サブサンプション

機械学習図鑑

第1章　機械学習の基礎　1.1　機械学習の概要　1.2　機械学習に必要なステップ第2章　教師あり学習　01　線形回帰　02　正則化　03　ロジスティック回帰　04　サポートベクトルマシン　05　サポートベクトルマシン（カーネル法）　06　ナイーブベイズ　07　ランダムフォレスト　08　ニューラルネットワーク　09　kNN第3章　教師なし学習　10　PCA　11　LSA　12　NMF　13　LDA　14　k-means法　15　混合ガウス分布　16　LLE　17　t-SNE第4章　評価方法および各種データの扱い　4.1　評価方法　4.2　文書データの変換処理　4.3　画像データの変換処理第5章　環境構築　5.1　Python3 のインストール　5.2　仮想環境　5.3　パッケージインストール

Windows10 superfetchを無効に設定する方法

・左下にある「①スタート」ボタンを右クリック→「②ファイル名を指定して実行」を左クリック。 ・ボックスに①「services.msc」と入力→「②OK」ボタンを左クリック。※コピペで大丈夫です。 ・「サービス」の画面が開きます。ここで「superfetch」という名前を探していきます。 ・このままだと探しづらいので、名前順に変更するため「名前」を左クリック。 ・ABC順になるのでスクロールしていき「superfetch」を探します。 ・「superfetch」をダブルクリック。 ・「スタートアップの種類」の右にある「文字」を左クリック。 ・項目が表示されるので「無効」を左クリック。 ・最後に下にある「OK」ボタンを左クリックして完了です。 これでsuperfetchが無効になったので、パソコンを再起動してタスクマネージャーからCPUなどの使用率を確認してみましょう。

Windows10の起動が遅い原因と対処法

Microsoft Compatibility TelemetryとはWindows互換性テレメトリー (情報収集) 機能です。つまり、Windows改善のための情報収集機能ですね。ユーザ側からすると特に必要ない機能だと思われます。ということでこれを無効化します。 Microsoft Compatibility Telemetry無効化タスクスケジューラー⇒Microsoft⇒Windows⇒Application Experienceを開きます。すると、「Microsoft Compatibility Appraiser」タスクが表示されますので、これを無効にします。「Microsoft Compatibility Appraiser」を右クリックで無効にします。

仕事ではじめる機械学習

仕事ではじめる機械学習 [ 有賀 康顕 ]価格：3024円（税込、送料無料) (2018/9/8時点)第I部1章　機械学習プロジェクトのはじめ方 1.1　機械学習はどのように使われるのか 1.2　機械学習プロジェクトの流れ 1.2.1　問題を定式化する 1.2.2　機械学習をしなくて良い方法を考える 1.2.3　システム設計を考える 1.2.4　アルゴリズムを選定する 1.2.5　特徴量、教師データとログの設計をする 1.2.6　前処理をする 1.2.7　学習・パラメータチューニング 1.2.8　システムに組み込む 1.3　実システムにおける機械学習の問題点への対処方法 1.3.1　人手でゴールドスタンダードを用意して、予測性能のモニタリングをする 1.3.2　予測モデルをモジュール化をしてアルゴリズムのA/Bテストができるようにする 1.3.3　モデルのバージョン管理をして、いつでも切り戻し可能にする 1.3.4　データ処理のパイプラインごと保存する 1.3.5　開発/本番環境の言語/フレームワークは揃える 1.4　機械学習を含めたシステムを成功させるには 1.5　この章のまとめ2章　機械学習で何ができる？ 2.1　どのアルゴリズムを選ぶべきか？ 2.2　分類 2.2.1　パーセプトロン 2.2.2　ロジスティック回帰 2.2.3　SVM 2.2.4　ニューラルネットワーク 2.2.5　k-NN 2.2.6　決定木、ランダムフォレスト、GBDT 2.3　回帰 2.3.1　線形回帰の仕組み 2.4　クラスタリング・次元削減 2.4.1　クラスタリング 2.4.2　次元削減 2.5　その他 2.5.1　推薦 2.5.2　異常検知 2.5.3　頻出パターンマイニング 2.5.4　強化学習 2.6　この章のまとめ3章　学習結果を評価しよう 3.1　分類の評価 3.1.1　正解率を使えば良いのか？ 3.1.2　データ数の偏りを考慮する適合率と再現率 3.1.3　F値でバランスの良い性能を見る 3.1.4　混同行列を知る 3.1.5　多クラス分類の平均のとり方: マイクロ平均、マクロ平均 3.1.6　分類モデルを比較する 3.2　回帰の評価 3.2.1　平均二乗誤差 3.2.2　決定係数 3.3　機械学習を組み込んだシステムのA/Bテスト 3.4　この章のまとめ4章　システムに機械学習を組み込む 4.1　システムに機械学習を含める流れ 4.2　システム設計 4.2.1　混乱しやすい「バッチ処理」と「バッチ学習」 4.2.2　バッチ処理で学習＋予測結果をWebアプリケーションで直接算出する（リアルタイム処理で予測） 4.2.3　バッチ処理で学習＋予測結果をAPI経由で利用する（リアルタイム処理で予測） 4.2.4　バッチ処理で学習＋予測結果をDB経由で利用する（バッチ処理で予測） 4.2.5　リアルタイム処理で学習をする 4.2.6　各パターンのまとめ 4.3　ログ設計 4.3.1　特徴量や教師データに使いうる情報 4.3.2　ログを保持する場所 4.3.3　ログを設計する上での注意点 4.4　この章のまとめ5章　学習のためのリソースを収集しよう 5.1　学習のためのリソースの取得方法 5.2　公開されたデータセットやモデルを活用する 5.3　開発者自身が教師データを作る 5.4　同僚や友人などにデータ入力してもらう 5.5　クラウドソーシングを活用する 5.6　サービスに組み込み、ユーザに入力してもらう 5.7　この章のまとめ6章　効果検証 6.1　効果検証の概要 6.1.1　効果検証までの道程 6.1.2　オフラインで検証しにくいポイント 6.2　仮説検定の枠組み 6.2.1　コインは歪んでいるか 6.2.2　二群の母比率の差の検定 6.2.3　偽陽性と偽陰性 6.3　仮説検定の注意点 6.3.1　繰り返し検定をしてしまう 6.3.2　有意差とビジネスインパクト 6.3.3　複数の検定を同時に行う 6.4　因果効果の推定 6.4.1　ルービンの因果モデル 6.4.2　セレクションバイアス 6.4.3　ランダム化比較試験 6.4.4　過去との比較は難しい 6.5　A/Bテスト 6.5.1　2群の抽出と標本サイズ 6.5.2　A/Aテストによる均質さの確認 6.5.3　A/Bテストの仕組み作り 6.5.4　テストの終了 6.6　この章のまとめ第II部7章　映画の推薦システムをつくる 7.1　シナリオ 7.1.1　推薦システムとは 7.1.2　応用シーン 7.2　推薦システムをもっと知ろう 7.2.1　データの設計と取得 7.2.2　明示的データと暗黙的データ 7.2.3　推薦システムのアルゴリズム 7.2.4　ユーザー間型協調フィルタリング 7.2.5　アイテム間型協調フィルタリング 7.2.6　モデルベース協調フィルタリング 7.2.7　内容ベースフィルタリング 7.2.8　協調フィルタリングと内容ベースフィルタリングの得手・不得手 7.2.9　評価尺度 7.3　MovieLensのデータの傾向を見る 7.4　推薦システムの実装 7.4.1　Factorization Machineを使った推薦 7.4.2　いよいよFactorizatoin Machineで学習する 7.4.3　ユーザーと映画以外のコンテキストも加える 7.5　この章のまとめ8章　Kickstarterの分析、機械学習を使わないという選択肢 8.1　KickstarterのAPIを調査する 8.2　Kickstarterのクローラを作成する 8.3　JSONデータをCSVに変換する 8.4　Excelで軽く眺めてみる 8.5　ピボットテーブルでいろいろと眺めてみる 8.6　達成したのにキャンセルされたプロジェクトを見てみる 8.7　国別に見てみる 8.8　レポートを作る 8.9　今後行いたいこと 8.10　おわりに9章　Uplift Modelingによるマーケティング資源の効率化 9.1　Uplift Modelingの四象限のセグメント 9.2　A/Bテストの拡張を通じたUplift Modelingの概要 9.3　Uplift Modelingのためのデータセット生成 9.4　2つの予測モデルを利用したUplift Modeling 9.5　Uplift Modellingの評価方法、AUUC 9.6　実践的な問題での活用 9.7　Uplift Modelingを本番投入するには 9.8　この章のまとめ

