『impress top gearシリーズ、雑誌を除く、分冊版を除く(実用)』の電子書籍一覧

※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。

LLM/エージェントの基盤技術を習得できる！
実プロジェクトで使いこなすための
モデルの構造からコーディングの実践まで。

本書では、現代的なTransformerモデルの内部構造から、コードを交えた実践テクニックまでを解説。Transformerモデルを実際のプロジェクトで使いこなすための確固たる基盤技術を習得したい方に格好の一冊です。

取り上げるモデルは、Llama 4/Gemma 3世代を中心に、言語を含むマルチモーダルに対応したものであり、Gemma 4についても説明を補足しています。また、Hugging FaceやvLLMのライブラリ等を使った実際のコード例を交えて解説。主要なテーマは次のとおりです。

◆Transformerモデルの基礎◆Transformerがなぜそのように設計されているのか、そしてどのように機能するのかを学びます。また、エンコーダースタックとデコーダースタックを含む完全なアーキテクチャを探求します。

◆生成系モデルのバリエーションと高度化◆デコーダーのみ、エンコーダーのみ、Mixture-of-Expertsなど、アーキテクチャの主要なバリエーションについて説明した後、テキスト生成戦略とプロンプト技術のパターンといったLLMの推論能力を高度化していく手法を取り上げます。

◆生成系モデルによるシステム◆人間の好みに合わせる選好アライメント、そして検索拡張生成（RAG）などにフォーカスしたシステム構築手法を示します。

◆マルチモーダルと小規模言語モデル◆マルチモーダルモデルを支える中核技術のほか、マルチモーダルRAGについて説明。また、SLM（小規模言語モデル）についてファインチューニングのケーススタディを解説し、エージェントとしてどのように機能するかも示します。

◆LLMの活用◆LLMのトレーニング、QLoRAなどのファインチューニング、評価手法を取り上げます。その後、枝刈り、蒸留、推論の最適化、FlashAttentionなど、最適化とスケーリングについて探索します。最後に、バイアス検出、透明性と説明性のツールといった倫理・責任あるAIへの手法を説明します。

※本書は『Transformers in Action』（Manning Publications）の翻訳書です。

■本書の構成
◆Part1 現代のTransformerモデルの基礎
第1章 Transformerはなぜ必要か
第2章 詳解Transformer

◆Part2 生成系Transformer
第3章 モデルファミリとアーキテクチャのバリエーション
第4章 テキスト生成戦略とプロンプティングテクニック
第5章 選好アライメントとRAG

◆Part3 専門化されたモデル
第6章 マルチモーダルモデル
第7章 効率的な特化型SLM
第8章 LLMの訓練と評価
第9章 LLMの最適化とスケーリング
第10章 倫理的かつ責任あるLLM

※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。

Pythonで実践する、比類なき設計手法。
堅牢でしなやかなシステムを設計・開発できる！
DDDから、実装の実践／TDD／実用アプリの構築まで。

本書では、「コードの複雑化」や「フレームワークへの過度な依存」という、多くの開発者が直面する課題に対して、明確な解決策を提示します。

アプリケーション開発において「クリーンアーキテクチャ」の原則をどのように適用し、保守性と拡張性の高いシステムを構築するかについて、Pythonを使って具体的かつ実践的に解説します。主要なテーマは次のとおりです。

◆基本的な考え方◆クリーンアーキテクチャの概念、基盤となるSOLID原則、Python開発への適用方法などを解説。

◆設計の本質◆ドメイン駆動設計（DDD）のほか、インターフェイスアダプター、フレームワーク＆ドライバーなど階層ごとの役割と実装について詳しく解説。

◆実践的なPython実装◆Pythonの特性を活かした具体的なコード例とプロジェクト構造を提示。

◆テスト駆動開発（TDD）◆設計の正しさを担保するためのテスト手法を、開発プロセスに統合。

◆実戦的な応用◆単純なサンプルにとどまらず、スケーラビリティを考慮した実務レベルのアプリの構築も想定。

具体的なアプリの開発を進めながら、変更に強く、テストしやすく、長期的に保守しやすいアプリ開発の実用的な戦略とパターンを提供します。

「動くコード」を書くだけの段階から、「変化に強く、10年先もメンテナンス可能なコード」を書くエンジニアへとステップアップしたい開発者にとって、必読の一冊です。

※本書は『Clean Architecture with Python: Implement scalable and maintainable applications using proven architectural principles』の翻訳書です。

