【Azure×OpenAIでChatGPTシステムを構築！】 本書はLLM（大規模言語モデル）に興味があるITエンジニアを対象に、AzureからOpenAIモデルにアクセスできる「Azure OpenAI Service」を使い、ChatGPTを利用した社内AIシステムの開発と導入を実現してもらうのが目的です。 前半では、生成AIとChatGPTモデルの基本的な概念とその仕組みを解説します。また、Azure OpenAI Serviceの概要と具体的な利用方法を解説し、プロンプトエンジニアリングについても紹介します。後半ではChatGPTを利用する社内システムの開発手法について、実際にAzure OpenAI Serviceを使いながら学んでいきます。RAGを利用した社内文章検索システムの実装を経て、LLMを組み込んだアプリケーション（Copilot）の構築へとステップアップしていきます。また、ガバナンス実現に必要な共通基盤化と責任あるAIについても解説しています。 ■目次 ●第1部 Microsoft AzureでのChatGPT活用 ・第1章 生成AIとChatGPT ・第2章 プロンプトエンジニアリング ・第3章 Azure OpenAI Service ●第2部 RAGによる社内文章検索の実装 ・第4章 RAGの概要と設計 　　4.1 ChatGPTの問題点と解決手法 　　4.2 Retrieval-Augmented Generationとは 　　4.3 検索システム 　　4.4 Azure AI Search 　　4.5 オーケストレータ 　　4.6 Azure OpenAI on your data 　　4.7 Azure Machine Learningプロンプトフロー 　　4.8 大規模言語モデル 　　4.9 Azure OpenAI API 　　4.10 まとめ ・第5章 RAGの実装と評価 　　5.1 アーキテクチャ 　　5.2 社内文章検索の実装例 　　5.3 会話履歴の保持 　　5.4 検索機能 　　5.5 データインジェストの自動化 　　5.6 RAGの評価と改善 　　5.7 検索精度の評価 　　5.8 生成精度の評価 　　5.9 まとめ ●第3部 Copilot stackによるLLMアプリケーションの実装 ・第6章 AIオーケストレーション 　　6.1 Copilot stackとは 　　6.2 AIオーケストレーションとエージェント 　　6.3 独自Copilot開発のアーキテクチャと実装 　　6.4 まとめ ・第7章 基盤モデルとAIインフラストラクチャ 　　7.1 基盤モデルとAIインフラストラクチャとは 　　7.2 ホスティングされたモデルの場合 　　7.3 公開モデルの場合 　　7.4 まとめ ・第8章 Copilotフロントエンド 　　8.1 ユーザーエクスペリエンスの基礎 　　8.2 LLMの不確実な応答への対処 　　8.3 UX向上のための参考資料 　　8.4 まとめ ●第4部 ガバナンスと責任あるAI ・第9章 ガバナンス ・第10章 責任あるAI ■著者プロフィール 永田 祥平：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。主にエンタープライズのお客様を対象に、Azureビッグデータ分析基盤や機械学習基盤の導入・活用支援を行う。 伊藤 駿汰：日本マイクロソフト株式会社 クラウドソリューションアーキテクト／株式会社Omamori 取締役。AI/ML開発と利活用の技術支援、機械学習基盤やMLOps基盤の構築および活用の技術支援を行う。 宮田 大士：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。現職では、幅広い業界のお客様へのAIの導入／活用を支援。 立脇 裕太：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。現在は日本マイクロソフトでビッグデータ、クラウド、機械学習を活用した企業のデータ活用を支援。 花ケ﨑 伸祐：日本マイクロソフト株式会社 パートナーソリューションアーキテクト。現在はパートナーAIソリューションの開発支援に携わる。 蒲生 弘郷：日本マイクロソフト株式会社 クラウドソリューションアーキテクト。現在はソリューションアーキテクトとしてAI導入の技術支援やAzure OpenAI Serviceのエバンジェリスト活動などに従事。 吉田 真吾：株式会社セクションナイン 代表取締役。2023年5月にAzure OpenAI/Azure AI Search/Azure Cosmos DBを活用した人事FAQ 機能をリリース。著書、監訳書多数。

現在話題となっている機械学習（Machine Learning）のツールやライブラリは内部でどのような計算をしているのか？　計算で得られた結果にはどのような意味があり，どのようにビジネス活用すればよいのか？――という疑問を持つエンジニアが増えています。本書は機械学習理論を数学的な背景からしっかりと解説をしていきます。そしてPythonによるサンプルプログラムを実行することにより，その結果を見ることで機械学習を支える理論を実感できるようになります。