直感 Deep Learning

直感 Deep Learning Python×Kerasでアイデアを形にするレシピ [ Antonio Gulli ]価格：3672円（税込、送料無料) (2018/9/8時点)1章　ニューラルネットワークの基礎 1.1　パーセプトロン 1.1.1　最初のKerasのコードの例 1.2　多層パーセプトロン：最初のネットワークの例 1.2.1　パーセプトロンの学習における問題と解決策 1.2.2　活性化関数：シグモイド 1.2.3　活性化関数：ReLU 1.2.4　活性化関数 1.3　実例：手書き数字認識 1.3.1　one-hotエンコーディング：OHE 1.3.2　Kerasによるシンプルなネットワークの定義 1.3.3　Kerasのシンプルなネットワークを動作させてベースラインとして設定 1.3.4　隠れ層の追加による精度向上 1.3.5　ドロップアウトによる精度向上 1.3.6　最適化アルゴリズムの変更 1.3.7　学習エポックの増加 1.3.8　学習率の制御 1.3.9　内部隠れ層の増加 1.3.10　バッチ計算サイズの増加 1.3.11　手書き数字認識の実験の要約 1.3.12　正則化――過学習を避ける 1.3.13　ハイパーパラメータチューニング 1.3.14　予測結果 1.4　誤差逆伝播法の実践的な全体像 1.5　ディープラーニングのアプローチについて 1.6　まとめ2章　KerasのインストールとAPI 2.1　Kerasのインストール 2.1.1　ステップ1：依存ライブラリのインストール 2.1.2　ステップ2：TensorFlowのインストール 2.1.3　ステップ3：Kerasのインストール 2.2　Kerasの設定 2.3　Docker上へのKerasのインストール 2.4　Keras API 2.4.1　Kerasのアーキテクチャ 2.4.2　事前定義済みのニューラルネットワーク層の概要 2.4.3　事前定義済みの活性化関数の概要 2.4.4　損失関数の概要 2.4.5　評価関数の概要 2.4.6　最適化アルゴリズムの概要 2.4.7　ユーティリティ 2.4.8　モデルの保存と読み込み 2.5　学習過程をカスタマイズするためのコールバック 2.5.1　チェックポイント 2.5.2　TensorBoardの使用 2.5.3　Quiverの使用 2.6　まとめ3章　畳み込みニューラルネットワーク 3.1　畳み込みニューラルネットワークの仕組み 3.1.1　局所受容野（local receptive field） 3.1.2　重みの共有 3.1.3　プーリング層（pooling layer） 3.1.4　CNNについての総括 3.2　CNNの実装例：LeNet 3.2.1　KerasによるLeNetの実装 3.2.2　ディープラーニングの力を理解する 3.3　CIFAR-10の画像認識に挑戦 3.3.1　ネットワークをより深くすることによる改善 3.3.2　Data Augmentationによる改善 3.3.3　学習したモデルを利用し予測する 3.4　大規模な画像認識のための非常に深いネットワーク 3.4.1　組み込みのVGG-16のモデルを使用する 3.4.2　学習済みのモデルを特徴抽出器として活用する 3.4.3　Inception-v3を使用した転移学習 3.5　まとめ4章　GANと WaveNet 4.1　GANとは何か 4.1.1　GANの適用例 4.2　深層畳み込みGAN 4.3　MNISTを偽造するための敵対的なGAN 4.4　CIFAR-10の画像を生成するGANの実装 4.5　WaveNet：音声の生成方法を学習する生成モデル 4.6　まとめ5章　単語分散表現 5.1　分散表現 5.2　word2vec 5.2.1　Skip-gram 5.2.2　CBOW 5.2.3　分散表現の抽出 5.2.4　サードパーティの実装 5.3　GloVe 5.4　事前学習済みベクトルの使用 5.4.1　ゼロから分散表現を学習する 5.4.2　word2vecで学習した分散表現のファインチューニング 5.4.3　GloVeで学習した分散表現のファインチューニング 5.4.4　分散表現の検索 5.5　まとめ6章　リカレントニューラルネットワーク 6.1　SimpleRNNセル 6.1.1　RNNを用いたテキスト生成 6.2　RNNのトポロジー 6.3　勾配消失と勾配爆発 6.4　LSTM 6.4.1　LSTMで評判分析 6.5　GRU 6.5.1　GRUで品詞タグ付け 6.6　双方向RNN 6.7　ステートフルRNN 6.7.1　ステートフルLSTMで電力消費量の予測 6.8　その他のRNNの亜種 6.9　まとめ7章　さまざまなディープラーニングのモデル 7.1　functional API 7.2　回帰を行うネットワークの構築 7.2.1　回帰モデルの実装：大気中のベンゼン濃度の予測 7.3　教師なし学習：自己符号化器 7.3.1　自己符号化器の実装：文ベクトルの作成 7.4　ネットワークを組み合わせる：複合ネットワーク 7.4.1　複合ネットワークの実装：質問回答を行うMemory Network 7.5　Kerasのカスタマイズ 7.5.1　層のカスタマイズ：Lambda層の使用 7.5.2　層のカスタマイズ：カスタムの正規化層を作成する 7.6　生成モデル 7.6.1　生成モデルの実装：Deep Dream 7.6.2　Deep Dreamの応用：スタイルトランスファー 7.7　まとめ8章　AIによるゲームプレイ 8.1　強化学習 8.1.1　将来の報酬を最大化する 8.1.2　Q-learning 8.1.3　ディープニューラルネットワークによるQ関数の実装 8.1.4　探索（exploration）と活用（exploitation）のバランス 8.1.5　Experience Replay（経験の蓄積と活用） 8.1.6　Q-networkの固定 8.1.7　報酬のクリッピング 8.2　ボールキャッチゲームのためのDeep Q-networkの実装 8.3　強化学習を取り巻く状況 8.4　まとめ9章　総括付録A　GPUを考慮した開発環境の構築 A.1　TensorFlowとGPU A.2　具体的なインストール方法：ホスト A.3　具体的なインストール方法：Docker A.4　まとめ

実践 Deep Learning

実践 Deep Learning PythonとTensorFlowで学ぶ次世代の機械学習アルゴリズム [ Nikhil Buduma ]価格：3888円（税込、送料無料) (2018/9/8時点)1章　ニューラルネットワーク 1.1　知的な機械を作るということ 1.2　従来のプログラムの限界 1.3　機械学習のしくみ 1.4　ニューロン 1.5　線形パーセプトロンをニューロンとして表現する 1.6　フィードフォワードニューラルネットワーク 1.7　線形ニューロンとその限界 1.8　シグモイド、tanh、ReLUのニューロン 1.9　ソフトマックス出力層 1.10　まとめ2章　フィードフォワードニューラルネットワークの訓練 2.1　ファストフード店での問題 2.2　勾配降下法 2.3　デルタルールと学習率 2.4　勾配降下法とシグモイドニューロン 2.5　逆伝播のアルゴリズム 2.6　確率的勾配降下法とミニバッチ 2.7　テストデータ、検証データ、過学習 2.8　深層ニューラルネットワークでの過学習の防止 2.9　まとめ3章　TensorFlowを使ったニューラルネットワークの実装 3.1　TensorFlowとは 3.2　他の選択肢との比較 3.3　TensorFlowのインストール 3.4　TensorFlowのVariableの生成と操作 3.5　TensorFlowでの操作 3.6　プレースホルダのテンソル 3.7　TensorFlowでのセッション 3.8　Variableのスコープと共有 3.9　CPUとGPU上でのモデルの管理 3.10　ロジスティック回帰のモデルを記述する 3.11　ログの記録と訓練 3.12　TensorBoardを使って計算グラフと学習を可視化する 3.13　多階層のMNISTモデル 3.14　まとめ4章　勾配降下法を超えて 4.1　勾配降下法での課題 4.2　深層ネットワークの誤差曲面での極小値 4.3　モデルの識別可能性 4.4　深層ネットワークにおける極小値の影響 4.5　誤差曲面上の平坦な領域 4.6　勾配が誤った方向を向く場合 4.7　モーメンタムに基づく最適化 4.8　2次の最適化手法の概要 4.9　適応的な学習率 4.9.1　AdaGrad ――過去の勾配の蓄積 4.9.2　RMSProp ――勾配の指数加重移動平均 4.9.3　Adam ――モーメンタムとRMSPropの組み合わせ 4.10　最適化手法の選択基準 4.11　まとめ5章　畳み込みニューラルネットワーク 5.1　人間の視覚におけるニューロン 5.2　特徴選択の欠陥 5.3　単純な深層ニューラルネットワークにはスケーラビリティがない 5.4　フィルターと特徴マップ 5.5　畳み込み層の完全な表現 5.6　最大プーリング 5.7　畳み込みネットワーク全体の構成 5.8　畳み込みネットワークを使ったMNISTの最終解 5.9　画像の前処理による、さらに頑健なモデル 5.10　バッチ正規化による訓練の高速化 5.11　CIFAR-10用の畳み込みネットワーク 5.12　畳み込みネットワークでの学習の可視化 5.13　畳み込みネットワークを使い、絵画のスタイルを適用する 5.14　他の問題領域への畳み込みネットワークの適用 5.15　まとめ6章　埋め込みと表現学習 6.1　低次元表現の学習 6.2　主成分分析 6.3　オートエンコーダーのアーキテクチャー 6.4　TensorFlowを使ったオートエンコーダーの実装 6.5　頑健な埋め込み表現のためのノイズ除去 6.6　オートエンコーダーの疎性 6.7　入力のベクトルよりもコンテキストに多くの情報が含まれる場合 6.8　Word2Vecフレームワーク 6.9　スキップグラムアーキテクチャーの実装 6.10　まとめ7章　シーケンス分析のモデル 7.1　可変長の入力に対する分析 7.2　neural n-gramによるseq2seq問題へのアプローチ 7.3　品詞タグ付け器の実装 7.4　係り受け解析とSyntaxNet 7.5　ビームサーチとグローバル正規化 7.6　内部状態を持ったディープラーニングのモデルの例 7.7　リカレントニューラルネットワーク 7.8　勾配消失問題 7.9　LSTMユニット 7.10　RNNのモデルのためにTensorFlowが提供するプリミティブ 7.11　センチメント分析のモデルの実装 7.12　RNNを使ってseq2seqの問題に取り組む 7.13　アテンションを使ってRNNを強化する 7.14　ニューラル翻訳ネットワークの分析 7.15　まとめ8章　メモリ強化ニューラルネットワーク 8.1　ニューラルチューリングマシン 8.2　アテンションベースのメモリアクセス 8.3　NTMでのメモリのアドレス管理 8.4　微分可能なニューラルコンピューター 8.5　DNCでの干渉のない書き込み 8.6　DNCでのメモリの再利用 8.7　書き込みの時系列的リンク 8.8　DNCの読み込みヘッドを理解する 8.9　コントローラーのネットワーク 8.10　DNCの動作の可視化 8.11　TensorFlowを使ったDNCの実装 8.12　DNCに読解させる 8.13　まとめ9章　深層強化学習 9.1　Atariのゲームを習得した深層強化学習 9.2　強化学習とは 9.3　マルコフ決定過程（MDP） 9.3.1　方策 9.3.2　利得 9.3.3　割引累積報酬 9.4　探索と利用 9.4.1　ε-貪欲法 9.4.2　ε-貪欲法の改良 9.5　方策学習と価値学習 9.5.1　方策勾配を使った方策学習 9.6　ポールバランシングへの方策勾配の適用 9.6.1　OpenAI Gym 9.6.2　エージェントの作成 9.6.3　モデルとオプティマイザーの作成 9.6.4　行動の抽出 9.6.5　履歴の管理 9.6.6　方策勾配法のメインの関数 9.6.7　ポールバランシングでのPGAgentの性能 9.7　Q学習と深層Qネットワーク 9.7.1　ベルマン方程式 9.7.2　価値の反復での問題点 9.7.3　Q関数の近似 9.7.4　深層Qネットワーク（DQN） 9.7.5　DQNの訓練 9.7.6　学習の安定性 9.7.7　ターゲットQネットワーク 9.7.8　体験の再現 9.7.9　Q関数から方策へ 9.7.10　DQNとマルコフ性の仮定 9.7.11　DQNでのマルコフ性の仮定への対策 9.7.12　DQNによる「ブロックくずし」のプレイ 9.7.13　アーキテクチャー 9.7.14　画面の積み重ね 9.7.15　訓練のセットアップ 9.7.16　ターゲットQネットワークの更新 9.7.17　体験の再現の実装 9.7.18　DQNのメインのループ 9.7.19　「ブロックくずし」でのDQNAgentの成績 9.8　DQNの改善と新たな方向性 9.8.1　深層リカレントQネットワーク（DRQN） 9.8.2　A3C 9.8.3　UNREAL 9.9　まとめ

失敗図鑑 すごい人ほどダメだった!

