【Googleの生成AIを実践活用してみませんか？】 生成AIの普及が急速に浸透してきています。本書は信頼性の高いクラウド環境であるGoogle Cloudで同社の生成AIを活用するための方法を解説します。自社で生成AIを利用したWebサイト構築をしたい方への良きガイドとなるように構成しています。最初に最新のWebサイト構築に必要なJSライブラリの使用法を俯瞰していきます、そして生成AI、本書ではGoogleのPaLM APIを使います。サンプルアプリとして、書英文添削アプリ→チャットボット風アプリ→ドキュメントの要約アプリ→ドキュメントQA サービスアプリを段階的に開発していくプロセスを読者と同じ目線で開発していきます。ステップごとに工程を追いながら、その技術を学ぶことができるようになります。Web+AIで新しい機能とサービスを開発していきましょう。 ■こんな方におすすめ 既存の生成AIサービスを使うだけではなく、「生成AIを活用した新しいアプリを作って人々に提供してみたい」「業務システムに生成AIを組み込む方法を知りたい」という方に最適な内容です。Google Cloudのサービスやアプリ開発に使用するライブラリの使い方も基礎から説明していますので、これまでにアプリ開発の経験がない方でも、気軽に読み進めていただけます。 ■目次 ●第1章 前提知識 　　1.1 Google Cloud入門 　　1.2 React入門 ●第2章 Next.jsとFirebaseによるフロントエンド開発 　　2.1 Google Cloudプロジェクトのセットアップ 　　2.2 Next.jsによる静的Webページ作成 　　2.3 Firebaseのセットアップ 　　2.4 Googleログイン機能の実装 　　2.5 Cloud Runへのアプリケーションデプロイ 　　2.6 サーバーコンポーネントの利用 ●第3章 PaLM APIを用いたバックエンドサービス開発 　　3.1 PaLM APIの使い方 　　3.2 英文添削アプリの作成 　　3.3 ファッションを褒めるチャットボット風アプリの作成 ●第4章 LangChainによるPDF文書処理 　　4.1 LangChainによるPDF文書の要約 　　4.2 スマートドライブアプリの作成 ●第5章 ドキュメントQAサービス 　　5.1 埋め込みベクトルによるテキスト検索 　　5.2 ドキュメントQAサービスの作成 　　5.3 Vertex AI Searchによる検索サービス ■著者プロフィール 中井悦司：1971年4月大阪生まれ。ノーベル物理学賞を本気で夢見て、理論物理学の研究に没頭する学生時代、大学受験教育に情熱を傾ける予備校講師の頃、そして、華麗なる（？）転身を果たして、外資系ベンダーでLinuxエンジニアを生業にするに至るまで、妙な縁が続いて、常にUnix/Linuxサーバーと人生を共にする。その後、Linuxディストリビューターのエバンジェリストを経て、現在は、米系IT 企業のAIソリューションズ・アーキテクトとして活動。著書として、『［改訂新版］プロのためのLinuxシステム構築・運用技術』『ITエンジニアのための強化学習理論入門』（いずれも技術評論社）、『TensorFlowとKerasで動かしながら学ぶディープラーニングの仕組み』『JAX/Flaxで学ぶディープラーニングの仕組み』（いずれもマイナビ出版）などがある。

※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。 「強化学習」とは、簡単に言えば、「試行錯誤によって学習するAI」です。 機械学習の一種で、近年のディープラーニングの発展の恩恵を受け、注目されています。 本書は、基本のアルゴリズムからニューラルネットを使った応用まで、 強化学習の理論と実装がわかる本です。 強化学習がどんな仕組みのAIなのか、 これから学んでみたいという人や 興味はあるけれど難しそうだと思っている人におすすめです。 【本書の特徴】 ●強化学習の難解な理論をやさしく解説 難しい用語や数式は、高校数学の知識があれば理解できるように一歩一歩説明します。教師あり学習やニューラルネットワークなど、機械学習の前提知識も解説しています。 ●画面上のロボットを動かすことで直観的に理解 強化学習の問題や学習結果は、画面上のロボットが動くアニメーションで確認できます。プログラムを実行するための環境構築や操作方法の説明があるので、すぐに動かすことができます。 ●Pythonで強化学習のプログラムを改良 サンプルプログラムは軽量で、一般的なPC（GPUなどが装備されたPCは不要）で動かせます。強化学習のライブラリは使用せずに実装されており、ブラックボックス化されていないのでアルゴリズムがよくわかります。本書では、サンプルプログラムを自分で改良するためのポイントや、Pythonの基本、主要ライブラリ（NumPy、matplotlib、OpenCV、TensorFlow）の一部の使い方を紹介しています。

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