■本書の構成
◆Part1 Pythonでのクリーンアーキテクチャの基礎
第1章 クリーンアーキテクチャの意義：Python開発を変える
第2章 SOLID原則：堅牢なPythonアプリケーションを構築する
第3章 Pythonの型システムを使ってクリーンアーキテクチャを強化する

◆Part2 クリーンアーキテクチャをPythonで実装する
第4章 ドメイン駆動設計：コアビジネスロジックを構築する
第5章 アプリケーション層：ユースケースのオーケストレーション
第6章 インターフェイスアダプター層：コントローラーとプレゼンター
第7章 フレームワーク＆ドライバー層：外部インターフェイス
第8章 クリーンアーキテクチャによるテストパターンの実装

◆Part3 クリーンアーキテクチャをPythonで適用する
第9章 Web UIの追加：クリーンアーキテクチャのインターフェイスの柔軟性
第10章 可観測性の実装：監視と検証
第11章 レガシーからクリーンへ：保守性を高めるPythonのリファクタリング
第12章 クリーンアーキテクチャの旅：次なるステップ

※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。

100の失敗から学ぶ、
堅牢で効率的なJavaコーディングの鉄則。

Java静的解析エキスパートが見てきた失敗をもとに
現場で役立つ実践知を解説！

本書は、Javaの神様と呼ばれる名著者Joshua Blochや開発者たちが評価し、本棚に置くべき一冊と推す、Java開発本の決定版です。

開発現場でJavaコードと向き合う中、些細なミスが引き起こす深刻なバグが発生すれば、時間と労力を浪費することになるでしょう。

そこで本書は、初級者からプロフェッショナルまでのすべての開発者が「犯しがちな、繰り返し起こり得るミス」に焦点を当てています。それらのミスを事前に回避して時間と労力を無駄にしない具体的なアドバイスを提供する実践的な指南集となっています。

静的解析ツールを活用して、常に優れたJavaコードを提供できるようにする方法、防御的コーディングによってコードをクリーンに保つ方法に加えて、独自のバグ対策プラグインの作成方法なども示します。

著者は、IntelliJ IDEAの開発元JetBrains社のテクニカルリードであり、Javaバイトコードの静的解析ツールの開発にも貢献するなど、静的解析の分野で10年の経験を持つ専門家です。

本書は、実際の現場で遭遇したコードから厳選した100項目の落とし穴をカバーしています。他者の失敗から学ぶことで、「真の現場力」を養うことができます。

※本書は『100 Java Mistakes and How to Avoid Them』（Manning Publications）の翻訳書です。

■本書の構成
第1章 コード品質の管理
第2章 式
第3章 プログラム構造
第4章 数値
第5章 代表的な例外
第6章 文字列
第7章 オブジェクトの比較
第8章 コレクションとマップ
第9章 その他のライブラリメソッド
第10章 単体テスト

付録A 静的解析用アノテーション
付録B 静的解析ツールの拡張

※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。

ソフトウェア設計に対する新たな視点を提供する一冊。
「結合」を活用し、システムの複雑性を管理、モジュール性を高める！
柔軟性の高い進化するシステムを構築。

「結合」とは、モジュール設計における基本概念の1つで、モジュール間の相互作用や依存関係の強さを表します。この「結合」を適切に管理することで、ソフトウェアシステムの保守性や拡張性、ひいては進化性を向上できます。

言い換えれば、ソフトウェアシステムの持続可能な成長には、「結合」の適切な管理が欠かせません。しかし、その重要性にも関わらず、「結合」の概念は深く理解されないまま使われているのが実情です。

