※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。 AIシステムを動かすモデルの解釈可能性を高め、説明可能なAIへの道を開く 本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とPythonによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なAI」に至るための道を示しています。 第1部 解釈可能性の基礎 第1章 はじめに 　1.1 Diagnostics+のAI―AIシステムの一例 　1.2 機械学習システムの種類 　1.3 Diagnostics+のAIを構築する 　1.4 Diagnostics+のAIの問題点 　1.5 Diagnostics+のAIシステムを堅牢にする 　1.6 解釈可能性と説明可能性 　1.7 本書で何を学ぶのか？ 　1.8 まとめ 第2章 ホワイトボックスモデル 　2.1 ホワイトボックスモデル 　2.2 Diagnostics+―糖尿病の進行度 　2.3 線形回帰 　2.4 決定木 　2.5 一般化加法モデル（GAM） 　2.6 ブラックボックスモデルとは 　2.7 まとめ 第2部 モデルの処理の解釈 第3章 モデルに依存しない方法：大域的な解釈可能性 　3.1 高校生の成績予測器 　3.2 アンサンブルツリー 　3.3 ランダムフォレストを解釈する 　3.4 モデルに依存しない方法：大域的な解釈可能性 　3.5 まとめ 第4章 モデルに依存しない方法：局所的な解釈可能性 　4.1 Diagnostics+のAI：乳がん診断 　4.2 探索的データ分析 　4.3 深層ニューラルネットワーク 　4.4 DNNを解釈する 　4.5 LIME 　4.6 SHAP 　4.7 アンカー 　4.8 まとめ 第5章 顕著性マップ 　5.1 Diagnostics+のAI：浸潤性乳管がんの検出 　5.2 探索的データ分析 　5.3 畳み込みニューラルネットワーク 　5.4 CNNを解釈する 　5.5 バニラバックプロパゲーション 　5.6 ガイド付きバックプロパゲーション 　5.7 その他の勾配ベースの手法 　5.8 Grad-CAMとガイド付きGrad-CAM 　5.9 どの寄与度推定法を使えばいいのか？ 　5.1 まとめ 第3部 モデルの表現の解釈 第6章 層とユニットを理解する189 　6.1 視覚的な理解 　6.2 畳み込みニューラルネットワーク：復習 　6.3 ネットワーク分析フレームワーク 　6.4 層とユニットを解釈する 　6.5 まとめ 第7章 意味的な類似性を理解する 　7.1 感情分析 　7.2 探索的データ分析 　7.3 ニューラル単語埋め込み 　7.4 意味的類似性を解釈する 　7.5 まとめ 第4部 公平性とバイアス 第8章 公平性とバイアスの軽減 　8.1 収入予測 　8.2 公平性の概念 　8.3 解釈可能性と公平性 　8.4 バイアスを軽減する 　8.5 データセットのためのデータシート 　8.6 まとめ 第9章 説明可能なAIへの道 　9.1 説明可能なAI 　9.2 反実仮想的な説明 　9.3 まとめ Appendix 付録A セットアップを行う 　A.1 Python 　A.2 Gitコードリポジトリ 　A.3 Conda環境 　A.4 JupyterNotebook 　A.5 Docker 付録B PyTorch 　B.1 PyTorchとは？ 　B.2 PyTorchをインストールする 　B.3 テンソル 　B.4 データセットとDataLoader 　B.5 モデリング 付録C 日本語版付録日本語を扱う 　C.1 単語に分割する 　C.2 ワードクラウドを作成する 　C.3 日本語を単語埋め込み化する Ajay Thampi（著者） 信号処理と機械学習をテーマに博士号を取得し、強化学習、凸最適化、5Gセルラーネットワークに適用される古典的な機械学習技術をテーマに主要なカンファレンスやジャーナルで論文を発表している。現在は大手テック企業にて「責任あるAI」と公平性を専門に機械学習エンジニアとして活躍。マイクロソフトのリードデータサイエンティストとして、製造業、小売業、金融業など様々な業界の顧客に対して、複雑なAIソリューションをデプロイする仕事を担当した経験を持つ。 松田晃一（翻訳者） 博士（工学、東京大学）。石川県羽咋市生まれ。『宇宙船ビーグル号の冒険』を読み、絵描きではなく、コンピュータの道へ。海（海水浴）と温泉を好む。HCI/AR/VR/UX、画像処理・認識、機械学習、エッセーの執筆、技術書、SF、一般書の翻訳などに興味を持つ。最近立ち上げたPython の講義が（自分では）結構良く構成でき、再構成し書籍化を考えている。PAW^2（メタバース）の開発に携わり、オープンソースのm3py ライブラリの開発を行っている。