すごい人ほどダメだった！ 読めば勇気がわいてくる、新しい心の教科書失敗図鑑　すごい人ほどダメだった！ [ 大野正人 ]価格：1296円（税込、送料無料) (2018/9/8時点)ＶＯＬ．１ ライト兄弟 成功にしがみつく 失敗ＶＯＬ．２ 二宮尊徳 にげ出す 失敗ＶＯＬ．３ ココ・シャネル 「イケてない」と言われる 失敗ＶＯＬ．４ ダリ 天才ゆえに死にかける 失敗ＶＯＬ．５ ベーブ・ルース グレる 失敗特集１ プチ失敗図鑑ＶＯＬ．６ 夏目漱石 引きこもる 失敗ＶＯＬ．７ フロイト 人の意見が聞けない 失敗ＶＯＬ．８ 与謝野晶子 正直すぎて炎上した 失敗ＶＯＬ．９ ベートーヴェン 「助けてくれ」と言えない 失敗ＶＯＬ．１０ スティーブ・ジョブズ いばしょを失う 失敗ＶＯＬ．１１ 手塚治虫 悪口を言う 失敗特集２ 失敗相談室その１ＶＯＬ．１２ アインシュタイン 得意なこと以外、まるでダメ 失敗ＶＯＬ．１３ オードリー・ヘプバーン コンプレックスをかかえる 失敗ＶＯＬ．１４ 孔子 理想が高すぎる 失敗ＶＯＬ．１５ ノーベル ナイーブすぎた 失敗ＶＯＬ．１６ ドストエフスキー ギャンブルにハマる 失敗特集３ 失敗相談室その２ＶＯＬ．１７ ピカソ 新しすぎた 失敗ＶＯＬ．１８ 野口英世 調子にのる 失敗ＶＯＬ．１９ 黒澤明 こだわりすぎる 失敗ＶＯＬ．２０ ダーウィン 親の期待をうらぎる 失敗特集４ デカすぎる失敗ＶＯＬ．２１ マッカーサー 相手をバカにする 失敗ＶＯＬ．２２ ウォルト・ディズニー ナメられる 失敗ＶＯＬ．２３ カーネル・サンダース いろいろ 失敗ＶＯＬ．２４ お父さん・お母さん 愛しすぎる 失敗

強化学習マップ

レイティング・ランキングの数理

レイティング・ランキングの数理 No．1は誰か？ [ エイミー・N．ラングヴィル ]価格：5400円（税込、送料無料) (2018/8/16時点)第1章　ランキング入門社会的選択とArrowの不可能性定理Arrowの不可能性定理「いつもの例」とは第2章　Masseyの手法最初のMasseyのレイティング手法Masseyの主な考えMasseyのレイティング手法を使ったいつもの例Masseyのレイティング手法の高度な機能いつもの例：高度なMasseyのレイティング手法Masseyのレイティング手法のまとめ第3章　Colleyの手法いつもの例Colleyのレイティング手法のまとめMasseyの手法とColleyの手法の関連性第4章　Keenerの手法強さとレイティングの規則強さの属性を選ぶLaplaceの継続法則歪ませるべきか歪まさせざるべきか?正規化鶏と卵，どちらが先？レイティング強さ要めの式制約条件Perron-Frobenius重要な性質レイティングベクトルを計算する既約性と原始性を持たせる要約2009―2010のNFLシーズンJim Keener対Bill Jamesバック・トゥ・ザ・フューチャーKeenerはあなたを金持ちにできるだろうか？結論第5章　Eloのシステムエレガントな知恵K因子ロジスティックスのパラメーターξ定数和NFLでのElo後知恵予想の正確さ先見力による予測の正確さ試合の得点を加味するξ = 1000, K = 32, H = 15のときの後知恵予測と先見力による予測可変のK因子をNFLの得点と使用する得点と可変K因子を用いた後知恵予測と先見力による予測試合ごとの分析結論第6章　Markovの手法Markovの手法負けへの投票敗者が得点差を投票する勝者も敗者も失点を投票する試合の得点以外無敗チームの取り扱いMarkovのレイティング手法のまとめMarkovの手法とMasseyの手法の関係第7章　攻撃力・守備力レイティング手法OD手法の目的OD手法の前提さて，どちらが先か？交互精緻化プロセス分離攻撃力・守備力レイティングの組み合わせいつもの例得点とヤード数2009―2010年シーズンのNFLのODレイティングODレイティング手法の数学的解析対角成分Sinkhorn-KnoppOD行列ODレイティングとSinkhorn-Knoppの定理ちょっとだけズルをする第8章　再順序化によるランキングランキング差分いつもの例最適化問題を解く条件を緩めた問題進化的アルゴリズム高度なランキング差分モデルランキング差分法のまとめランキング差分行列の性質レイティング差分いつもの例再順序化問題を解くレイティング差分法のまとめ第9章　ポイントスプレッドポイントスプレッドが意味する所と意味しない所手数料（あるいは，暴利）なぜ，オッズのみを提示しないのか？スプレッド賭博は，どのように行なわれるのか？スプレッドに勝つオーバーアンダー賭けなぜ，レイティングで，スプレッドを予測するのが難しいのか？（スプレッドを予測するための）レイティングを作るためにスプレッドを使うNFL 2009―2010シーズンのスプレッドレイティングいくつかのレイティングシステムの比較他の対の比較結論第10章　ユーザープレファレンスのレイティング直接比較直接比較，プレファレンスグラフ，Markov連鎖重心とMarkov連鎖結論第11章　引分けの扱い入力引分けと，出力引分け引分けを取り込むColleyの手法Masseyの手法Markovの手法OD，Keener，Eloの手法摂動解析からの理論的結果実データセットからの結果映画のランキングNHLのホッケーチームのランキング引分けの導入まとめ第12章　重み付けを組み込む4つの基本的な重み付けのスキーム重み付きMasseyの手法重み付きColleyの手法重み付きKeenerの手法重み付きEloの手法重み付きMarkovの手法重み付きODの手法重み付き差分法第13章　「もしも」シナリオと感応度階数1の更新の効果感応度第14章　ランキング集約―その1Arrowの基準を再びランキング集約方法Bordaカウント平均ランキング模擬試合データランキング集約のグラフ理論法ランキング集約の後の改良処置レイティング集約レイティング集約行列からレイティングベクトルを生成する集約手法の要約第15章　ランキング集約―その2いつもの例BILPを解く当該BILPの多重最適解BILPの線形計画緩和法制約条件緩和法感応度解析限定（限界）（最適化による）ランキング集約方法の要約レイティング差手法，再びレイティング差分手法とランキング集約手法いつもの例第16章　比較の方法2つのランキングされたリストの定性的偏差Kendallのタウ完全リストにおけるKendallのタウ部分リストにおけるKendallのタウ完全リストについてのSpearmanの重み付け物差し部分リストについてのSpearmanの重み付け物差し長さの違う部分リスト評価指標：既知の基準との比較評価指標：集約されたリストとの比較回顧的スコアリング未来の予測学習曲線丘形状までの距離第17章　データMasseyのスポーツデータサーバーPomeroyの大学バスケットボールのデータ独自のデータをスクレイピングする対の比較行列の作成第18章　エピローグ階層分析法Redmondの手法Park-Newmanの手法ロジスティック回帰/Markov連鎖法(LRMC)Hochbaumの手法モンテカルロシミュレーション筋金入りの統計分析その他いろいろ

