情報を得られない不完全情報ゲームや実環境の外乱が結果を大きく左右するスポーツ等の不確定ゲーム，コミュニケーションがゲームの勝敗に大きな影響を与えるコミュニケーションゲームなど，まだまだ多くのゲームで人間を超えるゲームAIをつくることが困難な分野もあります．さらに，AlphaGoZeroが人間のプロを超越したとされる完全情報ゲームの囲碁でも，囲碁AIが陥ってしまう穴が見つかっています． 　また，人間を超越したゲームAIが人間と共存するために求められる人間らしさや楽しさの理解，これからのデジタルゲームに求められるゲームデザインとゲームAI，ゲーム体験の評価手法および人間の認知機能の理解なども課題として残されています． 　本書は，これまでのゲームAI研究の理解の上に，これからゲームAI研究をする人にとってヒントとなるエッセンスの詰まった必読書です． CHAPTER 1　ゲームと知能研究 1.1　知能研究におけるゲーム 1.2　ゲーム研究のメインストリーム 1.3　ゲーム研究の残された課題 CHAPTER 2　不完全情報ゲーム 2.1　CFR 2.2　ガイスター 2.3　大貧民 2.4　ポーカー 2.5　不完全情報ゲームのゲームAIの可能性 CHAPTER 3　不確定ゲーム 3.1　バックギャモン 3.2　バックギャモンのゲームAI 3.3　ゲームAIの評価の可視化 CHAPTER 4　コミュニケーションゲーム 4.1　ゲームにおける社会的相互作用 4.2　Hanabi 4.3　人　狼 CHAPTER 5　実環境のゲーム 5.1　カーリング 5.2　測定データの処理 5.3　研究事例 5.4　実環境で人間プレイヤを支援する技術 5.5　実戦運用と課題 5.6　ミニ四駆AI 5.7　ミニ四駆AIの技術と課題 CHAPTER 6　ゲームデザイン 6.1　ゲームにおけるゴール 6.2　ルール設定 6.3　ゲームデザインの表現 6.4　レベルデザイン 6.5　難易度の調整 CHAPTER 7　メタAIとプロシージャル コンテンツ ジェネレーション 7.1　メタAI，PCG，機械学習 7.2　メタAIとは 7.3　アルゴリズムによるPCG 7.4　機械学習を用いたPCG 7.5　学習を含んだMCS-AI動的連携モデル CHAPTER 8　人間らしさと楽しさの演出 8.1　人間らしさのさまざまな側面 8.2　ゲームの要素とAI技術 8.3　ゲームAIに求められる人間らしさ 8.4　人間プレイヤの人間らしさ 8.5　人間らしさの実装方法 8.6　人間プレイヤの感じ方のモデリング 8.7　実例（FPS，スーパーマリオブラザーズ，囲碁，不確定ゲーム） CHAPTER 9　ゲーム体験の評価 9.1　AlphaZero以後のゲームAI研究 9.2　主観的事項の評価・計測手法 9.3　楽しさの評価 9.4　今後の課題 CHAPTER 10　人間の認知機能とスキルアップの原理 10.1　スキルアップの原理 10.2　熟達にともなう潜在化と自動化 10.3　熟達者の認知特性の実例 10.4　熟達者の脳 CHAPTER 11　認知研究とAIの人間への影響 11.1　ゲームと認知研究 11.2　ゲームの認知科学的研究 11.3　生体データの計測と解析 11.4　ゲームによる学習支援 11.5　人間を超えるゲームAIの反響 11.6　将棋界に起こった変化と邂逅 11.7　囲碁AIが囲碁界に与えた影響 11.8　eスポーツとゲームAI 11.9　人間の知を超えたゲームAIとその応用

※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。 ※この商品は固定レイアウト型の電子書籍です。 ※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（2色）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。 ニューラルネットワークの基礎から実装まで、C++のサンプルコードで学ぶ 本書は、ディープラーニング（深層学習）の基礎を学ぶ初級者やソフトウェアエンジニアの方を対象に、ディープラーニングのベースとなっているニューラルネットワークからその派生技術や応用まで、実際に動くC++のソースコードを参照しながら学ぶ内容となっています。前半はニューラルネットワークに関する必須知識を扱い、後半ではニューラルネットワークの派生技術や応用に言及し、徐々に高度な内容となっていきます。 【本書の内容】 Chapter1「ディープラーニング概論」……ディープラーニングの概要と、ニューラルネットワーク構築時に最低限必要なC++プログラミングの知識をまとめます。 Chapter2「ニューラルネットワークのための行列演算と並列プログラミング」……並列プログラミングの重要性とその知識や行列演算を解説します。 Chapter3「ニューラルネットワーク」……パーセプトロンと呼ばれるニューラルネットワークの最小単位となるユニット、パーセプトロンを重ねたニューラルネットワークの基本形である層状パーセプトロン（MLP）を説明します。 Chapter4「誤差逆伝播」……ニューラルネットワークのパラメーター学習方法である、誤差逆伝播法を詳しく解説します。 Chapter5「C++によるニューラルネットワークの実装」……多層パーセプトロンを用いた手書き数字の画像認識を、実際にコーディングしながら動かすことで、ディープラーニングを体験します。本章では、ニューラルネットワークの基礎が詰まったベーシックな分類モデルを構築することで、処理全体の流れを把握することを目的とします。 Chapter6「学習の最適化と過学習」……機械学習全般で発生する過学習にフォーカスし、ニューラルネットワークでの過学習を抑えるテクニックを紹介します。本章以降から、単なるニューラルネットワークではなく、ディープラーニングの範疇となります。 Chapter7「事前学習」……ディープラーニングがブレイクするきっかけとなった技術の1つであるオートエンコーダーを解説します。 Chapter8「畳み込みニューラルネットワーク」……現在ディープラーニングの花形といわれる畳み込みニューラルネットワークを解説します。主に画像認識で利用され、近年はめざましい成果をあげている技術です。 Chapter9「再帰型ニューラルネットワーク」……再帰型ニューラルネットワークと呼ばれる、自己の出力を入力とする再帰構造となったニューラルネットワークを使い、自然言語処理への応用例を紹介します。統計的機械翻訳や自動応答、音声認識などの分野で、近年のAIの大きな進化の推進役となっている技術です。 本書では開発言語としてC++を採用しています。C++でほぼすべてをスクラッチから実装しており、最終的に完成するコードはディープラーニングのC++フレームワークとして機能します。サンプルコードはダウンロード可能。

※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。 【豊富な図と数式のコンビで、深層学習の基本原理が直感的に理解できる！】 　本書では「深層学習に使用する数学」について、意味を直感的に理解できるように図を多用することで式を補完する。 　第I部では深層学習についての基礎事項と次の部で使用する数学について、第II部ではニューラルネットワーク（深層学習）の中身について、第III部では深層学習の自動チューニングについてそれぞれ詳述。深層学習の実践・応用へステップアップするための基礎がじっくりと学べる、第一歩に相応しい一冊。

※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。 深層（多段層）ニューラルネットワークの構築は人工知能を模索する研究者にとっては、長年の課題であり夢でもあり、まさに研究対象でもあった。しかしただ単に多層化するだけでは、能力をうまく発揮することは出来なかった。近年、大きなブレークスルーがあり深層学習の手法を使うことにより、機械が自ら表現を学習出来ることが分かった。しかし、新しい手法でもあり、未解決な課題も多く存在している。 本書は、この分野の最先端の著者らが、人工知能学会誌に掲載した連載解説を、大幅に加筆再編したものである。今までの到達点、今後の課題が、具体的な研究成果と共に書かれている。深層学習の理論・応用を、自らの研究に取り込むことを考えている読者には、まさに必携必読の書籍である。

※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。 近年の技術の発展により、画像認識技術はますます身近になっています。スマホの顔認証やオンライン会議での人物と背景を認識して背景をぼかすなどをはじめ、画像認識技術ははさまざまな場面において人々の生活をサポートしています。本書では画像認識について実践的に学べるように、Pythonを使った実装を示しています。また画像認識の基礎については簡単に触れるにとどめ、最新の画像認識手法について紙幅を割き、多くの部分で深層学習の実装について学ぶことができる構成になっています。

※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。 「音声合成」とは、人間の音声を人工的に作り出す、音声情報処理の一分野です。深層学習の発展に従い、画像認識・音声認識などの分野と同様に、音声合成においてもパラダイムシフトが起きています。本書では、従来の統計的音声合成システムの基礎について解説した上で、深層学習技術による近年の音声合成の発展について詳説しています。また、実際に公開されているデータセットを用いて、深層学習を用いた音声合成システムを作るための実装の解説も行っています。本書は、2020年8月24日刊の『Pythonで学ぶ音源分離』、2021年5月20日刊の『Pythonで学ぶ音声認識』に続く、特定の技術分野のアルゴリズムの紹介と、そのアルゴリズムを実装したコードを解説する、より技術的・実践的な「機械学習実践シリーズ」の3冊目です。中級者以上向け。