――わたしはどこにも属していないし、属すためのやりかたを買うお金もない。 カリブ海生まれのジーン・リースは、ヨーロッパでは居場所を見出せない、疎外された人であった。しかも女性である。 自身の波乱に富んだ人生を下敷きにした、モデル、老女、放浪者などの主人公たちは、困窮、飲酒、刑務所暮らし、戦争と数々の困難を生きる。 だが彼女らはけっして下を向かない。 慣習と怠惰と固定観念をあざ笑うように、したたかに生きる。 《いま新たな光を浴びる、反逆者リースの本邦初、珠玉の作品集》 -------------------------------------- 【目次】 ■あの人たちが本を焼いた日……The Day They Burned the Books ■あいつらにはジャズって呼ばせておけ……Let Them Call It Jazz ■心霊信奉者……A Spiritualist ■マヌカン……Mannequin ■フランスの刑務所にて……From a French Prison ■母であることを学ぶ……Learning to Be a Mother ■シディ……The Sidi ■飢え……Hunger ■金色荘にて……At the Villa d'Or ■ロータス……The Lotus ■ではまた九月に、ペトロネラ……Till September Petronella ■よそ者を探る……I Spy a Stranger ■堅固な家……A Soild House ■機械の外側で……Outside the Machine ■「ジーン・リース」へのピクニック……西崎憲 --------------------------------------

※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。 ・AWSのフルマネージドサービスの導入方法と、基本的な使い方の手順を解説 ・APIを使ったAWSサービスとの連係など、アプリケーションを実装方法をサンプルで紹介 ■本書「はじめに」より 本書ではクラウドネイティブをキーワードに、 AWSのサービス群を上手く使って効率的にシステム/アプリケーションを開発する方法を主題としています。 対象とする読者は、モバイルやJavaScript等でフロントエンドアプリを開発する アプリケーションエンジニアを想定しています。 もちろん今までAWSを使ってインフラを構築してきたエンジニアにも読んでもらいたいです。 オンプレミスからクラウドに移り変わったように、 サーバの上にミドル・アプリをインストールして一からシステムを構築する時代は、終わろうとしています。 そのことを体感し、次の時代のインフラエンジニアのあり方を一緒に考えていければと思います。 ■紹介する主なサービス API Gateway Lambda Cognito DynamoDB Simple Storage Service（S3） Simple Notification Service（SNS） Simple Queue Service（SQS） Kinesis IoT Mobile Hub Machine Learning ■掲載するサンプル Cognitoによる認証を利用したスマートフォン向け写真共有アプリケーション API GatewayとLambdaによるサーバ連携するモバイルアプリケーション API GatewayとCognito、Lambdaを連携した認証・認可サービス API Gatewayを使ったモバイルのスタブAPI DynamoDBとApple Watchによる健康情報の収集 iBeaconと連動する勤怠管理アプリケーション Device Farmを利用したモバイルの多端末自動テストの実施 S3とLambdaによるキーワードキュレーションサービス KinesisによるTwitter情報の収集 など

