ライトノベル、マンガなど電子書籍を読むならBOOK☆WALKER

★機械学習を「工学」として熟成していくために★

【推薦の言葉】
AIブームの3回目は、機械学習技術が牽引してきた。業務や生活の
中で使われるようになるにつれて、現場や社会における課題に直面
している。機械学習工学を生み出した著者らによる本書は、技術と
現場をつなぎ、普及させていくための羅針盤となる貴重な一冊である。
――浦本直彦氏(三菱ケミカルグループ、元・人工知能学会会長)


注目の新領域「機械学習工学」の入門書。まずはこの一冊から始めよう！
機械学習ソフトウェアの開発・テスト・運用の方法論を体系的に俯瞰できる。
開発現場で試行錯誤しているエンジニアはもちろん、エンジニアと協働している人すべてに読んでほしい。

【主な内容】
巻頭言（丸山宏・PFN）

第1部　機械学習工学とは
第1章　機械学習工学（中川裕志・理化学研究所、石川冬樹・国立情報学研究所）

第2部　機械学習システムの開発・運用マネジメント
第2章　機械学習システムの開発とその検証プロジェクト（竹内広宜・武蔵大学）
第3章　機械学習システムの運用（堀内新吾、土橋昌・株式会社エヌ・ティ・ティ・データ）

第3部　機械学習システムの開発技術と倫理
第4章　機械学習デザインパターン（鷲崎弘宜・早稲田大学）
第5章　品質のとらえ方と管理（石川冬樹・国立情報学研究所）
第6章　機械学習モデルの説明法（原聡・大阪大学）
第7章　AI倫理（中川裕志・理化学研究所）

第4部　機械学習と知財・契約
第8章　機械学習と知財・契約（柿沼太一・弁護士法人STORIA）

第5部　機械学習工学の今後
第9章　今後に向けて（石川冬樹・国立情報学研究所）

付録A　模擬裁判の紹介（柿沼太一・弁護士法人STORIA）

◆ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！！◆

・トランスフォーマー、グラフニューラルネットワーク、生成モデルなどをはじめ、各手法を大幅に加筆。
・深層学習のさまざまな課題と、その対策についても詳しく解説。

[本書まえがきより抜粋]
ないもの（＝理論）ねだりをしても仕方がありません．それでも皆が研究を進めるのは，そうすることに意義があるからです．なぜうまく働くのか，なぜそうすべきか，数学的な証明はなくても，正しい説明は必ずあるはずです．それを手にできれば，目の前の課題を解決するのに，また次に進むべき道を知るうえで役に立つでしょう．
そこで本書では，それぞれの方法について，今の時点で最も納得できる説明をきちんと与えることにこだわりました．名前の通った方法であっても，理屈が成り立たない，あるいは役に立たない方法や考え方については，はっきりそう書きました．著者の主観といわれても仕方がない場合もあるかもしれませんが，そのほうが有益であると信じています．
また，現在の深層学習の広がりを把握できるように，定番となった問題・方法に加えて，重要だと思われる問題については，必ずしもそれほど有名でない方法も含めてなるべく網羅するようにしました．その取捨選択には，深層学習が実践的技術であることを踏まえ，実用性を最も重視しました．そこには，この間に著者が企業の実務家たちと行ってきた共同研究での経験が反映されています．

[主な内容]
第1章　はじめに
第2章　ネットワークの基本構造
第3章　確率的勾配降下法
第4章　誤差逆伝播法
第5章　畳み込みニューラルネットワーク
第6章　系列データのためのネットワーク
第7章　集合・グラフのためのネットワークと注意機構
第8章　推論の信頼性
第9章　説明と可視化
第10章　いろいろな学習方法
第11章　データが少ない場合の学習
第12章　生成モデル

「読んでいて本当に心地がいい」と大好評の前著『ベイズ推論による機械学習入門』からの第２弾！　｢深層学習とベイズ統計の融合｣がすべて詰まった ｢欲張り｣本！　基礎からはじめ、深層生成モデルやガウス過程とのつながりまでをていねいに解説した。本邦初の成書！本書のサポートページ：https://github.com/sammy-suyama/BayesianDeepLearningBook　　【主な内容】第1章　はじめに　1.1　ベイズ統計とニューラルネットワークの変遷　1.2　ベイズ深層学習／第2章　ニューラルネットワークの基礎　2.1　線形回帰モデル　2.2　ニューラルネットワーク　2.3　効率的な学習法　2.4　ニューラルネットワークの拡張モデル／第3章　ベイズ推論の基礎　3.1　確率推論　3.2　指数型分布族　3.3　ベイズ線形回帰　3.4　最尤推定，MAP推定との関係／第4章　近似ベイズ推論　4.1　サンプリングに基づく推論手法　4.2　最適化に基づく推論手法／第5章　ニューラルネットワークのベイズ推論　5.1　ベイズニューラルネットワークモデルの近似推論法　5.2　近似ベイズ推論の効率化　5.3　ベイズ推論と確率的正則化　5.4　不確実性の推定を使った応用／第6章　深層生成モデル　6.1　変分自己符号化器　6.2　変分モデル　6.3　生成ネットワークの構造学習　6.4　その他の深層生成モデル／第7章　深層学習とガウス過程　7.1　ガウス過程の基礎　7.2　ガウス過程による分類　7.3　ガウス過程のスパース近似　7.4　深層学習のガウス過程解釈　7.5　ガウス過程による生成モデル

理論は裏切らない！　・強化学習で必要になる数理を広くカバーした。・一貫したていねいな解説なので、じっくり読める。付録・参考文献も充実！・ベルマン方程式、TD学習、方策勾配、POMDP、深層強化学習をより深く！／【おもな内容】　第1章　準備　1.1　強化学習とは　1.2　マルコフ決定過程と逐次的意思決定問題　1.3　方策　1.4　逐次的意思決定問題の定式化　　第2章　プランニング　2.1　準備　2.2　動的計画法　2.3　動的計画法による解法　2.4　線形計画法による解法　第3章　探索と活用のトレードオフ　3.1　概要　3.2　探索と活用のトレードオフ　3.3　方策モデル　　第4章　モデルフリー型の強化学習　4.1　データにもとづく意思決定　4.2　価値関数の推定　4.3　方策と行動価値関数の学習　4.4　収束性　4.5　アクター・クリティック法　第5章　モデルベース型の強化学習　5.1　問題設定の整理　5.2　環境推定　5.3　ブラックボックス生成モデルに対するプランニング　5.4　オンラインのモデルベース型強化学習　第6章　関数近似を用いた強化学習　6.1　概要　6.2　価値関数の関数近似　6.3　方策の関数近似　第7章　部分観測マルコフ決定過程　7.1　部分観測マルコフ決定過程（POMDP）の基礎　7.2　POMDP のプランニング　7.3　POMDP の学習　第8章　最近の話題　8.1　分布強化学習　8.2　深層強化　学習付録A　補足A.1　証明　A.2　ノルム　A.3　線形計画法　A.4　自然勾配法の補足

圧倒的に柔軟なベイズ的回帰モデルであるガウス過程の日本初の入門書。基礎の線形回帰から始め、ガウス過程の原理をゼロからていねいに解説。教師なし学習、実応用など最近の話題まで紹介した。さあ、はじめよう！