※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。 「音声認識」とは、音声信号から発話内容を認識することで、AIスピーカなどに利用されている技術です。本書は、現在までの音声認識技術の発展経緯を学びながら、深層学習を用いた最新の音声認識システムを実装できるようになることを目的としています。まず手法の目的やアルゴリズムの概要を解説し、続いて数式レベルでの詳説、最後にソースコード付きで実装という流れで解説しています。特に手法の概要については「そもそもその手法は何を目的として生み出されたのか」という経緯と、「なぜその手法は前述の目的を達成できるのか」について直感的に理解できるよう工夫しています。本書は中級者以上に向けた、特定の技術分野のアルゴリズムの紹介と、それを実装したコードを解説する、より技術的・実践的な「機械学習実践シリーズ」です。

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。 連続最適化アルゴリズムの数理を、詳しく丁寧に解説！ 連続最適化アルゴリズムとは、連続変数の関数についての数理最適化の問題で、適切な近似解を得るための計算手法のことです。古典的な数理計画の問題に限らず、近年ますます応用の広がりを見せている機械学習でも、その各種アルゴリズムにおいて数理最適化のさまざまな計算手法が駆使されています。 本書では、特に、二つの連続最適化に焦点を当て、詳しく丁寧に解説しました。一つ目は、微分不可能な凸関数の最適化、つまり、非平滑凸最適化です。ネットワーク資源割当や信号処理に現れる連続最適化は、非平滑凸最適化として表現ができます。二つ目は、微分可能ではあるが凸ではない関数の最適化、つまり、平滑非凸最適化です。深層学習に現れる連続最適化は、平滑非凸最適化として表現ができます。 また、この二つの最適化のための連続最適化アルゴリズムの性能を決定するステップサイズと呼ばれるパラメータの設定に着目し、その設定に関する理論と応用も詳解します。連続最適化問題の最適解へ進む方向（探索方向）が決まっているとき、その方向へ進む度合いを表すのがステップサイズです。 予備知識として、大学教養レベルの線形代数と微分積分のひととおりの知識を想定していますが、第2章で本書の通読に必要な知識をまとめ、読者の利便性を高めています。また、各種アルゴリズムの数学的背景となる定理は、本文中もしくは演習問題としてすべて載せています。さらに、アルゴリズムの実装に資するよう、Pythonのサンプルコードを用意し、ダウンロードできるようにしました。 第1章　はじめに 1.1　連続最適化問題 1.2　連続最適化アルゴリズム 1.3　資源割当や機械学習に基づいたステップサイズ 第2章　数学的準備 2.1　ユークリッド空間の諸性質 　1　ユークリッド空間 　2　行列全体からなる集合 　3　点列の収束性 2.2　微分可能性と平滑性 2.3　凸性 2.4　射影 2.5　非拡大写像 演習問題 第3章　連続最適化と関連する問題 3.1　連続最適化問題と最適解 3.2　制約なし平滑最適化問題 3.3　制約なし非平滑最適化問題 3.4　制約付き非平滑最適化問題 3.5　制約付き平滑最適化問題と変分不等式 3.6　不動点問題 演習問題 第4章　反復法 4.1　反復法の基本的概念 4.2　勾配法と降下方向 4.3　ステップサイズ 　1　定数ステップサイズ 　2　減少ステップサイズ 　3　直線探索ステップサイズ 　4　その他のステップサイズ 4.4　劣勾配法 4.5　近接点法 4.6　収束性と収束率 演習問題 第5章　平滑非凸最適化のための反復法 5.1　最急降下法（Lipschitz連続勾配） 5.2　最急降下法（非Lipschitz連続勾配） 5.3　Newton法 5.4　準Newton法 5.5　共役勾配法 5.6　数値例 演習問題 第6章　非平滑凸最適化のための反復法 6.1　射影劣勾配法 6.2　射影近接点法 6.3　近接勾配法 6.4　FISTA（高速近接勾配法） 6.5　資源割当問題 演習問題 第7章　不動点近似法 7.1　Krasnosel'skii-Mann不動点近似法 7.2　Halpern不動点近似法 7.3　POCS 7.4　不動点近似法の適用例 　1　制約付き平滑凸最適化問題 　2　凸実行可能問題 　3　一般化凸実行可能集合 7.5　資源割当問題 演習問題 第8章　平滑非凸最適化のための深層学習最適化法 8.1　損失最小化問題 8.2　確率的勾配降下法（Lipschitz連続勾配） 8.3　確率的勾配降下法（非Lipschitz連続勾配） 8.4　モーメンタム法 8.5　適応手法（非Lipschitz連続勾配） 8.6　ミニバッチサイズの設定 8.7　ミニバッチサイズの推定 演習問題 付録A　定理の証明と補足 付録B　演習問題解答例 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。 ボードゲームを題材とした古典的なAIの実装からはじめ、深層学習と強化学習を囲碁AIに組み込み、改良していきます。囲碁ボット構築の方法を理解することで、他の人工知能開発にも応用することができるようになります。 Manning Publications『Deep Learning and the Game of Go』の日本語版。 ・PythonとKerasを利用した囲碁AIボット開発でディープラーニングを深く理解できます。 ・AlphaGo/AlphaGo Zeroで用いられた手法も解説！ ・基本的なPythonと高校レベルの数学の知識で読破可能。 この本はAlphaGoの開発と拡張という魅惑的な冒険へ導いてくれます。あなたは最も美しくかつ挑戦的なゲーム開発の基礎を学ぶことになるでしょう。とても読みやすく魅力に溢れた人工知能と機械学習の実践的入門書です。 ―Thore Graepel：DeepMind AlphaGoチームの研究・開発者（本書まえがきより）

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。 化学の研究開発ではマテリアルズインフォマティクス（機械学習・深層学習を用いた新素材探索や新材料設計）の技術が導入され始めています。一方で、有機化学・無機化学のどの領域かによって構造情報の扱いや解析ノウハウが異なり、それぞれの場面で適切な手法が存在するという実情があります。本書では深層学習の基礎事項をはじめ、実際に深層学習を化学研究に利用する上での留意点を詳述するとともに、有機化学・無機化学分野でのデータの具体的な扱い方、さらには様々な深層学習手法とその具体的利用の理解を助けるための応用事例など、注目すべき多数の研究成果を体系的に整理しています。深層学習の初学者および具体的な応用研究を目指す方を対象に、データから様々な可能性を模索できるよう編集された一冊です。

【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。

【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。 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。 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

DXの実務とは、「戦略」と「技術」をつなぐこと。 あらゆる産業で「DX」が叫ばれる昨今、 多くの時間と労力を費やしているにもかかわらず、 成功とは言い難いDXプロジェクトが後を絶たない。 それらの取り組みに共通して見られるのが、 ・DX戦略構築/実行の「型」が欠けている ・DX実現に不可欠の「技術的考察」が欠けている という2つの根本的な問題だ。 DX成功の鍵は「戦略と技術をつなげる力」であり、 非エンジニアでも経営層でも、本気でDXを行うならば データ利活用の標準的な考え方を身につけ、 主要技術を理解することが不可欠だ――。 「そもそもDXの戦略はどのように描けばよいのか?」 「データ利活用はどのような手順で進めるべきなのか?」 「どのような体制、マネジメント、人材が必要なのか?」 「AIはどう駆動するのか。機械学習で何が可能なのか?」 「技術をビジネスに実装/運用する上での注意点とは?」 「DXに携わる人にはどんなスキルが求められるのか?」 これらのポイントを押さえながら、「DXの実務」の リアルな行程を、具体性と汎用性にこだわって解説する。 【技術者でない人のための データ/AI活用必携テキスト】 [本書の特徴] ・エンジニアではない読者向けに、DXに関する戦略と技術の双方を解説。 ・あらゆる業種のDXに共通して必要な「データ利活用」の本質がわかる。 ・難解なデータ/AIの技術について、易し過ぎず、難し過ぎないレベルで解説。 ・データ/AIの技術を前提としながら、実務的な話ができるだけの基本知識・理解が得られる。 [構成] Part 1[序論] DXの成否を左右する「データ利活用サイクル」 DXの“現在地" DXは、「データ利活用」による経営改革 データ利活用を実現する重要コンセプト データ利活用を実装する仕組み データ利活用とAI データ利活用の成否を分かつ要因 データ利活用DX実現へのロードマップ Part 2[総論1] DXが進まない理由 業種/業界別に見られる課題とDXによるアプローチ DX推進を阻む課題 DXを阻む課題の“深淵" DXを実現するための3つの方針 Part 3[総論2] データ利活用DX推進のフレームワーク データ利活用DXの2つのフェイズ Pre-DX Phase:コンセプトの設計 Pre-DX Phase:メカニズムの設計 DX Phase:推進ステップ Part 4[各論1] DX Phaseの具体的実務 データ利活用の前提となる「データ統合」 データの分類 DXフェイズにおける具体的実務の概観 KPIを具体的実務へ落とし込む データ/AI活用を具体的実務へ落とし込む Part 5[各論2] AIの活用 AIの全体像 AIの限界 Column 進化し続けるAI AIの分類 AIの学習 教師あり学習:決定木 アンサンブル学習 画像認識/自然言語処理で用いる深層学習モデル 教師なし学習:クラスタリング 機械学習システムへの実装 Part 6[各論3] 人材要件 プロダクト開発担当 データサイエンス担当 データパイプライン担当