本書は、「結合」という概念を現代のソフトウェアエンジニアリングに適応できる形で改めて解説することで、こうした状況に一石を投じます。

本書では、まず構造化設計やオブジェクト指向設計に用いられてきた「結合」に関するモデルや評価手法を包括的に解説します。さらに、複雑性を管理し、モジュール性を高める設計ツールとして「結合」を使用する新たなアプローチを提案します。

ソフトウェアアーキテクトや開発者だけでなく、ソフトウェア設計に関わるすべての人々にとって、ソフトウェア設計に対する新たな視点を提供する一冊です。

【章構成】
■第I部 結合
第1章 結合とシステム設計
第2章 結合と複雑性：クネビン
第3章 結合と複雑性：相互作用
第4章 結合とモジュール性

■第II部 次元
第5章 構造化設計におけるモジュール結合
第6章 コナーセンス
第7章 統合強度
第8章 距離
第9章 変動性

■第III部 バランス
第10章 結合の均衡化
第11章 結合の再均衡化
第12章 ソフトウェア設計のフラクタル幾何学的性質
第13章 均衡結合の実践
第14章 結論
第15章 エピローグ

※本書は『Balancing Coupling in Software Design: Universal Design Principles for Architecting Modular Software Systems』の翻訳書です。

※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。

現場で使えるLLMを構築、本番環境に展開！成功へ導くための包括的なガイド本書では、大規模言語モデル（LLM）を実装し、本番環境にデプロイするためのノウハウを解説。LLMの基礎概念から、実装、デプロイ、運用、管理における複雑な課題とその解決策まで、包括的に取り上げます。まず、LLMの可能性と限界、そして自社構築か既存サービスかの判断基準などから説明。また、運用（LLMOps）に関しては、ダウンロード時間、デプロイ時間、レイテンシー、GPU管理、トークン制限、ハルシネーション、バイアスといった具体的な課題への対策を詳しく解説。データエンジニアリングの重要性にも触れ、成功に不可欠なデータ準備、評価指標、クリーニング、前処理を説明。トレーニングとファインチューニングのほか、効果的なプロンプトエンジニアリングについても具体的に紹介。さらに、Llamaの再実装、Raspberry Piというエッジデバイスへのデプロイ、AIコーディング拡張機能の構築など、読者が自らの手で動かせるようなサンプルプロジェクトを説明します。本書は、LLMの可能性を最大限に引き出し、実際に機能する製品に変えるために必携の一冊となっています。※ 本書は『LLMs in Production: From language models to successful products』（Manning Publications）の翻訳書です。※本書の内容はPythonとPyTorchの知識があることが前提となっています。【章構成】第1章 言葉の覚醒：なぜLLMは注目を浴びたのか第2章 LLM：言語モデリングの本質を探る第3章 LLMOps：LLM向けのプラットフォームを構築する第4章 LLMのためのデータエンジニアリング：成功へのステップ第5章 LLMの訓練：生成モデルの作り方第6章 LLMサービス実践ガイド第7章 プロンプトエンジニアリング：プロンプトの魔術師になる第8章 LLMアプリケーションの構築：インタラクティブな体験を作り出す第9章 LLMプロジェクトの作成：Llama 3を再実装する第10章 AIによるコーディング支援プロジェクト：この機能がもっと早くほしかった第11章 Raspberry Piでのデプロイ：限界に挑戦第12章 本番環境は絶えず変化する：物語はまだ始まったばかり

開発経験に基づくパターン実践の極意!
パターン誕生の背景/エッセンス/適用条件/サンプルを解説。

ゲームプログラミングを含むソフトウェア開発の現場で、デザインパターンをより的確に利用するための解説書。著者は、米国大手ゲーム会社エレクトロニック・アーツでゲーム開発に従事。その経験に基づき、GoFや著者独自のパターンについて考察。より容易に変更できる洗練されたアーキテクチャ、ゲームに求められる実行速度といった視点を重視しつつ、幅広く応用できるパターンやゲーム必須のパターンを取り上げています。本書は、『Game Programming Patterns』の翻訳書です。米国アマゾンで60以上のレビューを集め、その9割が星5つと評価されています（2015年8月）。