つくりながら学ぶ！深層強化学習 PyTorchによる実践プログラミング

つくりながら学ぶ！深層強化学習 PyTorchによる実践プログラミング [ 株式会社電通国際情報サービス 小川雄太郎 ]価格：3542円（税込、送料無料) (2018/8/16時点)​プログラムコード​​サポートサイト​強化学習、さらにディープラーニングを組み合わせた深層強化学習DQN(Deep Q-Network)という用語を目にする機会が増えています。本書は関連の概念を分かりやすく解説しつつ、Python+PyTorchで「倒立振子課題」「迷路を解くプログラム」「ブロック崩しの攻略」を実装していきます。第1章「強化学習の概要」では機械学習とその3分類(教師あり学習、教師なし学習、強化学習)について紹介します。第2章「迷路課題に強化学習を実装しよう」では、簡単な強化学習(方策勾配法、Sarsa、Q学習)のコードをひとつずつ実装しながら、強化学習のアルゴリズムと実装方法を理解します。迷路を最短ルートでゴールするよう強化学習させます。第3章「倒立振子課題に強化学習を実装しよう」では、2章で学んだ強化学習の基本をより複雑な課題への適用します。倒立振子とは、“ほうきを手のひらの上に立てる"遊びと同じ内容でその制御ルールを強化学習させます。Anacondaを用いたセットアップ方法も解説します。第4章「Pytorchでディープラーニングを実装しよう」では、ディープラーニングの内容を理解し、PyTorchで実装します。ニューラルネットワークとディープラーニング発展の歴史、学習フェイズと推論フェイズについて解説。最後に手書き数字の画像を分類するMNIST課題を実装解説します。第5章「深層強化学習DQNを実装しよう」では、強化学習にディープラーニングを組み合わせた“深層強化学習"を理解し、DQNを実装できるようにします。第3章の倒立振子課題に対してDQNを実装します。第6章「深層強化学習の発展版を実装しよう」では、新しい深層強化学習の手法、Double-DQN、Dueling Network、Prioritized Experience Replay、そしてA3C、A2Cを理解し、実装できるようにします。第7章「AWSのGPU環境でブロック崩しを実装しよう」では、ブロック崩しゲームを対象に深層強化学習のA2Cを実装します。実行環境としてAmazonのクラウドサービスAWSのGPU環境を使用する方法も解説します。 第1章 強化学習の概要- 1.1 機械学習の分類（教師あり学習、教師なし学習、強化学習）- 1.2 強化学習・深層強化学習の歴史- 1.3 深層強化学習の応用事例第2章 迷路課題に強化学習を実装しよう- 2.1 Try Jupyterの使い方- 2.2 迷路とエージェントを実装- 2.3 方策反復法の実装- 2.4 価値反復法の専門用語を整理- 2.5 Sarsa法の実装- 2.6 Q学習の実装第3章 倒立振子課題に強化学習を実装しよう- 3.1 ローカルPCに強化学習の実装・実行環境を整える方法- 3.2 倒立振子課題「CartPole」の解説- 3.3 多変数・連続値で示される状態の表形式表現- 3.4 Q学習の実装第4章 PyTorchでディープラーニングを実装しよう- 4.1 ニューラルネットワークとディープラーニングの歴史- 4.2 ディープラーニングの計算手法を解説- 4.3 PyTorchで手書き数字画像の分類課題MNISTを実装第5章 深層強化学習DQNを実装しよう- 5.1 深層強化学習DQN（Deep Q-Network）の解説- 5.2 DQNの実装に重要な4つの工夫- 5.3 DQNの実装（前半）- 5.4 DQNの実装（後半）第6章 深層強化学習の発展版を実装しよう- 6.1 深層強化学習のアルゴリズムマップ- 6.2 DDQN（Double-DQN）の実装- 6.3 Dueling Networkの実装- 6.4 Prioritized Experience Replayの実装- 6.5 A2Cの実装第7章 AWSのGPU環境でブロック崩しを実装しよう- 7.1 ブロック崩しゲーム「Breakout」の解説- 7.2 AWSでGPUを使用したディープラーニング実行環境を整える方法- 7.3 Breakoutの学習に重要な4つの工夫- 7.4 A2Cの実装（前半）- 7.5 A2Cの実装（後半）

進化計算アルゴリズム入門

進化計算アルゴリズム入門 生物の行動科学から導く最適解 [ 大谷　紀子 ]価格：2916円（税込、送料無料) (2018/8/16時点)第1章　最適化問題と進化計算アルゴリズム1.1 最適化問題1.2 解候補数による難易度1.3 最適解探索の手法1.4 進化計算アルゴリズム第2章　遺伝的アルゴリズム2.1 生物の進化2.2 解表現と基本アルゴリズム2.3 親個体の選択2.4 交叉2.5 突然変異2.6 進化戦略2.7 巡回セールスマン問題への適用2.8 グレイコード2.9 プログラムの実装例第3章　アントコロニー最適化3.1 アリの採餌行動3.2 基本アルゴリズム3.3 経路選択3.4 フェロモンの分泌と更新3.5 プログラムの実装例第4章　人工蜂コロニーアルゴリズム4.1 ミツバチの採餌行動4.2 解表現と基本アルゴリズム4.3 収穫バチフェーズ4.4 追従バチフェーズ4.5 偵察バチフェーズ4.6 プログラムの実装例第5章　粒子群最適化5.1 鳥や魚の群れ5.2 解表現と基本アルゴリズム5.3 粒子の速度と位置5.4 プログラムの実装例第6章　ホタルアルゴリズム6.1 ホタルの発光行動6.2 解表現と基本アルゴリズム6.3 ホタルの移動6.4 プログラムの実装例第7章　コウモリアルゴリズム7.1 コウモリの反響定位7.2 解表現と基本アルゴリズム7.3 コウモリの移動7.4 プログラムの実装例第8章　カッコウ探索8.1 托卵8.2 レヴィフライト8.3 解表現と基本アルゴリズム8.4 レヴィフライトによる卵の生成8.5 プログラムの実装例第9章　ハーモニーサーチ9.1 音楽家の即興演奏9.2 解表現と基本アルゴリズム9.3 ハーモニーの生成9.4 プログラムの実装例

ルパン三世ベストセレクション

2017年12月1位「さらば愛しきルパンよ」（ルパン三世PART2　第155話）2位「死の翼アルバトロス」（ルパン三世PART2　第145話）3位「十三代五ヱ門登場」（ルパン三世PART1　第5話）4位「脱獄のチャンスは一度」（ルパン三世PART1　第4話）5位「ルパンは燃えているか・・・・？！」（ルパン三世PART1　第1話）6位「荒野に散ったコンバット・マグナム」（ルパン三世PART2　第99話）7位「五右ェ門危機一髪」（ルパン三世PART2　第112話）8位「ルパン三世颯爽登場」（ルパン三世PART2　第1話）9位「五右ェ門無双」（ルパン三世PARTⅢ　第5話）10位「友よ深く眠れ」（ルパン三世PARTⅢ　第24話）11位「父っつあんのいない日」（ルパン三世PART2　第98話）12位　「ツタンカーメン三千年の呪い」（ルパン三世PART2　第7話）13位　「ターゲットは555Ｍ」（ルパン三世PART2　第148話）14位　「魔術師と呼ばれた男」（ルパン三世PART1　第2話）15位　「ルパンは二度死ぬ」（ルパン三世PART2　第32話）16位　「金塊はルパンを呼ぶ」（ルパン三世PARTⅢ　第1話）17位　「タイムマシンに気をつけろ！」（ルパン三世PART1　第13話）18位　「華麗なるチームプレー作戦」（ルパン三世PART2　第137話）19位　「原潜イワノフの抹殺指令」（ルパン三世PARTⅢ　第50話）20位　「父っつあん大いに怒る」（ルパン三世PARTⅢ　第37話）21位　「とっつあんの惚れた女(ひと)」（ルパン三世PART2 第69話）22位　「バラとピストル」（ルパン三世PART2 第26話）23位　「ボクたちのパパは泥棒」（ルパン三世PARTⅢ 第44話）24位　「さらば愛しき魔女」（ルパン三世PART1 第3話）【30位までにランクイン】「父っつあんが養子になった日」（ルパン三世PARTⅢ 49話）「殺し屋はブルースを歌う」（ルパン三世PART1 9話）「７番目の橋が落ちるとき」（ルパン三世PART1 11話）「五右ェ門の復讐」（ルパン三世PART2 21話）「国境は別れの顔」（ルパン三世PART2 58話）「次元と帽子と拳銃と」（ルパン三世PART1 152話）

もう一度　倫敦巴里

和田誠の戯作・贋作大全集。これが遊びの神髄だ！もう一度倫敦巴里 [ 和田誠（イラストレーター） ]価格：2376円（税込、送料無料) (2018/7/20時点)

最後の一行と冒頭の一行が同じ小説

①フーコーの振り子（ウンべルト・エーコー） ②ドグラ・マグラ（夢野久作）……ブウウウ――ンン――ンンン…………。 ③重力ピエロ（伊坂幸太郎） ④コルセット（姫野カオルコ） ⑤絡新婦の理（京極夏彦）

将棋AIで学ぶディープラーニング

将棋AIで学ぶディープラーニング [ 山岡忠夫 ]​サンプルコード​第Ⅰ部　導入編第1章 コンピュータ将棋について1.1 コンピュータ将棋の歴史1.2 コンピュータ将棋とディープラーニング1.3 コンピュータ将棋の大会第II部　理論編第2章 コンピュータ将棋のアルゴリズム2.1 ゲーム木2.2 ミニマックス法2.3 評価関数2.4 αβ法2.5 評価関数の機械学習2.6 強化学習2.7 まとめ第3章 コンピュータ囲碁のアルゴリズム3.1 コンピュータ囲碁の課題3.2 モンテカルロ法3.3 モンテカルロ木探索3.4 マルチアームドバンディット問題3.5 UCTアルゴリズム3.6 まとめ第4章 AlphaGoの手法4.1 方策ネットワーク(policy network)4.2 価値ネットワーク(value network)4.3 AlphaGoの探索アルゴリズム4.4 AlphaGo Zeroの手法4.5 AlphaZeroの登場4.6 まとめ第5章 ディープラーニングについて5.1 ニューラルネットワーク5.2 ニューラルネットワークの学習5.3 分類問題と回帰問題5.4 畳み込みニューラルネットワーク5.5 ディープラーニングの将棋AIへの応用5.6 まとめ第III部　実践編第6章 ディープラーニングフレームワーク6.1 ディープラーニングフレームワークについて6.2 フレームワークの選択6.3 GPU6.4 インストール6.5 サンプル実行6.6 Chainerの基本第7章 方策ネットワーク(policy network)7.1 ソースコードの構成7.2 モジュールインストール7.3 方策ネットワークの構成7.4 方策ネットワークの実装7.5 訓練データの準備7.6 python-shogi7.7 共通処理の実装7.8 学習処理の実装7.9 学習実行第8章 将棋AIの実装8.1 ソースコードの構成8.2 USIエンジン8.3 USIエンジンの実装8.4 コマンドラインからテスト8.5 GUIソフトに登録できるようにする8.6 USIエンジンに登録8.7 対局8.8 ソフトマックス戦略8.9 まとめ第9章 学習テクニック9.1 ハイパーパラメータの調整9.2 最適化手法9.3 Batch Normalization第10章 価値ネットワーク(value network)10.1 ソースコードの構成10.2 価値ネットワークの構成10.3 価値ネットワークの実装10.4 学習処理の実装10.5 学習実行10.6 「1手」探索のAI作成10.7 USIエンジンに登録10.8 対局10.9 まとめ第11章 学習テクニック その211.1 転移学習11.2 マルチタスク学習11.3 Residual Network第12章 モンテカルロ木探索12.1 ソースコードの構成12.2 ハッシュ12.3 モンテカルロ木探索の実装12.4 テスト12.5 対局12.6 並列化12.7 まとめ第13章 さらに発展させるために13.1 C++による高速化13.2 大規模学習13.3 終盤の課題

５分後に驚愕のどんでん返し

5分後に驚愕のどんでん返し （5分シリーズ） [ エブリスタ ]私は能力者 先見の明 記憶喪失 花火が彩る夜に負けられない戦いへ 言葉（メッセージ） 僕と先輩と秘密の図書室 透明人間になるまでに ５秒マン 橋 中毒 隣家の秘密