◆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

※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

※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。 機械学習による異常検知の基本と応用がわかる！ 本書では、機械学習による異常検知のしくみを、誤差関数に着目して解説します。読者が新しい異常検知システムを自ら構築できるようになることを最終目標とし、機械学習アルゴリズムの基本から解説していきます。 機械学習について誤差関数を中心に理解を深めることによって「外れ値とはなにか」「閾値はどのように設定すればよいか」といった異常検知における基本が自然と理解できます。そういった基礎から入りつつ、時系列データを分析する際の手法と注意点（第3章）や、深層学習を用いた応用例（第4章）といった内容まで踏み込み、最終的には自ら異常検知システムを構築できるよう導きます。 機械学習の各アルゴリズムの説明や例題などには、Pythonのコードが付いています。 自分でプログラムを実行しながら学べる入門書です。 ＜本書の特徴＞ ・誤差関数を中心に機械学習の原理を理解することで、異常検知の基本が自然と理解できます。 ・基本だけでなく、時系列データに対する異常検知の考えかた（第3章）や、深層学習による応用（第4章）を学ぶことができます。 ・Pythonのコード付きなので、手を動かしながら学習することができます。 第0章　機械学習と異常検知 第1章　機械学習と統計解析の基本モデル 第2章　非時系列データにおける異常検知 第3章　時系列データにおける異常検知 第4章　深層学習による異常検知

※この電子書籍は固定レイアウト型で配信されております。固定レイアウト型は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。 本書では、確率的グラフィカルモデルの統計的機械学習理論について、画像処理とパターン認識に応用例を絞りつつ概説することから始める。特にパターン認識では、クラス分類問題という視点において、多値ロジスティック回帰モデルと制約ボルツマンマシンという2つの確率的グラフィカルモデルを通し、深層学習の基礎となる数理を紹介する。その上で、グラフ構造の疎（Sparse）性という深層学習とは真逆の性質を元に急速に展開しつつあるスパースモデリングという新しい研究領域の最近の理論的基盤の深化の様子を、連続最適化問題という視点から解説する。

※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。 医用画像におけるディープラーニング（Deep Learning）をまとめた本格的なシリーズ　最新版 　医療関係者が人工知能をはじめて本格的に学ぶことができる一冊。 　人工知能と医療（主に画像）とのかかわりを詳しく解説。 　後半の事例編を大幅に増やし、具体的な応用例、研究例を多数掲載。 　医療AIの今がわかる！ 推薦文　福島邦彦先生 【基礎編】 Chapter1　人工知能（AI）総論 Chapter2　ニューラルネットワーク Chapter3　ディープラーニング Chapter4　動かす Chapter5　評価する 【応用編】 Chapter6　検出する Chapter7　分類する Chapter8　推定する Chapter9　作る・処理する Chapter10　診断を支援する Chapter11　医療を取り巻く世界 【事例編】 Chapter12　眼底画像 Chapter13　病理画像 Chapter14　大腸内視鏡画像診断支援 Chapter15　大腸CT内視鏡　　 Chapter16　歯科X線画像 Chapter17　放射線治療画像 Chapter18　外科治療画像 Chapter19　医用画像とRadiomics Chapter20　マンモグラフィと乳腺超音波検査 Chapter21　運動器領域の画像解析 Chapter22　深層学習のCT 画像再構成への応用 Chapter23　MRI再構成問題 Chapter24　MR画像処理への応用 Chapter25　核医学画像分野におけるディープラーニング 特別Column1　AI時代の放射線科医 特別Column2　AI時代の診療放射線科技師 【Column】 アジア近隣諸国におけるAI事情 大規模学習ニューラルネット（MTANN） 画像診断ナショナルデータベース AIと倫理，薬事ガイドライン コンピュータビジョンの動向 IT/AIの医療への実装 ACR AI-LABで医用画像AI を体験 深層学習による脳動脈瘤診断支援AI ディープラーニング研究の3つのツールのトピックス

※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。 医用画像におけるディープラーニング（Deep Learning）をまとめた本格的なシリーズ　最新版 　プログラミングは一切行わず、医用画像に人工知能を導入するための解説書。 　具体的には、Neural Network Console（ソニー）と、DIGITS（NVIDIA）、MATLAB（MathWorks，2020-2021年版から追加）を使って、深層学習と医用画像処理を行う手順とノウハウを詳しく解説しています。 　人工知能には興味があるが、どこから始めたらよいわからず困っている方には、ぜひお勧めします。 本書利用にあったっての注意事項 第1章　深層学習の基礎 第2章　Neural Network Consoleを使った深層学習と医用画像処理 第3章　DIGITSを使った深層学習と医用画像処理 第4章　MATLABを使った深層学習と医用画像処理 第5章　ディープラーニングのための前処理と後処理

※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。 人工知能技術の中枢をなす深層学習と物理学との繋がりを俯瞰する。物理学者ならではの視点で原理から応用までを説く、空前の入門書。《目次》第1章　はじめに：機械学習と物理学【第I部　物理から見るディープラーニングの原理】第2章　機械学習の一般論第3章　ニューラルネットワークの基礎第4章　発展的なニューラルネットワーク第5章　サンプリングの必要性と原理第6章　教師なし深層学習【第II部　物理学への応用と展開】第7章　物理学における逆問題第8章　相転移をディープラーニングで見いだせるか第9章　力学系とニューラルネットワーク第10章　スピングラスとニューラルネットワーク第11章　量子多体系、テンソルネットワークとニューラルネットワーク第12章　超弦理論への応用第13章　おわりに

AIアプリ開発は簡単だ！ Azureでの実践法を基本から徹底ガイド ディープラーニング（深層学習）という技術が登場したことにより、見る・聞く・理解する・考える・話すといった人のような認知機能を備えるAI（人工知能）がコンピュータで実現できるようになりました。ディープラーニングは機械学習と呼ばれる技術の一種で、認知機能の精度・性能を向上させるには、正解とみなせる入出力データのセットである教師データを用意して学習させることが必要です。 そこで有用なのが、Microsoft Cognitive Services。学習済みのAI部品が29種類、クラウドサービスとして提供されており、自前で教師データを用意したり学習させたりする手間が最小限で済みます。Microsoft Cognitive Servicesを使えば、認知機能を備えるAIを簡単に開発できます。 本書では、AIの基礎知識やMicrosoft Cognitive Servicesのサービス内容について解説したうえで、ピザ注文受付ボットやFAQ（よくある質問）回答ボットを題材として具体的な開発方法をステップバイステップで示します。 システムエンジニアやプログラマにとって、認知機能を備えるAIの開発を経験するうえで最適な1冊です。本書でAI開発の第一歩を踏み出してください。

※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。 ■本書の特徴： 1．初心者でも実践的な知識が身につく 本書はクラウドの初心者を対象としていますが、実践的な知識を学べます。AWSの提供するクラウド環境を例に、手を動かしながら知識を身につけられます。 2．コードで学べる サーバー構成などをコードで管理する方法を丁寧に解説しています。AWSをコードで管理する方法を実際に手を動かしながら学ぶことができます。 3．豊富な図解 AWSのサービスや構築に関わる内容を概念図によって丁寧に解説しています。はじめての学習でも最後まで学べるような構成にしてあります。 ■本書の構成： Chapter 1 はじめに Chapter 2 クラウド概論 Chapter 3 AWS入門 Chapter 4 Hands-on #1：初めてのEC2インスタンスを起動する Chapter 5 Hands-on #2：AWS でディープラーニングを実践 Chapter 6 Docker 入門 Chapter 7 Hands-on #3：AWS で自動質問回答ボットを走らせる Chapter 8 Hands-on #4：AWS Batch を使って機械学習のハイパーパラメータサーチを並列化する Chapter 9 ウェブサービスの作り方 Chapter 10 Serverless architecture Chapter 11 Hands-on #5：サーバーレス入門 Chapter 12 Hands-on #6：Bashoutter Chapter 13 Hands-on #7：boto3 道場 Chapter 14 Hands-on #8：シン・Bashoutter Chapter 15 Hands-on #9：深層学習を用いたアート自動生成アプリケーション ――― Appendix　環境構築

※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

◆ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！！◆ ・トランスフォーマー、グラフニューラルネットワーク、生成モデルなどをはじめ、各手法を大幅に加筆。 ・深層学習のさまざまな課題と、その対策についても詳しく解説。 [本書まえがきより抜粋] ないもの（＝理論）ねだりをしても仕方がありません．それでも皆が研究を進めるのは，そうすることに意義があるからです．なぜうまく働くのか，なぜそうすべきか，数学的な証明はなくても，正しい説明は必ずあるはずです．それを手にできれば，目の前の課題を解決するのに，また次に進むべき道を知るうえで役に立つでしょう． そこで本書では，それぞれの方法について，今の時点で最も納得できる説明をきちんと与えることにこだわりました．名前の通った方法であっても，理屈が成り立たない，あるいは役に立たない方法や考え方については，はっきりそう書きました．著者の主観といわれても仕方がない場合もあるかもしれませんが，そのほうが有益であると信じています． また，現在の深層学習の広がりを把握できるように，定番となった問題・方法に加えて，重要だと思われる問題については，必ずしもそれほど有名でない方法も含めてなるべく網羅するようにしました．その取捨選択には，深層学習が実践的技術であることを踏まえ，実用性を最も重視しました．そこには，この間に著者が企業の実務家たちと行ってきた共同研究での経験が反映されています． [主な内容] 第1章　はじめに 第2章　ネットワークの基本構造 第3章　確率的勾配降下法 第4章　誤差逆伝播法 第5章　畳み込みニューラルネットワーク 第6章　系列データのためのネットワーク 第7章　集合・グラフのためのネットワークと注意機構 第8章　推論の信頼性 第9章　説明と可視化 第10章　いろいろな学習方法 第11章　データが少ない場合の学習 第12章　生成モデル