著書に『Python ライブラリの使い方～ GUI から機械学習プログラミングまで』、『p5.js プログラミングガイド改訂版』（カットシステム)、『学生のためのPython』（東京電機大学出版局)、『WebGL Programming Guide』（Addison-Welsley Professional）など、訳書に『Web API デザイン・パターン』、『機械学習エンジニアリング』、『プログラミングのための数学』、『データサイエンティストのための特徴量エンジニアリング』（マイナビ出版）、『生成Deep Learning』、『詳解OpenCV3』、『コンピュータビジョンのための実践機械学習』（オライリー・ジャパン）、『デザインのためのデザイン』（ピアソン桐原）などがある。 ※この商品は固定レイアウト型の電子書籍です。 ※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字列のハイライトや検索、辞書の参照、引用などの機能が使用できません。 ※お使いの端末で無料サンプルをお試しいただいた上でのご購入をお願いいたします。

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 人や動物の行動データの背後にある計算過程をモデル化し，行動の理解と予測につなげる。 本書は，主に行動データの計算論モデリングの方法やその理論を初学者に向けて丁寧に解説します。実例として，心理学や神経科学の実験課題として良く用いられる，ギャンブル課題における選択行動データを扱います。本文では自分ではプログラミングをしない読者も想定して，プログラムは用いずに計算論モデリングの概要がイメージできるような解説をこころがけました。実際に計算論モデリングをするためのRコードやStanコードは付録やサポートページで解説しています。 第1章　計算論モデリングとは 第2章　計算論モデリングの基礎 第3章　強化学習モデルを用いたデータ解析の事例 第4章　パラメータ推定の実際 第5章　モデル選択 第6章　計算論モデリングに基づく統計分析 第7章　結果の解釈，モデルの統計的な性質の理解 第8章　強化学習モデルのバリエーション 第9章　計算論モデリングの課題と発展 付録A 数学的な補足 A.1 期待値 A.2 対数と指数関数 A.3 本書で用いる確率分布 A.4 コイントスに関する計算 A.5 WAIC A.6 WBIC A.7 周辺尤度のラプラス近似 A.8 信頼区間 A.9 正規分布モデルの事後分布 A.10 正規分布の周辺化 付録B R コード B.1 Rescorla-Wagner モデルのシミュレーション B.2 Q 学習のシミュレーション B.3 MAP 推定 B.4 ベイズ推定によるQ 学習の推定 B.5 集団モデルのシミュレーション B.6 階層ベイズ B.7 WAIC, WBIC の計算 References 索引

あなたは、この英語の意味、 AとB、どちらが正しいかわかりますか? 1.Nice try. A. いいね。 B. 残念。 答えは―――――――→B 2.Just my luck. A. ついてないな。 B. ラッキー。 答えは―――――――→A 3.Fat chance. A. 可能性はない。 B. 可能性は大。 答えは―――――――→A 4.Be my guest. A. 遊びにおいでよ! B. ええどうぞ! 答えは―――――――→B 5.Not much. A. 別に。 B. 少なめに。 答えは―――――――→A Where were we? A. ここはどこ? B. どこまで話したっけ? 答えは―――――――→B 日本人が直訳して 間違えてしまいがちな英語を たっぷり300フレーズ集めました。 日常会話はもちろん、 ビジネスシーンにもバッチリ対応! 英会話力アップに必携です!

〈電子書籍版について〉 本書は固定レイアウト型の電子書籍です。リフロー型と異なりビューア機能が制限されるほか、端末によって見え方が異なります。 【しくみがわかればデザインも上手くなる。「つくるデザイン」シリーズ第2弾！】 デザインの目的や意味を正しく理解して、どんな課題にも応用できるようになるために、その成り立ちや背景、セオリーや効果などを体系的に学べる一冊。 人に情報を伝える、伝えやすくするという目的に必要な知識を「基礎理論」「レイアウト」「かたち」「文字」「色」の5つの項目で解説。心理学的な効果、構図や視覚効果、図形のもつ意味や特徴など、幅広い観点からデザインの理解を深めることができます。豊富なデザインの経験からしか掴むことができない細やかなノウハウも紹介し、さらに最終章ではさまざまな事例を用いて実際の作業フローや注意すべき点をまとめています。 なんとなく見た目でデザインを決めている人、ちゃんと理屈を学んだことがないなという人、これからデザインを始めてみようと思っている人、デザインを学び直したい全ての人に役立ちます！ 