5分後に涙のラスト

5分後に涙のラスト （5分シリーズ） [ エブリスタ ]不変のディザイア 無為の鐘 蝶は羽ばたいたか きみにクローバーの花束を コンビニ物語～カウントダウンシガレット～ おなじ話 位置について、よーい 喫茶店の紳士

5分後に感動のラスト

5分後に感動のラスト （5分シリーズ） [ エブリスタ ]ぼくが欲しかったもの。ずっと……。ビューティフル・ドリーマー王子と姫格闘ゲームの憂鬱噓君と僕の二百年の恋病隣の家のホームレス

５分後に恋するラスト

5分後に恋するラスト （5分シリーズ） [ エブリスタ ]あふれる放課後スピーチ論理主義な恋人たち花火が散る、その瞬間は半分な私の恋カフェモカ今宮とツン女。ウソのち失恋メイドくんと執事ちゃん奇跡観測

わかるPython

わかるPython［決定版］ [ 松浦 健一郎 ]​サンプルコード​機械学習、ディープラーニング、科学技術計算といった、Pythonが利用されている分野についての解説を掲載しています。Part1 基礎編Chapter1 Pythonの基礎知識1.1 Pythonとは1.2 Python の入手とインストールChapter2 はじめてのPythonプログラミング2.1 Python の基本の「き」2.2 変数2.3 数値2.4 文字列Chapter3 Pythonの基本文法3.1 関数の基本と文字列の操作3.2 リストChapter4 制御構文4.1 for文～繰り返し4.2 if文～条件分岐4.3 メンバーシップ・テスト演算子4.4 論理演算子4.5 while文～条件に基づく繰り返し4.6 range関数とreversed関数4.7 for 文やwhile 文のelse部4.8 pass文Chapter5 関数の定義と変数のスコープ5.1 関数を定義する5.2 変数のスコープChapter6 さまざまなデータ構造6.1 タプル6.2 集合6.3 辞書6.4 内包表記6.5 ジェネレータ式Chapter7 オブジェクト指向の基本と発展的な機能7.1 オブジェクト指向プログラミング7.2 例外処理7.3 発展的な機能Chapter8 標準ライブラリを使ってみよう8.1 標準ライブラリ8.2 モジュール8.3 日時を扱うモジュール8.4 プログラムの実行時間を計測する8.5 コマンドライン引数を受け取る8.6 キーボードからの入力を受け取る8.7 ファイルの入出力8.8 JSONを利用したデータ交換8.9 正規表現を扱うPart2 実践編Chapter9 実践的なプログラミングのための準備9.1 サンプルファイルの使い方9.2 パッケージの基本9.3 パッケージのインストールChapter10 機械学習10.1 機械学習の基礎知識10.2 機械学習の仕組み10.3 scikit-learnのインストールと画像データの入手10.4 ロジスティック回帰による機械学習プログラミングChapter11 ニューラルネットワーク11.1 ニューラルネットワークの仕組み11.2 数字を認識するニューラルネットワークChapter12 ディープラーニング12.1 畳み込みニューラルネットワーク12.2 数字を認識するディープニューラルネットワークChapter13 ライブラリを活用した科学技術計算13.1 NumPy による科学技術計算13.2 SciPyによる科学技術計算Chapter14 Webアプリケーションの作成14.1 Webの仕組み

Pythonによる統計分析入門

Pythonによる統計分析入門 [ 山内長承 ]​サンプルコード​第1章　統計とPython第2章　Python のプログラミングルール第3章　記述統計～平均と分散第4章　推測統計（１）～確率と確率分布第5章　推測統計（２）～サンプリングと推定第6章　推測統計（３）～統計的仮説検定第7章　多次元データの解析（１）　～　２つの量の関係第8章　多次元データの解析（２）　～　少ない次元で説明する

現場で使える！TensorFlow開発入門

現場で使える！TensorFlow開発入門　Kerasによる深層学習モデル構築手...​サンプルコード​第1部 基本編第１章 機械学習ライブラリTensorFlowとKeras第２章 開発環境を構築する第３章 簡単なサンプルで学ぶTensorFlowの基本第４章 ニューラルネットワークとKeras第５章 KerasによるCNNの実装第６章 学習済みモデルの活用第７章 よく使うKerasの機能第2部 応用編第８章 CAEを使ったノイズ除去第９章 自動着色第10章 超解像第11章 画風変換第12章 画像生成

Pythonではじめるデータラングリング

Pythonではじめるデータラングリング データの入手、準備、分析、プレゼンテー...​サンプルコード​1章　Python入門1.1　なぜ Pythonなのでしょうか1.2　Pythonを始めましょう1.2.1　Pythonのバージョンは3.6にします1.2.2　手持ちのマシンに Pythonをインストールします1.2.3　Pythonの試運転1.2.4　pipのインストール1.2.5　コードエディタのインストール1.2.6　オプション： IPythonのインストール1.3　まとめ2章　Pythonの基礎2.1　基本データ型2.1.1　文字列2.1.2　整数と浮動小数点数2.2　データコンテナ2.2.1　変数2.2.2　リスト2.2.3　辞書2.3　さまざまなデータ型ができること2.3.1　文字列メソッド：文字列ができること2.3.2　数値メソッド：数値ができること2.3.3　リストメソッド：リストができること2.3.4　辞書メソッド：辞書ができること2.4　役に立つツール： type、dir、help2.4.1　type2.4.2　dir2.4.3　help2.5　今までの復習2.6　今までに学んだことの意味2.7　まとめ3章　機械が読み出すためのデータ3.1　CSVデータ3.1.1　CSVデータのインポート方法3.1.2　コードのファイルへの保存 .コマンドラインからの実行3.2　JSONデータ3.2.1　JSONデータのインポート方法3.3　XMLデータ3.3.1　XMLデータのインポート方法3.4　まとめ4章　Excelファイルの操作4.1　Pythonパッケージのインストール4.2　Excelファイルのパース4.3　パースの実際4.4　まとめ5章　PDFとPythonによる問題解決5.1　PDFは使わないで！5.2　プログラムによる PDFのパース5.2.1　slateを使ったファイルのオープンと読み出し5.2.2　PDFからテキストへの変換5.3　pdfminerを使った PDFのパース5.4　問題解決のための方法5.4.1　実践：テーブル抽出で使える別のライブラリのテスト5.4.2　実践：データの手作業によるクリーンアップ5.4.3　実践：ほかのツール5.5　一般的ではないファイルの種類5.6　まとめ6章　データの獲得と格納6.1　すべてのデータが同じように作られているわけではないこと6.2　事実確認6.3　読みやすさ、クリーンさ、持続性6.4　データをどこで探すかということ6.4.1　電話の使い方6.4.2　アメリカ連邦政府のデータ6.4.3　世界中の国、都市の情報公開6.4.4　各種機関、 NGO（非政府組織）のデータ6.4.5　教育と大学のデータ6.4.6　医療および科学データ6.4.7　クラウドソーシングデータと API6.5　ケーススタディ：データ収集の例6.5.1　エボラ6.5.2　鉄道の安全性6.5.3　サッカー選手の収入6.5.4　児童労働6.6　データの保存：いつ、なぜ、どのように6.7　データベース：簡単な紹介6.7.1　リレーショナルデータベース： MySQLと PostgreSQL6.7.2　非リレーショナルデータベース： NoSQL6.7.3　Pythonによるローカルデータベースの設定6.8　単純なファイルを使うべきとき6.8.1　クラウドストレージと Python6.8.2　ローカルストレージと Python6.9　その他のデータストレージ6.10　まとめ7章　データのクリーンアップ：調査、マッチング、整形7.1　データをクリーンアップする理由7.2　データクリーンアップの基礎7.2.1　データクリーンアップのための値の確認7.2.2　データの整形7.2.3　外れ値や不良データの検出7.2.4　重複の検出7.2.5　ファジーマッチング7.2.6　正規表現マッチング7.2.7　重複するレコードの処理方法7.3　まとめ8章　データのクリーンアップ：標準化とスクリプト化8.1　データの正規化と標準化8.2　データの保存8.3　プロジェクトにとって適切なデータクリーンアップ方法の決め方8.4　クリーンアップ処理のスクリプト化8.5　新しいデータによるテスト8.6　まとめ9章　データの探究と分析9.1　データの探究9.1.1　データのインポート9.1.2　テーブル関数による探究9.1.3　多くのデータセットの結合9.1.4　相関関係の検出9.1.5　外れ値の検出9.1.6　グループの作成9.1.7　さらなる探究9.2　データの分析9.2.1　データの分割と焦点の絞り込み9.2.2　データは何を語っているのか9.2.3　結論の描き方9.2.4　結論の記録方法9.3　まとめ10章　データのプレゼンテーション10.1　ストーリーテリングの落とし穴10.1.1　どのようにストーリーを語るかについて10.1.2　聞き手を知ること10.2　データのビジュアライズ10.2.1　グラフ10.2.2　時間関連データ10.2.3　地図10.2.4　対話的プレゼンテーション10.2.5　文章10.2.6　イメージ、ビデオ、イラスト10.3　プレゼンテーションツール10.4　データの公開10.4.1　既存サイトの利用10.4.2　オープンソースプラットフォーム：新しいサイトの開設10.4.3　Jupyter（元の IPython Notebooks）10.5　まとめ11章　ウェブスクレイピング：ウェブからのデータの獲得と保存11.1　何をどのようにスクレイピングするかについて11.2　ウェブページの分析11.2.1　Inspection：マークアップの構造11.2.2　Network/Timeline：ページがどのようにロードされるか11.2.3　Console：JavaScriptの操作11.2.4　ページの深い分析11.3　ページの取得：インターネットにリクエストを送る方法11.4　Beautiful Soupによるウェブページのパース11.5　LXMLによるウェブページのパース11.5.1　XPathを使う理由11.6　まとめ12章　高度なウェブスクレイピング：スクリーンスクレイパーとスパイダー12.1　ブラウザベースのパース12.1.1　Seleniumによる画面の読み出し12.1.2　Ghost.pyによる画面の読み出し12.2　ウェブのスパイダリング12.2.1　Scrapyによるスパイダーの構築12.2.2　Scrapyによるウェブサイト全体のクロール12.3　 ネットワーク：インターネットの仕組みとそれによってスクリプトに問題が起こる理由12.4　 変化するウェブ（またはスクリプトが動かなくなる理由）12.5　 注意すべきこと12.6　 まとめ13章　API13.1　 APIの特徴13.1.1　REST APIとストリーミング API13.1.2　容量制限13.1.3　データ層13.1.4　APIキーとトークン13.2　 Twitterの REST APIからの単純なデータの取得13.3　 Twitterの REST APIからの高度なデータ収集13.4　 Twitterのストリーミング APIからの高度なデータ収集13.5　 まとめ14章　自動化とスケーリング14.1　 自動化の理由14.2　 自動化のためのステップ14.3　 起こり得る問題14.4　 自動化スクリプトを実行すべき場所14.5　 自動化のためのスペシャルツール14.5.1　ローカルファイル、 argv、設定ファイルの使い方14.5.2　データ処理のためのクラウドの使い方14.5.3　並列処理の使い方14.5.4　分散処理の使い方14.6　 単純な自動化14.6.1　cronジョブ14.6.2　ウェブインターフェイス14.6.3　Jupyterノートブック14.7　 大規模な自動化14.7.1　Celery：キューベースの自動化14.7.2　Ansible：運用の自動化14.8　自動化のモニタリング14.8.1　Pythonのロギング14.8.2　自動メッセージの追加14.8.3　アップロード、その他の報告の方法14.8.4　Logging and Monitoring as a Service14.9　絶対安全なシステムはない14.10　まとめ15章　終わりに15.1　データラングラーの義務15.2　データラングリングを越えて15.2.1　より優秀なデータアナリストになるために15.2.2　より優秀な開発者になるために15.2.3　より優秀なビジュアルストーリーテラーになるために15.2.4　より優秀なシステムアーキテクトになるために15.3　ここからどこに進むべきか付録A　本書で触れた言語との比較A.1　C、C++、Javaと PythonA.2　R、MATLABと PythonA.3　HTMLとPythonA.4　JavaScriptとPythonA.5　Node.jsと PythonA.6　Ruby、Ruby on Railsと Python付録B　初心者向けのオンライン教材とオフライングループB.1　オンライン教材B.2　オフライングループ付録C　コマンドライン入門C.1　bashC.1.1　ファイルシステム内の移動C.1.2　ファイルの変更C.1.3　ファイルの実行C.1.4　コマンドラインによる検索C.1.5　参考資料C.2　Windowsの CMD/PowerShellC.2.1　ファイルシステム内での移動C.2.2　ファイルの変更C.2.3　ファイルの実行C.2.4　コマンドラインによる検索C.2.5　参考資料付録D　高度な構成の Pythonの設定D.1　ステップ1：GCCのインストールD.2　ステップ2：（Macのみ） HomebrewのインストールD.3　ステップ3：（Macのみ） Homebrewの位置の PATHへの追加D.4　ステップ4：PythonのインストールD.5　ステップ5：venvD.6　ステップ6：新しいディレクトリの設定D.7　新しい環境についての練習（ Windows、Mac、Linux）D.8　高度な設定のまとめ付録E　Pythonのなるほど集E.1　空白万歳E.2　恐ろしい GILE.3　=、==、isの違いと copyを使うべきときE.4　関数のデフォルト引数E.5　Pythonのスコープと組み込み関数、メソッド：変数名の重要性E.6　オブジェクトの定義と変更E.7　イミュータブルなオブジェクトの変更E.8　型チェックE.9　複数の例外のキャッチE.10　デバッグの力付録F　IPythonのヒントF.1　IPythonを使う理由F.2　IPythonをインストールして動かしてみましょうF.3　マジックコマンドF.4　最後に：より単純なターミナル付録G　AWSの使い方G.1　AWSサーバーの立ち上げG.1.1　AWSステップ1：Amazonマシンイメージ（ AMI）の選択G.1.2　AWSステップ2：インスタンスタイプの選択G.1.3　AWSステップ7：インスタンス作成の確認G.1.4　AWSの最後の質問：既存のキーペアを選択するか、新しいキーペアを作成しますG.2 AWSサーバーへのログインG.2.1　インスタンスのパブリックDNS名の取得G.2.2　プライベートキーの準備G.2.3　サーバーへのログインG.2.4　まとめ