※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。 ※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。 信号処理の基礎から最新の理論まで解説！ 信号処理は、さまざまなセンサー（カメラ、マイクなど）から得られる信号（音響、画像、映像など）をディジタル化してコンピュータで処理し、瞬時に伝送するのに加え、インターネットで流通、共有させるために不可欠な技術分野です。信号処理によって、人間が聞きやすく、見やすく、分かりやすくし、さらには人間や機械がより高度な分析や判断を行うことを可能にします。 「IoT」や「ビッグデータ」においても、実世界に存在する無数のセンサーからの大規模データ（信号）が実時間で記録、保存、解析されることが前提となっており、「可視化」「見える化」「イメージング」などが実現されます。信号処理がなければ、現代のスマート社会は成り立たないといっても過言ではありません。 本書は、信号処理の大学学部レベルの教科書を想定して書かれていますが、大学院レベルの内容も含まれています。第13章「新しい信号処理」では、深層学習の基礎となるディープニューラルネットワークと、近年注目されているグラフ信号処理についてもふれています。また、本文中には多くの問いを設け、その解答も掲載しています。 第1章 信号処理とは 第2章 信号の表現と演算 第3章 信号処理システム 第4章 連続時間フーリエ解析 第5章 サンプリング 第6章 離散時間フーリエ解析 第7章 高速フーリエ変換 第8章 窓関数と短時間フーリエ変換 第9章 z変換 第10章 ディジタルフィルタ 第11章 離散コサイン変換とウェーブレット変換 第12章 画像・映像の圧縮：JPEG・MPEG 第13章 新しい信号処理

※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

「読んでいて本当に心地がいい」と大好評の前著『ベイズ推論による機械学習入門』からの第２弾！　｢深層学習とベイズ統計の融合｣がすべて詰まった ｢欲張り｣本！　基礎からはじめ、深層生成モデルやガウス過程とのつながりまでをていねいに解説した。本邦初の成書！本書のサポートページ：https://github.com/sammy-suyama/BayesianDeepLearningBook　　【主な内容】第1章　はじめに　1.1　ベイズ統計とニューラルネットワークの変遷　1.2　ベイズ深層学習／第2章　ニューラルネットワークの基礎　2.1　線形回帰モデル　2.2　ニューラルネットワーク　2.3　効率的な学習法　2.4　ニューラルネットワークの拡張モデル／第3章　ベイズ推論の基礎　3.1　確率推論　3.2　指数型分布族　3.3　ベイズ線形回帰　3.4　最尤推定，MAP推定との関係／第4章　近似ベイズ推論　4.1　サンプリングに基づく推論手法　4.2　最適化に基づく推論手法／第5章　ニューラルネットワークのベイズ推論　5.1　ベイズニューラルネットワークモデルの近似推論法　5.2　近似ベイズ推論の効率化　5.3　ベイズ推論と確率的正則化　5.4　不確実性の推定を使った応用／第6章　深層生成モデル　6.1　変分自己符号化器　6.2　変分モデル　6.3　生成ネットワークの構造学習　6.4　その他の深層生成モデル／第7章　深層学習とガウス過程　7.1　ガウス過程の基礎　7.2　ガウス過程による分類　7.3　ガウス過程のスパース近似　7.4　深層学習のガウス過程解釈　7.5　ガウス過程による生成モデル

機械学習の予備知識がない読者を、研究の最前線までしっかり連れて行く、ひとりでも学べる入門書! 深層学習の理論を初めて学ぶ人はもちろん、今度こそ理解したい人のために。 【甘利俊一先生推薦】 ｢世の中に人工知能の解説書は多いが、基礎から始め、その仕組みを理論的に明快に説明したのは本書が初めてといってよい｣

◆自然言語処理の応用(機械翻訳、文書要約、対話、質問応答)に焦点を当て、深層学習の利用方法を解説。◆｢実装上の工夫｣など、本書でしか読めない実践的な内容が充実!※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。

【最新動向サーベイ】 ・イマドキノ一人称ビジョン：人の身体に軽量小型のウェアラブルカメラを装着し、装着者自身の視点から見た映像を撮影することで自身およびその周辺の環境を理解する一人称ビジョンについて、浅く広く、応用や実践も含めて紹介。 【論文フカヨミ】 ・フカヨミStable Diffusionと脳活動：Stable Diffusionと名付けられた潜在拡散モデルの各要素やプロセスが、脳内の活動とどのように対応しているかを探ることで、生物学的に拡散モデルの解釈を試みた研究について紹介。加えて、新たな深層学習モデルの訓練を必要としないシンプルなデコーディングの枠組みも提案。 ・フカヨミ音響情報のCV応用：本稿では音と画像を活用した研究をおおまかに、意味情報をもつ音響信号を用いて人物姿勢や画像を生成するモデルと、反響音から室内の3次元空間情報を推定するモデルに大別し、それぞれの代表的な研究について解説。 ・フカヨミ潜在空間で画像編集：表現空間における座標系に注目し、生成される画像を高品質に編集できる手法deep curvilinear editing (DeCurvEd) を紹介。 【チュートリアル】 ・ニュウモン拡散モデル：前々号（Summer 2023）掲載の「イマドキノ拡散モデル」では、拡散モデルの基礎を踏まえつつも、最新の研究動向を体系的に広く紹介することに主眼に置いた。今回はチュートリアル記事として前回よりさらに大きく紙面を割き、爆発的な進展の中で登場した数多くの技術の中でも特に広く使われているものを中心に、そのアイデアや技術の詳細を紹介。 その他、漫画「君も魔法をかけてみよう！」、CV分野の学会・研究会・国際会議の開催日程や投稿日が一挙にわかる「CVイベントカレンダー」を掲載。

【最新動向サーベイ】 ・イマドキノバーチャルヒューマン：XR分野におけるバーチャルヒューマンにかかわる技術の中でも、人間の全身構造や形状の把握に主眼を置いた代表的な研究について紹介。今後の見通しについても触れる。 【論文フカヨミ】 ・フカヨミオープンワールド物体検出：筆者らがECCV2022で提案したオープンワールド物体検出のための手法LDETについて解説。既存手法の欠点を克服するためのデータ拡張、および学習フレームワークを提案し、さらなる発展についても言及。 ・フカヨミマルチフレーム超解像：シングルイメージ超解像を含む超解像分野全体の概観から始め、マルチフレーム超解像に関する最新の研究について紹介。 ・フカヨミ深層単画像カメラ校正：1枚の入力画像のみで歪みと傾きを高精度に校正する深層単画像カメラ校正の研究動向を紹介し、高精度な深層単画像カメラ校正を実現した論文をフカヨミ。 【チュートリアル】 ・ニュウモンAutoML：深層学習のためのAutoMLとして、ニューラル構造探索（NAS）とハイパーパラメータ最適化（HPO）について、代表的な手法を取り上げて解説。 その他、漫画「訳わかめフューチャー」、CV分野の学会・研究会・国際会議の開催日程や投稿日が一挙にわかる「CVイベントカレンダー」を掲載。

自然言語処理モデル「BERT」のしくみと実装手法を PyTorchとGoogle Colaboratoryで学んでみよう！ 【本書の背景】 近年、深層学習に基づく自然言語処理技術は飛躍的な発展を遂げており、翻訳、文章生成、文章のグルーピングなど様々な業務に利用されています。自然言語処理技術の中でも特に注目を集めているのが「BERT」です。 【BERTとは】 BERTは2018年の後半にGoogleから発表された、自然言語処理のための新たなディープラーニングのモデルです。「Transformer」がベースとなっており、様々な自然言語処理タスクに合わせて調整可能な汎用性があります。 【本書の概要】 PyTorchとGoogle Colaboratoryの環境を利用して、BERTの実装方法について解説します。具体的にはAttention、Transformerといった自然言語処理技術をベースに、BERTのしくみや実装方法についてサンプルを元に解説します。章末には演習を用意しています。 【対象読者】 ・一歩進んだ自然言語処理技術を身につけたい方 ・BERTの実装を効率よくコンパクトに学びたい方 ・BERTの概要を実装を通して把握したい方 【本書の特徴】 ・サンプルを元にBERTの基礎から発展的な利用方法まで学べる ・Google ColaboratoryとPyTorchという人気の開発環境、フレームワークで学べる ・Transformersライブラリを利用してBERTを実装できる 【目次】 Chapter0 イントロダクション Chapter1 BERTの概要 Chapter2 開発環境 Chapter3 PyTorchで実装する簡単な深層学習 Chapter4 シンプルなBERTの実装 Chapter5 BERTの仕組み Chapter6 ファインチューニングの活用 Chapter7 BERTの活用 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。 オンライン教育プラットフォームUdemyで、10万人以上にAIを教える人気講師。 ※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。