〈主な内容〉 01　デザインのさまざまなメリット 02　人間がものを見るしくみ 03　対象として認識しやすいかたちの傾向 04　対象として認識しやすい条件を整える 05　グループになりやすい条件 06　視線の流れや位置の意味で計算するレイアウト 07　写真の構図法を取り入れる 08　整列とランダム＆ゆらぎを使い分ける 09　向きを持たない円 10　平面をつくる長方形 11　向きと安定感の三角形 12　家と守りの五角形と充填の六角形 13　輝きや神秘の星 14　愛と健康と「カワイイ」のハート 15　プラスイメージと宗教の十字 16　方向と誘導の矢印 17　領域とディテールを描く線 18　マークとイラスト 19　文字のつくりと文字の間隔 20　文字を組むいろいろな方法 21　書体の種類と選択 22　色のしくみと配色のポイント 23　錯視とユニバーサルデザインカラー Lesson 1　テキストに背景をつける／イラストをテキストの背景として使う Lesson 2　名刺サイズのショップカードをデザインする／カードの両面を使ってデザインする Lesson 3　開店告知のフライヤーをデザインする／ひとつの情報にフォーカスする Lesson 4　リスト形式のメニューをデザインする／画像入りのメニューをデザインする Lesson 5　画像とキャプションを整然とレイアウトする／テキストの間に画像を挟む Lesson 6　クーポンをデザインする／スーパーのチラシをデザインする Lesson 7　A4ドキュメントのフォーマットをつくる／文庫本のフォーマットをつくる／大判雑誌（B5）のフォーマットをつくる Lesson 8　文庫本の表紙をデザインする／雑誌の表紙をデザインする ・ オブジェクトの属性とデザインへの影響 ・ いろいろな錯視 ・ 和のデザインルール 〈著者プロフィール〉 井上のきあ デザイナー、イラストレーター。著書に『色の大事典　基礎知識と配色・カラーチャート・伝統色・慣用色名　DIGITAL COLORS for DESIGN』『入稿データのつくりかた　CMYK4色印刷・特色2色印刷・名刺・ハガキ・同人誌・グッズ類』『つくるデザインIllustrator』『Illustratorデザインベーシック　制作に役立つ基本とテクニック』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。検索やハイライト等の機能が使用できません。 初心者でもPythonを用いて機械学習が実装できる！ 　 本書は、今後ますますの発展が予想される人工知能の技術のうち機械学習について、入門的知識から実践まで、できるだけ平易に解説する書籍です。「解説だけ読んでもいまひとつピンとこない」人に向け、プログラミングが容易なPythonにより実際に自分でシステムを作成することで、そのエッセンスを実践的に身につけていきます。 また、読者が段階的に理解できるよう、「導入編」「基礎編」「実践編」の三部構成となっており、特に「実践編」ではシステム計画研究所が展示会「Deep Learning実践」で実際に展示した「手形状判別」を実装します。 詳細目次 第1部　導入編 　第1章　はじめに 　1.1 機械学習とは 　1.2 Python と機械学習 　1.3 インストール＆セットアップ 　1.4 Python 早分かり ― NumPy とmatplotlib 　1.5 クイックツアー 　　小話 深層学習って何だ？ 　第2 章　機械学習の様々な側面 33 　2.1 機械学習をとりまく環境.. 33 　2.2 関連分野. 34 　2.3 学習法による分類. 35 　2.4 手法や課題設定による分類. 36 　2.5 応用例. 37 第2部　基礎編 　第3章　分類問題 　3.1 分類問題とは 　3.2 最初の分類器 　3.3 学習データとテストデータ 　　ミニ知識 色々な用語 ―学習・訓練・教師 vs テスト・評価・バリデート・検証 　　ミニ知識 k- 分割交差検証 　3.4 分類器の性能を評価しよう 　　ミニ知識 正答率（Accuracy）と適合率（Precision） 　　ミニ知識 色々な平均.調和平均・算術平均・幾何平均 　3.5 色々な分類器 　3.6 まとめ 　第4章　回帰問題 　4.1 回帰問題とその分類 　4.2 最初の回帰 ― 最小二乗法と評価方法 　4.3 機械学習における鬼門 ― 過学習 　4.4 過学習への対応 ― 罰則付き回帰 　4.5 様々な回帰モデル 　4.6 まとめ 　第5章　クラスタリング 　5.1 iris データセット 　　ミニ知識 フィッシャーのあやめ 　5.2 代表的なクラスタリング手法 ― k-means 　5.3 その他のクラスタリング手法 　5.4 まとめ 第3部　実戦編 　第6章　画像による手形状分類 　6.1 課題の設定 　6.2 最初の学習 　6.3 汎化性能を求めて ― 人を増やしてみる 　6.4 さらに人数を増やしてみる 　　ミニ知識 学習データに含める人数について 　6.5 データの精査と洗浄 ― データクレンジング 　6.6 特徴量の導入 　6.7 パラメータチューニング 　6.8 まとめ 　第7章　センサデータによる回帰問題 　7.1 はじめに 　7.2 準備 　7.3 センサデータの概要 　7.4 データの読み込み 　7.5 高松の気温データと四国電力の消費量 　7.6 もっと色々、そしてまとめ 　7.7 終わりに 第4部　付録 　付録A　Python で作る機械学習 　A.1 この付録の目的 　A.2 最小二乗法 　A.3 行列計算による解析解の導出 　A.4 反復法 　A.5 コードを書く前に 　A.6 実装例 　付録B　線形代数のおさらいと代表的な非線形モデル 　B.1 この付録の目的 　B.2 そもそも「線形」とは 　B.3 線形変換とアフィン変換 　B.4 ノルムと罰則項 　B.5 線形回帰の最小二乗解を考える 　B.6 機械学習における「非線形」