【以下、本書イントロダクションより抜粋】
私がこの本で提供したいのは、解決策のメニューのようなものです。この本の各々の章では、単独でコードに適応可能なアイデアを解説しています。役立つものをメニューから選んで組み合わせることができます。

※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。

XAI Pythonライブラリで予測結果を説明。
ブラックボックスからグラスボックスへ。

ビジネス上の意思決定につながる機械学習の予測には、解釈・説明が求められます。
そこで、そうした解釈・説明を行うための手法を紹介していきます。

まず、モデルの説明可能性と解釈可能性の全体像、倫理的に考慮すべき点、
生成された予測のバイアスについて説明します。

次に、LIME、SHAP、Skater、ELI5、skope-rulesといったPythonライブラリを使って、
モデルがなぜそのように予測するのかを探っていきます。

予測モデルとして、線形・非線形モデルのほか、アンサンブルモデル、時系列モデル、
自然言語処理、ディープラーニング、コンピュータービジョンを取り上げます。

本書は解釈・説明のための方法を包括的に取り上げており、
機械学習を実際の現場で活用する方にぜひ手に取っていただきたい一冊です。


【章構成】
第1章 モデルの説明可能性と解釈可能性
第2章 AIの倫理、偏見、信頼性
第3章 線形モデルの説明可能性
第4章 非線形モデルの説明可能性
第5章 アンサンブルモデルの説明可能性
第6章 時系列モデルの説明可能性
第7章 自然言語処理の説明可能性
第8章 What-Ifシナリオを使ったモデルの公平性
第9章 ディープラーニングモデルの説明可能性
第10章 XAIモデルの反実仮想説明
第11章 機械学習での対比的説明
第12章 予測不変性の特定によるモデル不可知の説明
第13章 ルールベースのエキスパートシステムでのモデルの説明可能性
第14章 コンピュータビジョンでのモデルの説明可能性

◎Pythonの文法・ライブラリや機械学習について
標準的な知識を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。

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。

※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。

Rustの各手法や考え方を幅広く解説！
500以上のサンプルとその実行結果も掲載
全24章の包括的なチュートリアル

「この素晴らしいプログラミング言語を本格的に始めるのに最適」
「重要なメモリ管理と強力な型推論機能を紹介するのは簡単ではない」
─（原書への）読者の声

Rustは、C／C++の後継と位置づけられているプログラミング言語で、
性能やメモリ安全性を重視しています。

本書では、まず最小級のサンプルから説明を開始し、その後は、
さまざまな構文や特徴的な振る舞いについて多数のテーマを解説。

関数／メモリの割り当て／オブジェクト指向もカバーしており、
Rustの基礎から包括的に理解するのに役立ちます。

【言語の構文や機能に関するテーマ】
◎整数／浮動小数点演算、◎if・forなどの制御構文、◎ミュータブルとイミュータブル、
◎型推論の仕組み、◎配列／ベクター、◎タプル／構造体／タプル構造体、◎範囲とスライス、
◎パターン照合、◎イテレータ／イテレータアダプタ、◎各コレクションの特長、etc.

【関数に関するテーマ】
◎関数の定義と使い方、◎ジェネリックな関数や型、◎クロージャの定義と使用

【メモリに関するテーマ】
◎メモリの割り当ての仕組み、◎オブジェクトとメモリ

【オブジェクト指向に関するテーマ】
◎データのカプセル化、◎トレイトとジェネリックトレイト、◎デストラクタ、
◎演算子の多重定義、◎静的・動的ディスパッチ、◎オブジェクトの破棄

※本書は『Beginning Rust: Get Started with Rust 2021 Edition』の翻訳書です。
※プログラミングの基礎知識を有していることを前提としています。