絶え間なく更新されるベストプラクティスが 「ベスト」であり続けるための基礎技術のすべて 【本書の内容】 本書は Brett Lantz, "Machine Learning with R - Third Edition", Packt Publishing, 2019 の邦訳版です。 本書は「機械学習」で語られることの多い手法（最近傍法や回帰法、ナイーブベイズ や決定木を使った分類法）を網羅し、それぞれの意味や成立条件を解説します。 といっても、ゴリゴリの数式だけを使うわけではなく、既存のデータを使用し、 それら手法によって解析した結果、どのようなグラフが表示されるか、を 手取り足取りで解説してくれます。 ですから、機械学習を構成するさまざまな手法を、実際に使えるレベルで理解できる ようになります。 そのため、自身が関わるプロジェクトにおいて、どの手法がベストプラクティスと なるのか、無意味な分析・解析を避ける勘所がわかるようになるでしょう。 「機械学習」を学んだものの「もやもや」に付きまとわれているエンジニアに よく効く一冊です。 【本書のポイント】 ・「機械学習」と呼ばれる手法を網羅 ・手法を構成する手続きやその前準備を微細に解説 ・各手法のメリットとデメリットも紹介 ・実際に手を動かすことで各種手法を正しく利用できるようになる 【読者が得られること】 ・機械学習とその派生手法のモデルを頭の中に構築できる ・機械学習を成立させるさまざまな手法に精通できる ・プロジェクトで真に必要な手法がわかる ・（ついでに）R言語（4.x系）も習得できる ※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。 本書は世界各国で出版・公開された書籍 “Approaching (Almost) Any Machine Learning Problem” の翻訳書です。豊富なコード例と機械学習にまつわる基礎的な内容を取り上げていきます。 交差検証や特徴量エンジニアリングなどモデル作成以前の重要な要素にも紙面が割かれ、コードの再現性やモデルのデプロイといった話題にも踏み込みます。 モデル作成では、表形式のデータセットだけでなく、画像認識や自然言語処理に関する内容が具体的な実装と共に示されます。 本書の節々から、性能を追求するだけではなく実運用にも重きを置いた著者の姿勢が垣間見えるでしょう。 ”KaggleのGrandmasterが書いた本”と聞くと高尚な話題が展開される印象を受ける方もいるかもしれませんが、実態は実践的なプログラミング解説書です。Kaggleコミュニティに限らず機械学習に興味を持つ多くの方に手に取っていただきたいと考えています。 この本ではコードが非常に重要です。何が起こっているのかを理解したければ、コードを注意深く見て、“自分で” 実装しなければなりません。 　If you didn't code you didn't learn.（コードを書かねば、何も学べない。） ぜひ自らの手でコードを実装し、学びを深めてください。 第0章　実行環境の準備 第1章　教師あり学習と教師なし学習 第2章　交差検証 第3章　評価指標 第4章　機械学習プロジェクトの構築 第5章　質的変数へのアプローチ 第6章　特徴量エンジニアリング 第7章　特徴量選択 第8章　ハイパーパラメータの最適化 第9章　画像分類・セグメンテーションへのアプローチ 第10章　テキストの分類・回帰へのアプローチ 第11章　アンサンブルとスタッキングへのアプローチ 第12章　コードの再現性やモデルのデプロイへのアプローチ

※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。

SEに使ってほしい機械学習サービス 「Azure Machine Learning」 これまで機械学習といえば専門的なスキルがなければ使いこなせないものでしたが、今はそうではありません。SEなら誰でも使いこなせるほど、機械学習サービスのハードルは下がっています。とはいえ、機械学習ならではのコツがありますので、本書では基本的なことから解説しています。本書の狙いは、Azure Machine Learningを使いこなせるようになり、機械学習をあなたのスキルにすることです。 第1章　とにかく機械学習が何かを知る 第2章　実践:データを集めよう 第3章　Azure Machine Learningで機械学習モデルを作ろう 第4章　実践編１　回帰分析を使ってデータを予測する 第5章　実践編２　作った回帰分析モデルを使ってみる 第6章　実践編３　予測精度を向上する 第7章　実践編４　統計分類で判定する 第8章　実践編５　クラスタリングで似たものを判定する 第9章　実践:実験結果を活用しよう 第10章　実践:どんどん賢くさせよう Appendix A　Azure Machine Learningを利用する方法

※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。 データ分析競技のヒント、テクニック、ベストプラクティスを解説！ Grandmaster/Master 31人のインタビューも掲載。Kagglerの視点を学ぶ ◎ノートブック、データセット、ディスカッションフォーラムの活用を解説 ◎モデルの評価指標、検証戦略、ハイパーパラメータ最適化について詳述 ◎コンピュータビジョン、自然言語処理、シミュレーションなどもカバー ◎自身のポートフォリオを作成し、キャリアにつなげる方法を紹介 世界中の何百万人もの人々がKaggleに参加しています。 データ分析スキルを向上させ、素晴らしいコミュニティとネットワークを作り、 キャリアアップに役立つ貴重な経験を得ようとしています。 本書では、Grandmasterの著者2人がさまざまなモデリング戦略のほか、 これまでに蓄積されたテクニック、スキルを解説。 Kaggle特有のヒントだけでなく、より一般的なテクニックも学べます。 Kaggleのランクを上げたい、データサイエンスのスキルアップを図りたい、 既存のモデルの精度を上げたい、といった方への格好の一冊です。 「本書を最後まで読めば、自信を持ってKaggleに参加できるようになるはずです。 そして、Kaggleに自信を持って参加することには、多くの見返りがあります。 1つ目は、Kaggleが機械学習の最も実践的な開発を把握するための非常に効果的な方法であること、 2つ目は、Kaggleがユーザーに『試行錯誤で学ぶ』方法を提供することです」 ―Kaggle創設者兼CEO アンソニー・ゴールドブルーム（序文より一部抜粋） ◎本書は『The Kaggle Book: Data analysis and machine learning for competitive data science』の翻訳書です。