人工知能はいかにして強くなるのか

人工知能はいかにして強くなるのか？　対戦型AIで学ぶ基本のしくみ （ブルーバック...第1章　AlphaGoの大快挙第2章　基本的なこと－－対戦型AIの内部について理解しようとする前に知っておくべきこと　2.1　AIや機械学習とは何であるかを知ろう　2.2　回帰分析と判別分析がどんなものであるかを知ろう　2.3　主成分分析とはどんなものなのか　2.4　深層学習とは何か　2.5　画像データを識別する　2.6　レイティングについて　2.7　評価関数について第3章　完全解析の仕方　3.1　完全解析入門　3.2　完全解析の基本とそのコツ　3.3　完全解析の歴史を少々――世界を驚嘆させた出来事　3.4　枝刈りとハッシュ表とは　3.5　ミニマックス・アルゴリズムとは　3.6　α-β枝刈りとは　3.7　行きつ戻りつ第4章　チェッカーで人類を超える　4.1　チェッカーのゲームの仕方　4.2　チェッカープログラムの黎明期　4.3　サミュエルの方法　4.4　CHINOOK、世界チャンピオンとなる　4.5　「人対マシーン」世界選手権のゲーム第5章　チェスで人類を超える　5.1　チェスのゲームの仕方　5.2　チェスの対戦プログラム第6章　囲碁で人類を超える　6.1　囲碁はどんなゲーム？　6.2　AlphaGoの特色　6.3　AlphaGoの棋風とは　6.4　AlphaGo vs 李世石、５番勝負

これならわかる深層学習入門

機械学習スタートアップシリーズ　これならわかる深層学習入門 （KS情報科学専門書...1　はじめに2　機械学習と深層学習3　ニューラルネット4　勾配降下法による学習5　深層学習の正則化6　誤差逆伝播法7　自己符号化器8　畳み込みニューラルネット9　再帰型ニューラルネット10　ボルツマンマシン11　深層強化学習

ベイズ推論による機械学習入門

機械学習スタートアップシリーズ　ベイズ推論による機械学習入門 （KS情報科学専門...​サンプルコード​1　機械学習とベイズ学習2　基本的な確率分布3　ベイズ推論による学習と予測4　混合モデルと近似推論5　応用モデルの構築と推論

TensorFlowで学ぶ機械学習・ニューラルネットワーク

TensorFlowで学ぶ機械学習・ニューラルネットワーク【電子書籍】[ Nis...​サンプルコード​Part 1では、機械学習とは何か、といった探求と、TensorFlowが果たす重要な役割についてハイライトを当てます。1章では機械学習の用語と理論を紹介し、第2章ではTensorFlowの利用を開始するために必要なことを解説します。 Part 2では、基本的なアルゴリズムについて説明します。3章～6章のそれぞれの章で、回帰、分類、クラスタリング、隠れマルコフモデルについて解説します。これらのアルゴリズムは、機械学習のあらゆる分野で利用できます。 Part 3では、TensorFlowが真のパワーを発揮するニューラルネットワークについてそのベールをはがします。7章～12章では、オートエンコーダー、強化学習、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、シーケンス変換モデルおよびユーティリティーについて紹介します。Part 1　機械学習に必要なもの 1章    機械学習の旅 1.1　機械学習の基礎 1.2　データ表現と特徴 1.3　距離の測定方法 1.4　学習のタイプ 1.5　TensorFlow 1.6　今後の章の概要 1.7　まとめ 2章    TensorFlow の必需品 2.1　TensorFlow の動作を保証する 2.2　テンソルを表す 2.3　演算子の作成 2.4　セッションでの演算子の実行 2.5　Jupyter でのコードの記述 2.6　変数の使用 2.7　変数の保存と読み込み 2.8　TensorBoard を使用したデータの視覚化 2.9 まとめ Part 2　主要な学習アルゴリズム 3章    線形回帰とその先 3.1　公式表記法 3.2　線形回帰 3.3　多項式モデル 3.4　正則化 3.5　線形回帰の活用 3.6　まとめ 4章    クラス分類の簡単な紹介 4.1　正式記法 4.2　性能の測定 4.3　分類に線形回帰を使用する 4.4　ロジスティック回帰の使用 4.5　マルチクラス分類器 4.6　分類の活用 4.7　まとめ 5章    自動的にデータをクラスタリング 5.1　TensorFlow でのファイルの走査 5.2　音声からの特徴抽出 5.3　K 平均クラスタリング 5.4　音声のセグメンテーション 5.5　自己組織化マップを使用したクラスタリング 5.6　クラスタリングの活用 5.7　まとめ 6章    隠れマルコフモデル 6.1　解釈不可能なモデルの例 6.2　マルコフモデル 6.3　隠れマルコフモデル 6.4　前向きアルゴリズム 6.5　ビタビ復号 6.6　隠れマルコフモデルの使用 6.7　隠れマルコフモデルの活用 6.8　まとめ Part 3　ニューラルネットワークの実例 7章    自動エンコーダの中身 7.1　ニューラルネットワーク 7.2　自動エンコーダ 7.3　バッチ訓練 7.4　画像を用いて作業する 7.5　自動エンコーダの応用 7.6　まとめ 8章    強化学習 8.1　正式な概念 8.2　強化学習の適用 8.3　強化学習の実装 8.4　他の強化学習アプリケーションの探求 8.5　まとめ 9章    畳み込みニューラルネットワーク 9.1　ニューラルネットワークの欠点 9.2　畳み込みニューラルネットワーク 9.3　画像の準備 9.4　TensorFlow における畳み込みニューラルネットワークの実装 9.5　パフォーマンスを向上させるためのヒント 9.6　畳み込みニューラルネットワークの応用 9.7　まとめ 10章    再帰型ニューラルネットワーク 10.1　文脈の情報 10.2　再帰型ニューラルネットワークの紹介 10.3　再帰型ニューラルネットワークの実装 10.4　時系列データの予測モデル 10.5　再帰型ニューラルネットワークの応用 10.6　まとめ 11章    シーケンス変換モデルを用いたチャットボット 11.1　分類器とRNN の構築 11.2　 Seq2seq の仕組み 11.3　記号のベクトル表現 11.4　実装の仕上げ 11.5　対話データの収集 11.6　まとめ 12章    効用の特徴と活用 12.1　嗜好モデル 12.2　画像埋め込み 12.3　画像の順位付け 12.4　まとめ 12.5　次にすべきことは？ 付録 インストール ・Docker を使用したTensorFlow のインストール ・Matplotlib のインストール

