概要

これからAIを学ぶエンジニアやAI関連業種に携わるビジネスマン向けに，「AIとは何か」から始まり，しくみや手法，利用例など技術的な側面を分かりやすく説明します。

こんな方におすすめ

• AIの技術と活用例を知りたいエンジニア，ビジネスパーソン，学生

目次

第1章　AIとは

• 01　AIの定義
• 02　AIの得意な分野と苦手な分野
• 03　AIの発展過程
• 04　機械学習とは
• 05　ディープラーニングとは
• 06　機械学習とディープラーニングの違い

第2章　AIの基礎知識

• 07　機械学習と統計学
• 08　相関関係と因果関係
• 09　機械学習とデータマイニング
• 10　教師あり学習とは
• 11　教師なし学習とは
• 12　強化学習とは
• 13　AIとビッグデータ
• 14　データ別に見るAIの特徴
• 15　AIシステムの開発フロー

第3章　自然言語処理の手法とモデル

• 16　自然言語処理（NLP）とは
• 17　NLPにおける曖昧性と困難性
• 18　NLPの前処理
• 19　言語モデルと分散表現
• 20　注釈付きコーパスと対訳コーパス
• 21　再帰型ニューラルネットワーク（RNN）
• 22　Transformer
• 23　BERT
• 24　GPT-3

第4章　GANを中心とした生成モデル

• 25　クリエイティブに進出するAI
• 26　生成モデルの基礎的なアルゴリズム
• 27　GANを用いた画像生成
• 28　敵対的攻撃と防御
• 29　GANのこれからの広がり

第5章　画像認識の手法とモデル

• 30　画像認識のタスク
• 31　畳み込みニューラルネットワーク（CNN）
• 32　画像認識の発展のきっかけとなったCNN
• 33　CNNの精度とサイズのバランス
• 34　学習の工夫1
• 35　学習の工夫2
• 36　ディープラーニングの説明可能性
• 37　画像認識の評価指標

第6章　テーブルデータの機械学習アルゴリズム

• 38　テーブルデータの前処理
• 39　精度の評価指標と汎化性能
• 40　教師あり学習1：線形回帰モデル
• 41　教師あり学習2：決定木
• 42　教師あり学習3：ランダムフォレスト
• 43　教師あり学習4：XGBoost
• 44　教師あり学習5：ロジスティック回帰モデル
• 45　教師あり学習6：ニューラルネットワーク
• 46　教師あり学習7：k-NN（k-Nearest Neighbor）
• 47　教師なし学習1［クラスタリング］：k-means法
• 48　教師なし学習2［クラスタリング］：階層的クラスタリング
• 49　教師なし学習3［クラスタリング］：スペクトラルクラスタリング
• 50　教師なし学習4［次元削減］：主成分分析
• 51　教師なし学習5［次元削減］：UMAP
• 52　教師なし学習6［次元削減］：行列分解
• 53　教師なし学習7［次元削減］：オートエンコーダ

サポート

正誤表

本書の以下の部分に誤りがありました。ここに訂正するとともに，ご迷惑をおかけしたことを深くお詫び申し上げます。

P.236　本文下から6行目

P.243　本文下から7行目

以下，4刷で修正済み

P.80　本文11行目

P.108　図「LSTMの３種類のゲート」「忘却ゲート」の1行目

P.116　本文8～9行目

P.140　本文6～7行目の以下の文章を削除

P.167　まとめ内4行目

P.176　本文5行目，6行目

P.179　本文2行目

P.189　本文8行目の以下の文章を削除

P.202　「ジニ不純度の計算方法」図右の説明3番目の項目

P.221　まとめ内1行目

P.222　表内④

P.223　上部の図の2段目右

P.231　本文7～9行目

以下，3刷で修正済み

P.89　本文7行目

以下，2刷で修正済み

P.75　図「第3章の流れ」の3-18　本文部分

P.107「LSTMの構造」の図

P.116　本文9行目　図左側の吹き出し

「r」が不要です。