身近な例からデータサイエンスの深淵を体感し スケールさせるノウハウを学ぶ 【本書の内容】 「膨大なデータを分析して傾向を探り意思決定に援用する」とはよく耳にするフレーズですが、「膨大なデータ」から「援用する」までの間に、どのようなことがなされているのでしょうか。その各段階における必要な知識や技能やツールやインフラにはなにがあるのでしょうか。 本書はそういった疑問を、身近な例（フライトスケジュールからミーティングの参加・不参加確定）から説き起こします。とはいえ、それは単に米国運輸省のデータをダウンロードし、フライトの傾向を時間軸に合わせて分析し、スケジュールとして提示する、という“シンプル”なストーリーではありません。 「データ分析を実行してビジネスで成果を出す」ことができる人を「データエンジニア」と呼ぶ、Googleならではの文化が色濃く出た1冊です。すなわち、クエリの構築やレポート、グラフ化が最終目標ではなく、それらをひっくるめたスケーラブルで反復可能なシステムを構築できる人材への足がかりとなる1冊であり、肩書としての「データサイエンティスト」から、真に求められているデータサイエンティストへと、自身をスケールしていくための手引書です。 本書は、 Valliappa Lakshmanan, Data Science on the Google Cloud Platform: Implementing End-to-End Real-Time Data Pipelines: From Ingest to Machine Learning, O'Reilly Media, January 12, 2018. の邦訳版です。 【本書のポイント】 ・Google Cloud Platformの具体的な活用方法 ・データ分析からサービス構築まで、必要な知識 ・データサイエンスをスケールするという考え方 【読者が得られること】 ・データサイエンスに必要な知識を段階を追って習得できる ・データ収集からサービス構築までの一連の流れを理解できる ・各ステージにおける勘所や肝となる考え方を学べる ・Google Cloud Platformにある一群のツールを使えるようになる ・統計学や機械学習を理解していれば、モデルをコード化できるようになる 【対象読者】 ・データエンジニア、データサイエンティスト ・データアナリスト、データベース管理者 ・システムプログラマ ※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。 本書は、機械学習コンセプト全般をカバーし、理論的背景とPythonコーディングの実際を解説しています。初歩的な線形回帰から始め、ディープラーニング（CNN／RNN）、敵対的生成ネットワーク、強化学習などを取り上げ、scikit-learnやTensorFlowなどPythonライブラリの新版を使ってプログラミング。第3版では13～16章の内容をほとんど刷新したほか、敵対的生成ネットワークと強化学習の章を新たに追加。機械学習プログラミングの本格的な理解と実践に向けて大きく飛躍できる一冊です。◎本書は『Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition』の翻訳書です。◎微積分／線形代数、Python の文法、データ分析用ライブラリについてある程度理解している必要があります。［原著の第1版］●ドイツ語、韓国語、中国語、日本語、ロシア語、ポーランド語、イタリア語に翻訳。●ACM（米国計算機学会）の「21st Annual list of Notable Books and Articles（2016）」にランクイン。［日本語の第1版］●「ITエンジニア本大賞2017」ベスト10にランクイン。

※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。 機械学習本ベストセラーの第2版！ 著者陣の経験に基づく洞察とより専門的な知識を学べる 機械学習の各コンセプトについて、理論や数学的背景、Pythonコーディングの実際を網羅的に解説。初期の機械学習アルゴリズムから、ニューラルネットワーク（CNN/RNN）までの手法を取り上げます。Python関連ライブラリとしてはscikit-learnやTensorFlowなどを使用。第2版では、第1版への読者のフィードバックを随所に反映し、ライブラリの更新に対応。13章以降はほとんど新規の書き下ろしです。本書は、機械学習を本格的に理解・実践するのに不可欠な一冊となっています。 ◎本書は『Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd Edition』の翻訳書です。 ◎微積分/線形代数、Pythonの文法、データ分析用ライブラリについてある程度理解している必要があります。 ■「はじめに」より抜粋 機械学習の実践的なサンプルコードを調べて試してみるのは、この分野に飛び込むのにうってつけの方法である。幅広い概念が明確になるからだ。本書では、Python言語と機械学習ライブラリを使って機械学習の実装を体験してみるほか、アルゴリズムの背後にある数学的な概念を紹介する。それらの概念は、機械学習をうまく利用するために欠かせないものである。したがって、本書は単なる実用書ではない。本書では、機械学習の概念を必要に応じて詳しく説明する。