★まずは、この一冊から始めよう！★ 最適輸送は、ふたつの確率分布を比較するためのツールです。深層学習の勃興とGPU計算の普及により、機械学習分野でも最適輸送が広く用いられるようになりました。 本書では、線形代数・確率・最適化についての初歩的な知識を前提として、線形計画、エントロピー正則化、シンクホーンアルゴリズム、敵対的ネットワーク、スライス法などのさまざまな解法アプローチをていねいに解説します。 【主な内容】 第1章　確率分布を比較するツールとしての最適輸送 第2章　最適化問題としての定式化 第3章　エントロピー正則化とシンクホーンアルゴリズム 第4章　敵対的ネットワーク 第5章　スライス法 第6章　他のダイバージェンスとの比較 第7章　不均衡最適輸送 第8章　ワッサースタイン重心 第9章　グロモフ・ワッサースタイン距離 第10章　おわりに

【最新動向サーベイ】 ・イマドキノ敵対的学習：敵対的学習とはどのような技術か、最新の敵対的学習ではどのような工夫がなされているか、などを、さまざまな応用手法を踏まえてわかりやすく解説。 【論文フカヨミ】 ・フカヨミ点群解析：3次元点群データがどのようなものであるか、また、点群データを解析する際に考慮しなければならない3つの性質について解説し、近年の点群解析手法がこれらの課題をどう解決しようとしているかを紹介。 ・フカヨミ数式ドリブン点群事前学習：3次元点群を用いた3D物体認識に焦点を置き、CVPR2022で提案された数式ドリブン点群事前学習であるPoint Cloud Fractal Database（PC-FractalDB）についてフカヨミ。 ・フカヨミ3次元物体姿勢推定：物体のRGB画像を用いた3次元物体姿勢推定と精緻化に主眼を当てながら、近年大きな進展を遂げている深層学習ベースの手法について解説。 【チュートリアル】 ・ニュウモン点群深層学習：深層学習を用いて点群データを処理する方法について、基礎となる技術・アイデアを解説し、それらに関する関連研究を俯瞰する。3次元点群を用いたアプリケーションについても簡単に紹介。 その他、4コマ漫画「みかんちゃんの日常」、CV分野の学会・研究会・国際会議の開催日程や投稿日が一挙にわかる「CVイベントカレンダー」を掲載。

※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

コンピュータビジョン研究の最先端をゆくトップランナーたちが織り成す季刊シリーズ創刊！！　cvpaper.challengeおよびCVIM研究会全面協力のもと，最新トレンドのサーベイ，いま注目の最重要論文深読み，肝となる技術や理論のチュートリアルの3本柱で，実用性・信頼性のある最先端情報を，毎号ディープに解説。 創刊号のWinter 2021では，まず最新トレンドサーベイ記事「イマドキノCV」で近年のコンピュータビジョン分野において最重要と位置付けられる「データラベルの利活用」や「認識モデルの構築」を扱う。次に論文「フカヨミ」記事を3本掲載し，それぞれ，新規視点画像生成分野で2020年に登場したNeRF，画像処理分野の基本タスクである物体検出技術，いま最も伸びている3D認識アプローチのカテゴリレベル姿勢推定について取り上げる。最後に，チュートリアル記事「ニュウモンVision & Language」で，深層学習の発展とともに盛り上がりを増しているVision & Language(V&L)分野の概要と，現在どのような深層学習手法とその関連手法が使われているかを中心に詳しく紹介する。

※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。 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

デジタルカメラの顔認識機能など、身近で利用されている画像認識の技術。機械学習の応用により、その精度は格段に向上した。最前線で活躍する研究者が、基礎から深層学習を取り入れた応用的手法までをくわしく解説する。画像認識の現状と今後の展望を知るのに最適な一冊!※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。 機械学習で、マスク判定だ！ 好評「AI・機械学習・深層学習アプリのつくり方」が「TensorFlow2に対応！」 Withコロナ時代に対応した「マスクの有無を判定する」サンプルを新たに加えました。 ◇もくじ◇ ■第1章　機械学習 / ディープラーニングについて ■第2章　機械学習入門 ■第3章　OpenCV と機械学習 - 画像・動画入門 ■第4章　自然言語処理 ■第5章　ディープラーニング( 深層学習) について ■第6章　機械学習で業務を効率化しよう ■Appendix　本書のための環境を整える

※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。 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

※この電子書籍は固定レイアウト型で配信されております。固定レイアウト型は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。 深層強化学習は、強化学習と深層学習の組み合わせである。この研究分野の発展により、従来機械で扱う範疇ではなかった広範囲の複雑な意思決定問題を解けるようになってきた。深層強化学習はヘルスケア、ロボティクス、スマートグリッド、金融工学、その他さまざまな領域において、新たな応用の可能性を切り拓きつつある。本書は、そのような深層強化学習に関し、強化学習の基礎から始まり、深層強化学習の主要なアルゴリズムや最先端の話題まで、豊富な参考文献も含めて幅広く網羅している。特に本書は、汎化性を向上させるノウハウや深層強化学習が実応用でどのように使われるかという観点に着目して執筆されている。 機械学習の基礎知識を有する大学生・大学院生や企業の研究者・技術者が、深層強化学習の概要を効率的に勉強したいと思ったときの最初の一冊として推薦できる構成となっている。 原著:An Introduction to Deep Reinforcement Learning、 2019

※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、自然言語処理について初歩から学べる書籍です。プログラミングについては、なんらかのプログラミング言語を使ったことのある開発者を対象に書いています。 自然言語とは、私たち人間が日常的に読み書きしたり、話したりするのに使っている言語のことです。そして、自然言語で書かれたテキストデータをコンピュータで処理するための技術を自然言語処理と呼びます。自然言語処理によって実行できるタスクの代表的な例としては、自動翻訳や質問応答、対話などがあります。 本書では、この自然言語処理について、今まで学習したことがない人でも学べるように、基礎から解説しています。自然言語をコンピュータで処理するために、事前にどのような処理をしておくのか、どのように単語や文章を解析するのか、自動翻訳などのタスクを実行させるためにどのような処理を行うのか、などについて、やさしく説明していきます。 基礎からはじめて、単語分散表現やテキスト分類、系列ラベリング、系列変換、アテンションといった、自然言語処理では欠かせない技術について、理論を解説した上で、Pythonを使って実装し、手を動かしながら理解できるようにしています。 また、現在の自然言語処理は、機械学習や深層学習とも切り離せません。ですので本書では、これらの技術についても基礎から説明し、Pythonを使って処理を実装していきます。基礎的な実装のみではなく、RNN、LSTM、CNNさまざまなモデルを使っての実装、特徴量エンジニアリングや正則化、ハイパーパラメータチューニングなど、実際の処理で必要になるところまで、詳しく解説しています。

※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。 大好評既刊書のTensorFlow編。『電子工作×深層学習』をテーマとし、深層学習を電子工作で利用するための方法を紹介。電子工作と深層学習のどちらか一方の知識しか持ち合わせていない場合でも理解できるよう、電子回路と深層学習の双方について丁寧に説明。深層学習だけではなく深層強化学習までを幅広くカバー。深層学習フレームワークの内部構造を可視化することで一層の理解が深まる。

大好評！デジタル時代の必携リテラシー、G検定の「公式テキスト」の改訂版！ 【本書の特徴】 ・大ベストセラー、ディープラーニング G検定 公式テキストの改訂版。 ・改訂された新シラバスに完全準拠。 ・試験運営団体である「日本ディープラーニング協会」が監修。 ・章末問題を大増量。分かりやすい解説付き。 ・ディープラーニングに関する入門書としても最適。 【対象読者】 ・ G検定を受験しようと思っている人 ・ディープラーニングについて概要を学びたい人 ・ディープラーニングを事業活用しようと思っている人・DX推進を検討している人 【G検定とは】 ・内容：ディープラーニングを事業に活かすための知識を有しているかを検定する ・試験方式：知識問題（多肢選択式）、オンライン実施（自宅受験） ・日程：年3回（詳細は公式サイトにて公表） 【目次】 試験の概要 第1章 人工知能（AI）とは 第2章 人工知能をめぐる動向 第3章 人工知能分野の問題 第4章 機械学習の具体的手法 第5章 ディープラーニングの概要 第6章 ディープラーニングの手法 第7章 ディープラーニングの社会実装に向けて Appendix　事例集 産業への応用 ※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。

ディープラーニングの知識を測る検定試験（G検定）の「公式テキスト」登場！ 【本書の特徴】 1）試験運営団体である「日本ディープラーニング協会」が執筆。 2）各章末には、練習問題つき。試験勉強に最適。 3）最新シラバス「JDLA Deep Learning for GENERAL 2018」に完全準拠。 4）ディープラーニングについて最新事情も踏まえ学ぶことができる。 【対象読者】 ・「ディープラーニング G検定（ジェネラリスト検定）」を受験しようと思っている人 ・ディープラーニングについてこれから広く学びたい人 ・ディープラーニングを事業活用しようと思っている人 【G検定とは】 ・目的：ディープラーニングを事業に活かすための知識を有しているかを検定する ・受験資格制限：なし ・試験概要：120分、知識問題（多肢選択式）、オンライン実施（自宅受験） ・出題問題：シラバスより出題 ・日程：公式サイトにて公表 ※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。

