目次

第1章 人工知能（AI）とは

• 1.1 人工知能の定義
• 1.2 人工知能の歴史

第2章 人工知能をめぐる動向と問題

• 2.1 探索・推論
• 2.2 知識表現
• 2.3 機械学習
• 2.4 人工知能における問題

第3章 数理統計・機械学習の具体的手法

• 3.1 代表的な手法
  • 学習の種類
  • 教師あり学習
  • 教師なし学習
  • 強化学習
• 3.2 教師あり学習の代表的な手法
  • 線形回帰
  • 正則化
  • ロジスティック回帰
  • サポートベクターマシン
  • 決定木
  • 時系列モデル
  • 疑似相関
  • ランダムフォレスト
  • 勾配ブースティング
  • アンサンブル学習
  • ベイズの定理
  • 最尤推定
• 3.3 教師なし学習の代表的な手法
  • k-means法
  • 階層的クラスタリング
  • リコメンデーションアルゴリズム
  • 主成分分析
  • 特異値分解
  • データの視覚化
• 3.4 手法の評価
  • データの扱い
  • 交差検証法
• 3.5 評価指標
  • 回帰
  • 分類
  • モデル自体の評価

第4章 ディープラーニングの概要

• 4.1 ニューラルネットワークとディープラーニング
• 4.2 事前学習によるアプローチ
• 4.3 ハードウェア

第5章 ディープラーニングの手法（1）

• 5.1 活性化関数
• 5.2 学習の最適化
  • 学習と微分
  • 勾配下降法
  • 学習率
  • 鞍点
  • SGD
  • モーメンタム
  • 最新の最適化手法
  • ハイパーパラメータチューニング
• 5.3 さらなるテクニック
  • 過学習
  • 二重降下現象
  • ドロップアウト
  • early stopping
  • データの正規化
  • 重みの初期値
  • バッチ正規化
• 5.4 CNN：畳み込みニューラルネットワーク
  • 画像データの扱い
  • 畳み込み
  • プーリング
  • 全結合層
  • 畳み込み層の派生
  • データ拡張
  • NAS
  • 転移学習
  • CNNの初期モデル
• 5.5 RNN：リカレントニューラルネットワーク
  • RNNの基本形
  • LSTM 問題
  • RNNの発展形
  • Attention
• 5.6 強化学習の特徴
• 5.7 深層強化学習
• 5.8 深層生成モデル

第6章 ディープラーニングの手法（2）

• 6.1 画像認識
  • CNNの代表モデル
  • 物体検出
  • セグメンテーション
  • OpenPose
  • Efficient Net
  • 学習の発展
• 6.2 自然言語処理
• 6.3 音声認識
• 6.4 強化学習
• 6.5 生成モデル
• 6.6 自動運転

第7章 ディープラーニングの社会実装に向けて

• 7.1 AIと社会
• 7.2 プロダクトの設計
• 7.3 データの収集
• 7.4 データの加工・分析・学習
• 7.5 プロダクトの実装・運用・評価
• 7.6 AIと法律・制度