TensorFlowで学ぶディープラーニング入門

TensorFlowで学ぶディープラーニング入門 畳み込みニューラルネットワーク...​サンプルコード​Chapter 01　TensorFlow入門 1-1　ディープラーニングとTensorFlow 1.1.1　機械学習の考え方 1.1.2　ニューラルネットワークの必要性 1.1.3　ディープラーニングの特徴 1.1.4　TensorFlowによるパラメーターの最適化 1-2　環境準備 1.2.1　CentOS 7での準備手順 1.2.2　Jupyterの使い方 1-3　TensorFlowクイックツアー 1.3.1　多次元配列によるモデルの表現 1.3.2　TensorFlowのコードによる表現 1.3.3　セッションによるトレーニングの実行 Chapter 02　分類アルゴリズムの基礎 2-1　ロジスティック回帰によるニ項分類器 2.1.1　確率を用いた誤差の評価 2.1.2　TensorFlowによる最尤推定の実施 2.1.3　テストセットを用いた検証 2-2　ソフトマックス関数と多項分類器 2.2.1　線形多項分類器の仕組み 2.2.2　ソフトマックス関数による確率への変換 2-3　多項分類器による手書き文字の分類 2.3.1　MNISTデータセットの利用方法 2.3.2　画像データの分類アルゴリズム 2.3.3　TensorFlowによるトレーニングの実施 2.3.4　ミニバッチと確率的勾配降下法 Chapter 03　ニューラルネットワークを用いた分類 3-1　単層ニューラルネットワークの構造 3.1.1　単層ニューラルネットワークによる二項分類器 3.1.2　隠れ層が果たす役割 3.1.3　ノード数の変更と活性化関数の変更による効果 3-2　単層ニューラルネットワークによる手書き文字の分類 3.2.1　単層ニューラルネットワークを用いた多項分類器 3.2.2　TensorBoardによるネットワークグラフの確認 3-3　多層ニューラルネットワークへの拡張 3.3.1　多層ニューラルネットワークの効果 3.3.2　特徴変数に基づいた分類ロジック 3.3.3　補足：パラメーターが極小値に収束する例 Chapter 04　畳み込みフィルターによる画像の特徴抽出 4-1　畳み込みフィルターの機能 4.1.1　畳み込みフィルターの例 4.1.2　TensorFlowによる畳み込みフィルターの適用 4.1.3　プーリング層による画像の縮小 4-2 畳み込みフィルターを用いた画像の分類 4.2.1　特徴変数による画像の分類 4.2.2　畳み込みフィルターの動的な学習 4-3 畳み込みフィルターを用いた手書き文字の分類 4.3.1　セッション情報の保存機能 4.3.2　単層CNNによる手書き文字の分類 4.3.3　動的に学習されたフィルターの確認 Chapter 05　畳み込みフィルターの多層化による性能向上 5-1 畳み込みニューラルネットワークの完成 5.1.1　多層型の畳み込みフィルターによる特徴抽出 5.1.2　TensorFlowによる多層CNNの実装 5.1.3　手書き文字の自動認識アプリケーション 5-2 その他の話題 5.2.1　CIFAR-10（カラー写真画像）の分類に向けた拡張 5.2.2　「A Neural Network Playground」による直感的理解 5.2.3　補足：バックプロパゲーションによる勾配ベクトルの計算 Appendix A　Mac OS XとWindowsでの環境準備方法 B　Python 2の基本文法 C　数学公式

Chainerで作る コンテンツ自動生成AIプログラミング入門

Chainerで作るコンテンツ自動生成AIプログラミング入門 [ 坂本俊之 ]サンプルコード 618kB●CHAPTER 01 ニューラルネットワークとは●CHAPTER 02 Chainerの基礎●CHAPTER 03 超解像画像の作成●CHAPTER 04 画像の自動生成●CHAPTER 05 画像のスタイル変換●CHAPTER 06 文章の自動生成●CHAPTER 07 意味のある文章の自動生成●CHAPTER 08 機械翻訳●CHAPTER 09 画像のキャプションの生成C&R研究所

実践力を身につける Pythonの教科書

​サンプルデータ​実践力を身につける Pythonの教科書 [ クジラ飛行机 ]Chapter 1 Pythonのインストールとプログラムの実行Chapter 1-1プログラミングや PythonについてChapter 1-2 PythonのインストールChapter 1-3 Pythonの対話モードについてChapter 1-4 Python開発環境についてChapter 1-5 エディタで書いたスクリプトを実行しようChapter 2 はじめの一歩 .基本的な文法を学ぼうChapter 2-1 電卓より便利な Pytyon Chapter 2-2 変数についてChapter 2-3 文字列についてChapter 2-4 ユーザーから入力を得る方法Chapter 2-5 制御構文（1）条件分岐についてChapter 2-6 制御構文（2）繰り返しについてChapter 3 リストや関数について － 便利な仕組みを知っておこうChapter 3-1 リストについてChapter 3-2 辞書型についてChapter 3-3 文字列の操作Chapter 3-4 関数の定義と利用Chapter 3-5 無名関数についてChapter 3-6 イテレータとジェネレータについてChapter 3-7 例外処理についてChapter 4 モジュールやパッケージを使ってみようChapter 4-1 モジュールについてChapter 4-2 PyPIのパッケージを使ってみようChapter 4-3 ファイル処理とwith構文Chapter 4-4 コマンドラインツールを作ろうChapter 4-5 正規表現についてChapter 5 実践編 ― Pythonを実践で使おうChapter 5-1デスクトップアプリを作ってみようChapter 5-2 Webアプリを作ってみようChapter 5-3 Webアプリ/1行チャットを作ろうChapter 5-4 機械学習に挑戦してみようChapter 5-5 機械学習でワインの美味しさを判定しようChapter 6 応用編 ― オブジェクト指向についてChapter 6-1 オブジェクト指向についてChapter 6-2 継承についてChapter 6-3 非公開メンバと静的メソッドChapter 6-4 クラスの特殊メソッドについてChapter 6-5 抽象基底クラスとダック・タイピングChapter 6-6 ユニットテストについてChapter 6-7 Webアプリで会員制 Webサイトを作ろう

ゼロからやさしくはじめるPython入門

​サポートページ​ゼロからやさしくはじめるPython入門【電子書籍】[ クジラ飛行机 ]Chapter 1 プログラミングって何だろう？STEP 01 プログラミングの概要を知っておこうSTEP 02 Pythonを使わずにプログラミングを体験してみようSTEP 03 Pythonについて知っておこうSTEP 04 PythonをインストールしようChapter 2 プログラミングをはじめようSTEP 01 プログラムを実行してみようSTEP 02 Pythonで計算してみよう～四則演算STEP 03 変数で計算を分かりやすくしようSTEP 04 画面に文字を表示してみようSTEP 05 単位変換ツールを作ってみようChapter 3 制御構文を使ってみようSTEP 01 プログラミングに必須の制御構文について知っておこうSTEP 02 心理テストを作ってみようSTEP 03 肥満判定テストを作ってみようSTEP 04 カメ競争 － 繰り返しカメを動かしてみようSTEP 05 3回勝負のじゃんけんゲームを作ってみようChapter 4 リストと辞書型を使ってみようSTEP 01 テストの平均点を求めよう～リスト型STEP 02 3択クイズを作ってみよう ～ 2次元のリストSTEP 03 アルファベットの頻出頻度を調べよう ～ 辞書型STEP 04 データを成績順に並び替えようChapter 5 関数を使ってみようSTEP 01 次のオリンピックまであと何日か調べようSTEP 02 今日の天気をWebから取得しよう ～ モジュールを定義STEP 03 郵便番号から住所を調べてみよう ～ ローカル変数Chapter 6 ゲームを作ってみようSTEP 01 図形を描画しようSTEP 02 迷路ゲームを作ろう1 ～ 迷路を表示しようSTEP 03 迷路ゲームを作ろう2 ～ プレイヤーを動かそうSTEP 04 アクションゲームを作ろうChapter 7 機械学習に挑戦してみようSTEP 01 機械学習の概要を知っておこうSTEP 02 機械学習ライブラリをインストールしようSTEP 03 アヤメの分類に挑戦してみようSTEP 04 手書き文字認識をしてみようSTEP 05 写真判定に挑戦してみよう