基礎的な点群処理から、ICPアルゴリズム、物体認識、PointNetまでをPythonで学ぼう！★章末問題付き★ ・Open3Dを使用し、Pythonプログミングとともに平易に解説。 ・サンプルコードをサポートページから提供したので、すぐに実践できる！ ・最終章では、RGBD画像、ボクセルデータ、メッシュデータ、多視点画像の3次元データ処理も解説。 【主な内容】 第1章　はじめに 第2章　点群処理の基礎 第3章　特徴点・特徴量の抽出 第4章　点群レジストレーション（位置合わせ） 第5章　点群からの物体認識 第6章　深層学習による3次元点群処理 第7章　点群以外の3次元データ処理

★確率的プログラミング言語がすぐに使える！★ ・Pythonでのコーディングを前提に、PyMC3、Pyro、NumPyro、TFP、GPyTorchをカバー。 ・回帰モデルの基本から潜在変数モデル・深層学習モデルまでを幅広く解説。 【主な内容】 第1章　ベイジアンモデリングとは 1.1 データ解析とコンピュータ 1.2 ベイジアンモデリングの基礎 1.3 代表的な確率分布 1.4 近似推論手法 第2章　確率的プログラミング言語（PPL） 2.1 ベイジアンモデリングとPPL 2.2 自動微分・最適化アルゴリズム 2.3 PyMC3の概要 2.4 Pyroの概要 2.5 NumPyroの概要 2.6 TensorFlow Probabilityの概要 2.7 GPyTorchの概要 第3章　回帰モデル 3.1 線形回帰モデル：線形単回帰モデル 3.2 線形回帰モデル：線形重回帰モデル 3.3 一般化線形モデル：ポアソン回帰モデル 3.4 一般化線形モデル：ロジスティック回帰モデル 3.5 階層ベイズモデル 3.6 ガウス過程回帰モデル：ガウス尤度 3.7 ガウス過程回帰モデル：尤度の一般化 第4章　潜在変数モデル 4.1 混合ガウスモデル 4.2 行列分解モデル 4.3 状態空間モデル 4.4 隠れマルコフモデル 4.5 トピックモデル 4.6 ガウス過程潜在変数モデル 第5章　深層学習モデル 5.1 ニューラルネットワーク回帰モデル 5.2 変分自己符号化器 5.3 PixelCNN 5.4 深層ガウス過程 5.5 正規化流

※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。 TensorFlowで強化学習を実践！ 　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本と実装について，PythonとTensorFlow（TF-Agents），シミュレータとしてOpenAI GymとPyBulletを用いて解説したもの． 　深層学習，強化学習のアルゴリズムを一歩一歩ていねいに解説し，Raspberry Pi＋Arduinoを用いた実応用までを扱っています． 第1章　はじめに 第2章　深層学習 第3章　強化学習 第4章　深層強化学習 第5章　実環境への応用

「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

■15ステップの演習でスキルを獲得 本書は4章構成となっています。 1章には「演習に入る前の予備知識」を集めました。環境構築、Python、数値計算ライブラリNumPyについて押さえておきます。 2章は「基礎を押さえる7ステップ」です。日本語自然言語処理と機械学習の基礎を、実際のプログラム例を見ながら、1ステップずつ学習していきます。本書の核となる章です。 3章は「ニューラルネットワークの6ステップ」です。取っつきにくい深層学習（Deep Learning）の仕組みと、自然言語処理への適用について、わかりやすく説明します。 4章は「2ステップの実践知識」です。2章と3章で扱いきれなかったものの、機械学習や自然言語処理を実アプリケーションとして実装する際に役立つ知識を習得します。 ■自分のぺースで1ステップずつ学習 本書をはじめとする「Step Up！選書」では、読者が自分のぺースで1ステップずつ学習を進め、独学で技術力を高めることができるように、考え抜かれた編成でリードしていきます。特に本書は、最後まで全部読み通さないと漏れが生じたり、不完全な知識になってしまったりする類の構成を排しています。 網羅的な説明項目の列挙や、理論体系の単純トレースはしません。開発リファレンスや逆引き、クックブック（開発レシピ）とも違います。プロのエンジニアとしての実力を高めるための著者オリジナルのシナリオに、士気高く踏み出してください。 ■著者プロフィール 土屋祐一郎（つちや ゆういちろう） 本名、橘（たちばな） 祐一郎。東京大学工学部卒、同大大学院情報理工学系研究科中退。2015年度IPA未踏スーパークリエータ。現在は株式会社PKSHA Technology所属。大学とIPA未踏では主に画像ドメインで機械学習を扱い、現職では自然言語や画像を扱う事業部にてソフトウェアエンジニアとして勤務。その他、Deep Learning講座「NICO2AI」の講師などの活動も行う。

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。

音声の信号処理についての知識ゼロでも読めるように、懇切丁寧に解説した。基礎理論はコンパクトにまとめ、｢耐雑音｣｢話者認識｣｢深層学習｣についてたっぷり解説。一気に実用が進んだ音声認識分野がこれ一冊で学べる!

※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。 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

※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。 プロジェクトの立ち上げから運用まで、AIをビジネスに導入する際に知っておくべき知識を垂直統合して解説！ 本書は、「ビジネスモデル構築」と「実装・サービス化」の両方で豊富な経験と知識を有する著者が、AIをビジネスに取り入れる際のさまざまな側面で、実行すべきこと、注意しなければならないこと、どのように進めるべきかなどを解説していきます。 対象とする読者は、次のような方々です。 ●AIプロジェクトを立ち上げ・進行するマネージャーやディレクター ●ディープラーニング（深層学習）・マシンラーニング（機械学習）を仕事に使いたい・使うことになったエンジニア ●AIを自社に導入したい・自社サービスに取り入れたい経営者 ●AIプロジェクトの契約書類を作成する法務担当や営業担当 取り上げるのは、 ●AIサービスの開発にはどのようなアプローチが必要でるのか ●どのように向き合うのが成功の近道であるか ということです。 著者の経験をもとにまとめた本書は、AIビジネスにおけるヒントが至るところに隠されています。業界が分野が違っても、必ず参考になるはずです。

※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。 そのモデル、本質を理解して使っていますか？ 本当にデータの全てを活用しきれていますか？ 回帰分析、ResNet、方策勾配法、因子分析・主成分分析、階層ベイズモデリング、正準相関分析、カーネル回帰分析・・・実戦で頻出するデータ形式への対応に必須の分析モデル群を完全網羅！ 【強化学習はいつ使うべきなのか？】 【なぜ、勾配決定木や畳み込みは強いのか？】 【結局、ベイスの定理は何に使えるのか？】 すべての疑問が間違いなく解消されます！

※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。 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。 自然言語処理の標準モデル、BERTを使いこなせるようになる！ 　BERTはGoogleが2018年末に発表した自然言語処理モデルです。「文脈」を考慮した処理が特徴的であり、言語理解を評価する11個のタスクについて最高精度を達成し、今や標準的なモデルとしての地位を確立しています。 　本書は、自然言語処理の近年における発展に大きな役割を果たし、かつ応用上も有用であるBERTの入門書です。前半で自然言語処理や機械学習について概説したのち、BERTによって実際にさまざまなタスクを解いていきます。具体的には、文章分類・固有表現抽出・文章校正・類似文章検索・データの可視化を扱います。データセットの処理から、ファインチューニング（BERTを特定の言語タスクに特化させるための学習）、性能の評価までの一連の流れを体験することで、BERTを自分で使えるようになることを目標とします。 なお、BERTで処理を行うためのライブラリとして、深層学習の言語モデルを扱ううえでよく使用されるTransformersを、学習や性能評価を効率的に行うためのライブラリとしてPyTorch Lightningを用います。本書ではTransformersやPyTorch Lightningを用いたことがない読者を想定して、その使い方を一から体系的かつ丁寧に解説します。 ▼本書の環境 言語：Python 深層学習フレームワーク：PyTorch ライブラリ：Transformers, PyTorch Lightning 計算環境：Google Colaboratory ▼本書の特徴 ・BERTで実際にさまざまなタスクを解くことができます。 ・使用するデータセットを日本語で統一しています。 ・ライブラリの使い方を一から体系的に説明します。 第1章　はじめに 第2章　ニューラルネットワークを用いた自然言語処理 第3章　BERT 第4章　Huggingface Transformers 第5章　文章の穴埋め 第6章　文章分類 第7章　マルチラベル文章分類 第8章　固有表現抽出 第9章　文章校正 第10章　文章ベクトルを用いたデータの可視化と類似文章検索 付録A　ニューラルネットワークの学習の基礎 付録B　Colaboratoryの使い方

※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の基本を、Pythonでやさしく学んで楽しもう！ 本書は、AI（人工知能）技術の基本を、自然言語処理と音声処理をとおしてわかりやすく解説した入門書です。アルゴリズムを平易に解説し、Pythonによるプログラミング例を紹介。さらに、自然言語処理や音声処理への応用例を取り上げ、実践しながらAI技術の基本が理解できるようになります。 第1章　人工無脳から人工知能へ 第2章　文字を処理する　テキスト処理の技術 第3章　自然言語処理の技術 第4章　音声処理の技術 第5章　知識表現 第6章　学習 第7章　深層学習 第8章　対話エージェントの構成 第9章　人工無脳から人工人格へ 付録