新世代の数値計算ライブラリを操る！ 線形回帰からCNN/RNNまで網羅的に実践 -- TensorFlowは、数値処理用のオープンソースライブラリ。AI分野を中心に活用が進んでいます。本書ではまず、変数／プレースホルダといったTensorFlowの基本や、オープンデータを扱う方法を説明。以降は、機械学習のさまざまな手法をレシピとして示していきます。具体的には次のとおりです。線形回帰、SVM、最近傍法、ニューラルネットワーク、自然言語処理、畳み込みニューラルネットワーク（CNN）、リカレントニューラルネットワーク（RNN）、運用環境のための手法、遺伝的アルゴリズム、k-means、常微分方程式などです。※本書は『TensorFlow Machine Learning Cookbook』の翻訳書です。　※コードの検証にPython 3.5/3.6とTensorFlow 1.1/1.2を使用（各環境/各コードの動作を完全に保証するものではありません）。

※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。 第3版まで続くロングセラーのPyTorch版！ 機械学習の基本から先進的な手法まで本格解説 『機械学習を実践的に学ぶための優れたテキスト』 『多くのトピックを網羅した深い一冊。強力にお勧め』 ―原著への読者の声 本書の前半は、基本的な機械学習ライブラリのscikit-learnを使った手法を解説。 分類の基本モデルに始まり、単層ニューラルネットまでを実装するほか、データ前処理、次元削減、 ハイパーパラメーターのチューニング、アンサンブル学習、回帰分析などを取り上げます。 後半では、PyTorchによるさまざまなディープラーニングの手法を説明。 PyTorchの仕組みを示したあと、CNN／RNN／Transformerといったモデルの実装を解説。 敵対的生成ネットワーク、グラフニューラルネットワーク、強化学習もカバー。 ◎本書は『Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python』の翻訳書です。 ◎微積分/線形代数、Pythonの文法、データ分析用ライブラリについてある程度理解している必要があります。

※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。 Pythonで機械学習に必要な統計解析を学べる!! 機械学習を使いこなすには、確率・統計に根ざしたデータ解析の基礎理論の理解が不可欠です。そこで本書は、Pythonの簡単な使い方から確率・統計の基礎、統計モデルによる機械学習を解説します。 第I部　Pythonによる計算 　第1章　Pythonの初歩 　第2章　確率の計算 第II部　統計解析の基礎 　第3章　機械学習の問題設定 　第4章　統計的精度の評価 　第5章　データの整理と特徴抽出 　第6章　統計モデルによる学習 　第7章　仮説検定 第III部　機械学習の方法 　第8章　回帰分析の基礎 　第9章　クラスタリング 　第10章　サポートベクトルマシン 　第11章　スパース学習 　第12章　決定木とアンサンブル学習 　第13章　ガウス過程モデル 　第14章　密度比推定 付録A ベンチマークデータ 　A.1 UCI Machine Learning Repository 　A.2 mlbench 　A.3 datasets 参考文献 Python索引 用語索引

※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。 プログラミングなしで人工知能をはじめよう！ 　本書は，何か人工知能を活用してみたいが，プログラミングを学ぶのはハードルが高い，どんなことができるのかまずは試してみたい，という方をおもな対象として，Azure Machine Learning Studio (classic)を用いたノンプログラミングでの人工知能手法を紹介するものです． 　Azure Machine Learning Studio (classic)はMicrosoft社の提供するクラウドサービスで，一般的なブラウザ上でドラッグ＆ドロップによるビジュアル操作を用いて，人工知能（機械学習）を実践することができます．機能単位のアイコンとアイコンとを配線することで，さまざまな分析をおこなうことができます． 　基本的な人工知能手法の解説に留まらず，「カップの振動」に対する教師あり学習，「扇風機の異常」を教師あり学習で分類する，水位の推定などの数値予測，「地目別平均地価」に対する教師あり学習，「ICTサービスの利用動向」に対するクラスタリング，「扇風機の異常動作」に対するSVMを用いた異常検知などの具体的な例を取り上げて解説することで，実践的な人工知能の手法をお試しできるようになっています． 1.　AIとは？ 2.　Azure Machine Learning Studio (classic)の利用準備 3.　データ形式の理解と準備 4.　Azure Machine Learning Studio (classic)における処理の全体構造 5.　Azure Machine Learning Studio (classic)へのデータ入出力 6.　Azure Machine Learning Studio (classic)内における前処理 7.　教師あり学習 8.　数値予測 9.　グルーピングと異常検知 10.　学習と推定についての評価 11.　独自処理 12.　Webサービス化とAndroidアプリ作成

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。