※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。 PyTorchは動的計算グラフ（define by run）を採用した、Pythonプログラムと同じ感覚でニューラルネットワークを構築できる深層学習フレームワークです。本書は、深層学習の基礎をすでに習得したエンジニアが、より難しいタスクへ挑戦するためにPyTorchの開発環境構築から、畳み込み/リカレント/GAN/物体検出まで実装方法を実際にサンプルを作りながら学べる入門書です。データ分析ツールJupyter Notebookに対応しています。

※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。 ※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。 ※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。 ポスト深層学習!! 本書は、ポスト深層学習の最右翼として注目される「アンサンブル機械学習」を、具体的にプログラムを動かしながら概観できる“超実践”の書である。 アンサンブル機械学習とは簡単に言えば、従来のいくつかの機械学習法の“良いとこ取り”である。その主な手法であるランダムフォーレスト、ブースティング、バギングなどについて、簡潔に紹介している。 「とにかく使ってみたい」という読者にはうってつけの、まさに「超実践の必読書」となるだろう。

AI開発に必要な数学の基礎知識がこれ1冊でわかる！ 【本書の目的】 本書は以下のような対象読者に向けて、 線形代数、確率、統計/微分 といった数学の基礎知識を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 • AIをビジネスで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 【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 ※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。

【本書について】 本書は、 杜世橋氏がKindle Direct Publishingを利用してKindleストアで販売している 『PyTorchで学ぶニューラルネットワークと深層学習』（ASIN: B078WK5CPK）を書籍化したものです。 書籍化にあたり、最新（2018年7月時点）のPyTorch v0.4に対応するなど大幅に加筆しています。 また、付録に無料で利用できるGPU環境である「Colaboratory」の利用方法の追加などを行っており、 GPU環境が利用できない読者でも様々なニューラルネットワークのモデル学習が体験できるようになっています。 【PyTorch（パイトーチ）とは】 PyTorchは主にFacebook社のメンバーが開発しているOSSの深層学習フレームワークです。 特徴としては動的ネットワーク方式を採用していてPythonの関数と同じ感覚でニューラルネットワークを構築できる点が挙げられます。 【本書の概要】 本書はPyTorchの基本から深層学習モデルの作成、そしてアプリケーション作成まで網羅した書籍です。 具体的には、PyTorchの基本から始まり、最尤推定と線形モデル、多層パーセプトロンについて解説します。 その後、画像処理と畳み込みニューラルネット、自然言語処理と再帰型ニューラルネットを扱います。 また、推薦システムやWebAPIの作成、アプリケーションのデプロイについても解説します。 さらに付録では、TensorBoardによる可視化、Colaboratoryの利用方法などを解説しています。 【対象読者】 深層学習エンジニア、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。

【本書の概要】 本書は学術論文（NatureやGoogleのサイト）などで提供されている難解なアルファ碁およびアルファ碁ゼロの仕組みについて、 著者がとりまとめ、実際の囲碁の画面を見ながら、 アルファ碁およびアルファ碁ゼロで利用されている深層学習や強化学習の仕組みについてわかりやすく解説した書籍です。特にデュアルネットワークはまったく新しい深層学習の手法で国内外の技術者の関心を集めています。 本書を読むことで、最新AIの深層学習、強化学習の仕組みを知ることができ、 自身の研究開発の参考にできます。また著者の開発したDeltaGoを元に実際に囲碁AIを体験できます。 【増補改訂のポイント】 Chapter1から5の部分は、よりわかりやすく内容を加筆修正しています。 またChapter6はアルファ碁ゼロに対応しています。 改訂にあたり、色数も2Ｃに変更。よりわかりやすいビジュアルになっています。 【対象読者】 人工知能関連の開発者、研究者 ※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。

【本書の特徴】 2015年11月にGoogleがオープンソース化したソフトウェアライブラリ「TensorFlow（テンソルフロー）」は、 多くの開発者に支持され、多企業で採用されています。 本書は、TensorFlowの導入から、高レベルAPIであるKerasを利用した実践的な深層学習モデルまで解説した、 エンジニア向けの入門書です。第1部の基本編では、深層学習とTensorFlow、Kerasの基礎について解説し、 第2部の応用編では画像処理における応用的なモデルのKerasを使った実装方法を解説します。 特に、第2部では、「ノイズ除去」「自動着色」「超解像」「画風変換」「画像生成」を取り上げています。 TensorFlowやKerasの機能面を押さえつつ、現場で使用できるような実践的な深層学習モデルまでフォローしています。 【対象読者】 深層学習に入門したいエンジニア 【目次】 第1部 基本編 第１章 機械学習ライブラリTensorFlowとKeras 第２章 開発環境を構築する 第３章 簡単なサンプルで学ぶTensorFlowの基本 第４章 ニューラルネットワークとKeras 第５章 KerasによるCNNの実装 第６章 学習済みモデルの活用 第７章 よく使うKerasの機能 第2部 応用編 第８章 CAEを使ったノイズ除去 第９章 自動着色 第10章 超解像 第11章 画風変換 第12章 画像生成 ※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。 私たちの日常生活で、人工知能が普通に使われる時代になりました。スマートフォンの顔認証、自動運転技術、SiriやAlexaのようなAI音声アシスタントなど身近な技術ばかりです。これからは機械学習や深層学習はエンジニアの基本教養となるかもしれません。本書は、機械学習や深層学習の分野から画像認識に重点をおいて、難しい数式をつかわず、図や写真を多用して解説する入門書です。必要な概念、用語、キーワードも網羅的に説明します。

★最強最短の近道は、これだ！★ ・画像・自然言語処理の機械学習コンテストに取り組みながら、深層学習の具体的な知識をいち早く身につけよう！ ・レジェンドたちの豊富な経験に基づくスキルアップのノウハウも満載！ 【主な内容】 第1章　機械学習コンテストの基礎知識 1.1　機械学習コンテストのおおまかな流れ 1.2　機械学習コンテストの歴史 1.3　機械学習コンテストの例 1.4　計算資源 第2章　探索的データ分析とモデルの作成・検証・性能向上 2.1　探索的データ分析 2.2　モデルの作成 2.3　モデルの検証 2.4　性能の向上 第3章　画像分類入門 3.1　畳み込みニューラルネットワークの基礎 3.2　コンテスト「Dogs vs. Cats Redux」の紹介 3.3　最初の学習：CNNアーキテクチャ 3.4　最初の学習：データセットの準備と学習ループ 3.5　最適化アルゴリズムと学習率スケジューリング 3.6　データ拡張 3.7　アンサンブル 3.8　さらにスコアを伸ばすために 第4章　画像検索入門 4.1　画像検索タスク 4.2　学習済みモデルを使ったベースライン手法 4.3　ベースラインを実装する 4.4　距離学習を学ぶ 4.5　画像マッチングによる検証 4.6　クエリ拡張を学ぶ 4.7　Kaggleコンテストでの実践 第5章　テキスト分類入門 5.1　Quora Question Pairs 5.2　特徴量ベースのモデル 5.3　ニューラルネットワークベースのモデル

PyTorchは、世界で主流の深層学習ライブラリのひとつ「Torch」（松明の意）のPython対応版です。Facebookが開発を主導したオープンソースとして非常に注目されています。本書はこのライブラリを初めて触るところから手ほどきし、Pythonによる異常検知や画像認識の実装までを体験。機械学習・深層学習を初めて学ぶITエンジニア向けに、数式なしで丁寧に解説します。 ◆本書の特徴 機械学習・深層学習のアルゴリズムを数式なしで理解できる。 Pythonを使って少ないコードで簡単に実装できる。 異常検知や画像認識など、様々なケースの実装を体験できる。 ◆本書の構成 ・第I部 AI技術の最新動向やPyTorchライブラリの概要、実装環境の構築方法 ・第II部 機械学習の全体像、ニューラルネットワーク・アルゴリズムを使った学習の実装方法 ・第III部 深層学習のアルゴリズム(DNN、CNN、Deep Q Network)を使った学習の実装方法

※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。 人工知能研究における諸分野を、C 言語による具体的な処理手続きやプログラム例によりやさしく解説する!! 　強化学習は、一連の行動の結果だけから行動知識を学習する手法です。　本書では、この強化学習と深層学習の基礎を紹介した上で、深層強化学習のしくみを具体的に説明します。単に概念を説明するだけでなく、アルゴリズムを実際にC言語のプログラムとして実装することで、実際にプログラムを動かすことで具体的な処理方法の理解を深めます。 主要目次 第1章　強化学習と深層学習 第2章　強化学習の実装 第3章　深層学習の技術 第4章　深層強化学習

「神の一手」の謎にせまる！ 【概要】 2017年5月にAlphaGoと柯潔（カ・ケツ）九段の最終決戦が行われ、 AlphaGoの3連勝となりました。AlphaGoは今回の対戦で さらに進化をとげました。 このようにAIの技術進化は日進月歩で進んでおり、国内でも 企業で研究開発が進んでいます。中でも目されているのは、 機械学習・深層学習・強化学習です。 本書はネイチャーで提供されているAlphaGoに関する 難解な学術論文を著者のほうで読み解き、「AlphaGo」で 利用されている深層学習や強化学習、モンテカルロ木探索の 仕組みについて、実際の囲碁の画面も参照しながら、 わかりやすく解説した書籍です。 本書を読むことで、最新のAIに深層学習、強化学習、 モンテカルロ木探索がどのように利用されているかを 知ることができ、実際の研究開発の参考にすることができます。 【読者対象】 ・人工知能関連の開発に携わる開発者、研究者 ・ゲームAI開発者 ※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。

本書は人工知能研究における機械学習の諸分野をわかりやすく解説し、それらの知識を前提として深層学習とは何かを示します。具体的な処理手続きやプログラム例（C言語）を適宜示すことで、これらの技術がどのようなものなのかを具体的に理解できるように紹介していきます。

※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。 ★ベストセラー『教養としてのデータサイエンス』に続く第2弾！★ ★「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」に完全準拠した公式カラーテキスト！★ ・いますぐ身につけるべき「データサイエンス」「データエンジニアリング」「AI」の基礎知識がここにある！ ・文理を問わず、大学・高専生に、自らの専門分野への数理・データサイエンス・AIの「応用基礎力」を習得させることを目的として編纂された。 ・カラーで見やすく、練習問題も充実。 【主な内容】 1章　データサイエンス基礎 1.1　データ駆動型社会とデータ分析の進め方　（久野遼平） 1.2　データの記述　（宿久　洋） 1.3　データの可視化　（宿久　洋・久野遼平） 1.4　データ分析の手法　（原　尚幸) 1.5　数学基礎　（清　智也) 2章　 データエンジニアリング基礎 2.1　ビッグデータとデータエンジニアリング　（内田誠一） 2.2　データ表現、プログラミング基礎、アルゴリズム基礎　（辻　真吾） 2.3　データ収集と加工、データベース　（森畑明昌） 2.4　ITセキュリティ　（宮地充子） 3章　 AI基礎 3.1　AIと社会　（松原　仁) 3.2　機械学習の基礎と予測手法　（赤穂昭太郎） 3.3　深層学習の基礎　（今泉允聡) 3.4　ロボット、認識、言語　（高野　渉） ※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。

リクナビ事件、Yahoo!スコア事件、破産者マップ事件、AIチャットボットや顔認識技術――。 　深層学習などのAI技術の発展により、AIが社会の様々な場面で用いられるようになりました。同時に、AIの普及に伴って社会問題が生じ、AIを使った製品・サービスに対して、法律には違反しないものの、倫理的に問題があるとして、社会から厳しい批判がされるケースも増えています。 　これらの問題に対応するため、日本や諸外国の政府や民間団体は活発な議論を行い、AI倫理原則を定めています。 　本書ではこれらのAI倫理原則を体系化して、AIとデータに関する倫理（AI倫理）の基本的な考え方と実際の事例を整理します。実際の失敗事例を数多く検討することで、同じような失敗を避けることにもつながります。 　ソニー、日本マイクロソフト、メルカリ、富士通の担当者の方による取組みの紹介など、AIを使った製品・サービスを社会に提供する企業の方も必読です。

★基礎技術と分析アプローチがわかる入門書の決定版！★ ・「spaCy＋GiNZA」による一気通貫の分析がすぐに実践できる ・観光／金融・経済／ソーシャルメディアの分析事例をていねいに解説 ・つまずきやすい「環境構築」もしっかりサポート 【本書はこんな人におすすめです】 ・Pythonの基本が身についたので、次はテキストアナリティクスを学んでみたい ・大学の講義やプログラミングスクールなどで自然言語処理について少し触れたが、もう少し詳しく学びたい ・テキストアナリティクスにつまずいたことがあったり、ブランクがあったりして再挑戦してみたい 【本書「巻頭言」より抜粋】 アイディア次第でさまざまな分析が可能になるのがテキストアナリティクスの面白さです．その反面，多くの場合，簡単に結果が出るものではありません．諦めずに試行錯誤を続けることが重要です．基本的には多様な可能性に思いを巡らせることが有効です．それには経験の蓄積が活きてきますので，やればやるほど成果を出しやすくなります．自分で実際にデータを処理し，試行錯誤をしてみるのがテキストアナリティクスのスキルを向上させる近道です．その考えから，本書では試してみることを重要視しています． ――那須川哲哉（日本アイ・ビー・エム株式会社東京基礎研究所主席研究員） 【サポートページ】 https://github.com/tksakaki/kspub_ds_text_analytics 【主な内容】 第I部　テキストアナリティクスの基礎 第1章　テキストアナリティクスことはじめ 第2章　プログラミングの補足知識 第3章　環境構築 第4章　基礎技術 　 第II部　テキストアナリティクスの実践 第5章　データ収集 第6章　観光テキストの解析 第7章　金融・経済テキストの解析 第8章　ソーシャルメディアテキストの解析 第III部　応用技術・発展的な内容 第9章　実践的なテクニック 第10章　深層学習技術 第11章　環境構築の要らないテキストアナリティクス 付録　本書で利用するPythonライブラリ 【編著者紹介】 榊　剛史 株式会社ホットリンク 開発本部R＆D 部長 東京大学未来ビジョン研究センター 客員研究員 中国・清華大学による世界的なAI研究者2000人に選出。2006年電力会社にて情報通信業務に従事した後、東京大学博士課程に入学。2013年松尾研究室にて博士号取得。2015年～株式会社ホットリンクに入社。

※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。 データサイエンス・AIを学ぶ前に読んでおきたい教科書 前版発行後のソフトウェア周りの進展にあわせて内容を見直すとともに今後重要度が増していくであろうデータサイエンス、AI寄りのテクニカルな内容を増強して改訂するものです。情報科学を扱ううえでの基本的なリテラシーやコンピュータサイエンスの基礎、Word、PowerPoint、Excelの操作の基本、Excelによる統計処理の基礎などを文理問わず学部学部生にわかりやすく解説する教科書です。 1章　情報社会とビジネス 　1.1　情報社会とは 　1.2　プライバシーと個人情報 　1.3　ユビキタス社会 　1.4　IoT 　1.5　Web2.0 　1.6　人工知能 　1.7　人工知能の応用 2章　コンピュータネットワーク 　2.1　コンピュータネットワークとは 　2.2　ネットワークの形態 　2.3　ネットワークの構成 　2.4　インターネット 　2.5　有線接続手段 　2.6　無線接続手段 　2.7　プロトコル 　2.8　ネットワークセキュリティ 　2.9　パーソナルセキュリティ 　2.10　暗号化 3章　コンピュータシステム（ハードウェア） 　3.1　コンピュータの歴史 　3.2　コンピュータの種類 　3.3　コンピュータの機能 　3.4　コンピュータの構成要素 　3.5　パソコンの内部構成 　3.6　記憶装置 　3.7　演算装置 4章　コンピュータの動作原理 　4.1　演算処理の原理 　4.2　論理素子の歴史 　4.3　論理素子の動作原理 　4.4　論理回路 　4.5　基　数 　4.6　2進数と10進数の変換 　4.7　桁数の多い足し算 　4.8　引き算 　4.9　掛け算・割り算 　4.10　数学関数 5章　情報量 　5.1　ディジタルとアナログ 　5.2　情報量 　5.3　情報量の単位 　5.4　英文字の情報量 　5.5　日本語の情報量 　5.6　文字コード 　5.7　音声の情報量 　5.8　静止画像の情報量 　5.9　動画像の情報量 　5.10　通信の情報量 　5.11　情報圧縮 　5.12　誤り検出・訂正 6章　ソフトウェア 　6.1　オペレーティングシステム（OS） 　　6.1.1　オペレーティングシステムとは 　　6.1.2　OSの種類 　　6.1.3　OSの機能 　6.2　プログラム 　　6.2.1　プログラミング言語とは 　　6.2.2　プログラムの内部動作 　　6.2.3　高級言語の基本処理 　6.3　データベース 　　6.3.1　データベース理論 　　6.3.2　データベースの表現法 　　6.3.3　関係的表現のデータ操作 7章　人工知能のアルゴリズム 　7.1　学　習 　7.2　教師あり学習の代表的な手法 　7.3　教師なし学習の代表的な手法 　7.4　深層学習 　7.5　手法の評価 8章　メディアリテラシー 　8.1　メディアの定義 　8.2　メディアリテラシーの必要性 　8.3　メール 　8.4　Twitter 　8.5　Facebook 　8.6　LINE 　8.7　Instagram 9章　ビジネス文書の基礎（Word） 　9.1　画面構成 　9.2　文書全体の設定 　9.3　文章の編集と保存/印刷 　9.4　表の作成 　9.5　オブジェクトの配置 10章　ビジネスプレゼンの基礎（Power Point） 　10.1　画面構成 　10.2　スライドのデザイン 　10.3　画面切り替え効果 　10.4　アニメーション 　10.5　リハーサル 　10.6　スライドショーの実行 11章　データ処理の実践 　11.1　Excel操作の基本 　11.2　グラフ作成 　　11.2.1　折れ線グラフ 　　11.2.2　複合グラフ 　11.3　数式の計算 　　11.3.1　複利計算 　　11.3.2　損益分岐点 　　11.3.3　共有地の悲劇 　11.4　帳票の作成 　　11.4.1　見積書 　　11.4.2　確定申告書 　11.5　データ集計 　　11.5.1　データの分類 　　11.5.2　フィルター 　　11.5.3　検索表 　　11.5.4　データベース関数 　　11.5.5　クロス集計 　11.6　統計処理 　　11.6.1　ヒストグラム 　　11.6.2　偏差値 　　11.6.3　相関分析 　　11.6.4　t検定 　　11.6.5　カイ2乗検定 索　　　引