Pythonによるスクレイピング&機械学習 開発テクニック

クジラ飛行机さんの本はわかりやすい​サンプルコードも、さっと動くものが多いPythonによるスクレイピング＆機械学習開発テクニック BeautifulSo...サンプルコード★0 章　機械学習のためのデータ処理とは0-1　クローリング、スクレイピングそして機械学習ビッグデータはネットにある インターネットは宝の山ブログやSNS - トレンド解析ネットショップ - 商品データベースの利用 金融情報の利用 画像データの利用 行政機関の情報 - オープンデータ辞書情報の利用 著作権切れの作品 - パブリックドメイン機械学習用のデータセットの利用スクレイピングとクローリング〜データの入手と加工スクレイピングとは？クローリングとは？ 機械学習で使えるデータ構造★1 章　クローリングとスクレイピング1-1　データのダウンロードWeb 上の情報を取得する方法urllib.request を使ったダウンロードurlopen() を使ってファイルに保存する方法Web からデータを取得してみよう クライアントの接続情報を表示してみよう任意のパラメーターを付けてリクエストを送信する方法 百人一首を検索するコマンドを自作してみよう1-2　BeautifulSoup でスクレイピングBeautifulSoup でスクレイピングしようBeautifulSoup のインストールBeautifulSoup の基本的な使い方 任意のid で要素を探す方法 複数の要素を取得する - find_all() メソッドDOM 要素の属性についてurlopen() とBeautifulSoup の組み合わせCSS セレクタを使うYahoo! ファイナンスの為替情報を取得してみよう！1-3　CSS セレクタについてHTML の構造確認にはWeb ブラウザーを使おう任意の要素を選択してみよう青空文庫で公開されている夏目漱石の作品一覧を得るCSS セレクタをマスターしようCSS セレクタを抽出する練習をしてみようCSS セレクタで野菜・フルーツを選択しよう正規表現と組み合わせる方法1-4　リンク先を丸ごとダウンロード丸ごとダウンロードを実現するのに必要な処理 相対パスを展開する方法 再帰的にHTML ページを処理すること丸ごとダウンロードするプログラム★2 章　高度なスクレイピング2-1　ログインの必要なサイトからダウンロードHTTP 通信について クッキーについて セッションについてrequests を使ってみようrequestsモジュールのメソッド ログイン時に送信しているデータを調べる2-2　ブラウザーを経由したスクレイピングWeb ブラウザーを遠隔操作するSelenium について画面なしブラウザー「PhantomJS」についてSelenium + PhantomJS の実行環境を整えよう画面キャプチャしてみよう会員制Web サイトにログインしてみようSelenium でスクレイピングする方法Selenium でDOM 要素を選択する方法Selenium で要素に対して行う操作Selenium のドライバに対する操作より詳しいSelenium のマニュアルについてJavaScript を実行してみよう2-3　スクレイピング道場ページからリンク一覧を列挙するURL の一覧を一気にダウンロードする方法タグを解析してCSV ファイルとして出力する SNS で特定ユーザーの作品を全部お気に入りにしよう 2-4　Web API からのデータ取得 Web API とは？ なぜ、Web API が提供されるのか？ Web API のデメリットも確認しておこう Web API を利用しよう - OpenWeatherMap で天気予報 有名なWeb API の紹介 Rakuten Web Service Yahoo! ショッピングWeb API Recruit Web Service ぐるなびAPI 日テレアプリ Web API Twilio - 電話/SMS ぽすたん（郵便番号→住所、住所→郵便番号） OpenWeatherMap - 世界中の天気情報を取得 オープンデータ API 政府統計の総合窓口(e-Stat) 国立国会図書館サーチ J-SHIS 地震ハザードステーション API ハローワークのAPI 観光情報 公共クラウドシステムのAPI 国土交通省が提供する位置参照情報 API 国土交通省による国土数値情報のAPI 国税庁による法人番号システム Web-API 国土交通省土地総合情報システムAPI 2-5　cron と定期的なクローリング 定期的なクローリングについて 定期実行を使うメリットを確認 為替情報を毎日保存しよう cron を仕掛けて毎日一回実行しよう 必要に応じて「nano」エディタをインストール cron の設定を行う「crontab」 cron 実行時の環境変数に注意 crontab の記述方法の詳細 ★3 章　データソースと書式・整形 3-1　Web のデータはさまざまなデータフォーマット テキストデータとバイナリデータ テキストデータにおける注意点 XML の解析 Python でXML の解析 - 地域防災拠点データを読む JSON の解析 JSON の構造 Python でJSON の解析 - 百人一首を読む JSON 形式を書き出す YAML を解析する Python でYAML の読み書き YAML のデータ形式の紹介 CSV/TSV の解析 Python で単純なCSV ファイルを読む Python でcsv モジュールを使う Pandas も使える！ Excel ファイルの解析 Python-Excel をインストールしよう Python でExcel ファイルを読む Python でExcel ファイルに書き込む Pandas を利用してExcel を読み出す方法 3-2　データベースについて データベースについて データの保存にはどのデータベースが向いている？ データベース SQLite - お手軽単体ファイルのデータベース MySQL を使う docker でPython+MySQL の環境を整えよう MySQL を起動してデータベースを作成しよう Python から接続してデータベースを操作しよう TinyDB を使う ★4 章　機械学習 4-1　機械学習とは 機械学習の概要 どのようにして特徴や規則を調べるのか？ 全自動ではない 回帰分析とは？ 機械学習の分類 教師あり学習 教師なし学習 強化学習 機械学習の流れ 機械学習の応用分野 クラス分類 (Classification) グループ分け - クラスタリング (Clustering) 推薦 (Recommendation) 回帰 (Regression) 次元削減(Dimensionality Reduction) 過学習（過剰適合）について 4-2　機械学習はじめの一歩 scikit-learn - 機械学習のフレームワークについて XOR 演算を学習させてみよう フレームワークを利用してプログラムを楽に書く アヤメを品種ごとに分類しよう アヤメデータの入手 機械学習でアヤメの品種を分類しよう 訓練データとテストデータの分割を専用メソッドで 4-3　画像の文字認識 手書き数字の認識 手書き数字データならMNIST 画像データを学習させよう 6万件のフルデータで試してみよう 4-4　外国語の文章を判定 外国語の判定について どのように判定を行うか？ サンプルデータの収集 言語判別のプログラム データごとの分布をグラフにする Web のインターフェイスを付けよう 学習済みのパラメーターを保存するプログラム Web から使える言語判定アプリ 4-5　サポートベクターマシン(SVM) について SVM とは？ SVM を実践で使ってみよう データの分布を確認 SVM の種類について 4-6　ランダムフォレスト ランダムフォレストとは？ ンダムフォレストを使ってみる データを数値に直す際に気をつけること 4-7　データの検証方法について クロスバリデーションについて クロスバデーションを実践しよう scikit-learn のクロスバリデーションを試す グリッドサーチについて ★5 章　深層学習に挑戦しよう 5-1　深層学習とはなにか 深層学習——ディープラーニングについて 従来の画像認識と深層学習の手法の違い ニューラルネットワークについて パーセプトロンについて そしてTensorFlow の世界へ 5-2　TensorFlow のインストール TensorFlow について インストール方法について Ubuntu Linux (Docker) へのインストール Ubuntu Linux へのインストール macOS へのインストール インストールできたかを確認する方法 TensorFlow に簡単な計算をさせてみよう 簡単な計算 5-3　Jupyter Notebook のススメ Jupyter Notebook のセットアップと起動 新規ノートを作成しよう コメントやドキュメントを入力しよう ノートを保存しよう 出力がおかしくなったら Python 以外にも使える データを視覚化してみよう Python のパスは？ グラフに日本語を表示する TensorFlow とともに利用しよう 5-4　TensorFlow の基本を押さえよう TensorFlow の基本 TensorFlow での変数の表現方法 TensorFlow のプレースホルダについて 機械学習に挑戦しよう 5-5　TensorBoard で視覚化しよう TensorBoard の使い方 掛け算を行うコードを視覚化してみよう 変数を使った場合 機械学習を行うプログラムをTensorBoard に表示 TensorBoard を見やすくするために処理をまとめよう 5-6　TensorFlow で深層学習に進もう 深層学習の仕組み 畳み込み層について プーリング層について 全結合層について 深層学習を実践してみよう - MNIST の手書きデータ再び 5-7　Keras でもっと楽に深層学習を実践しよう Keras について Keras のインストール Keras でMNIST を試してみよう Keras で肥満度判定ができるか試してみよう 5-8　Pandas/NumPy を使いこなそう Pandas/NumPy について Pandas/NumPy を使うには DataFrame について 任意のデータの抽出 ソートや反転 データに対する操作 NumPy への変換 Pandas/Numpy のまとめ ★6 章　テキスト解析とチャットボットの作成 6-1　日本語の解析（形態素解析）について 形態素解析について 代表的な形態素解析のライブラリ 利用実績の多い定番ライブラリ「MeCab」 インストールがとにかくな簡単ピュアPython 解析器「Janome」 出現頻度の解析 夏目漱石の「こころ」もカウントしよう 6-2　Word2Vec で文章をベクトル変換しよう Word2Vec について Gensim とインストールについて Gensim のWord2Vec で「こころ」を読む 夏目漱石「こころ」のモデルで遊んでみよう 夏目漱石・太宰治・芥川龍之介の作品をベクトル化しよう 夏目漱石のモデルで遊んでみよう Wikipedia 日本語の全文データを辞書に使ってみよう Wikipedia の全文データで遊んでみよう 6-3　ベイズの定理でテキストを分類しよう テキストの分類に関する考察 ベイズの定理を紹介 ベイズの定理より、条件付き確率について 同時確率と乗法定理（積の法則） ベイズの定理 イーブベイズ分類について ベイジアンフィルタを使ってみよう 6-4　MLP でテキスト分類してみよう MLP でテキスト分類しよう livedoor ニュースコーパスをサンプルとして利用 テキストデータを固定長ベクトルに変換する方法 テキストの分類に挑戦してみよう テキストの分かち書き 単語をID に変換し出現回数を数える MLP でテキストの分類をしよう 6-5　文章の類似度をn-gram で調べよう 文章の類似度を調べることについて レーベンシュタイン距離について Python でレーベンシュタイン距離を計算するプログラム N-gram で類似度を調べよう 6-6　マルコフ連鎖やLSTM で文章を生成しよう マルコフ連鎖とLSTM/RNN について マルコフ連鎖とは マルコフ連鎖を実装してみよう LSTM/RNN について LSTM で文章を生成する 6-7　チャットボットの作成 チャットボット（会話ボット）について チャットボットの仕組み ボットに機械学習を導入する意味 ボットを作ろう チャットボットのプログラムを実行してみよう チャットボットのプログラム ★7 章　深層学習を実践してみよう 7-1　類似画像の検出をしよう 簡単な形状認識 - Average Hash たくさんの画像から類似する画像を検索する 7-2　CNN でCaltech 101 の画像分類に挑戦しよう CNN でカラー画像の分類に挑戦しよう 画像データをPython のデータ型に変換しよう CNN を実践してみよう さらに精度を上げるために 学習済みモデルを保存しよう 7-3　牛丼屋のメニューを画像判定しよう 牛丼判定ができるPC が良いPC である スクレイピングからはじめよう 教師データの作成 - 手作業で牛丼を振り分けよう 画像データを数値データに変換しよう まずはCNN で学習してみる 判定精度を向上させよう コマンドラインで画像を判定できるようにしよう 7-4　OpenCV で顔認識 OpenCV について OpenCV のインストール Python3 用のCV2 モジュールのインストール 顔認識するプログラムを作ってみよう 顔にモザイクをかけよう 7-5　画像OCR - 連続文字認識に挑戦しよう OpenCV でテキスト領域を認識しよう 100 桁の数字で挑戦 数字認識データを作ろう 100 個の数字をMNIST データで認識してみる いろいろな数字フォントを学習させよう ★Appendix　作業の準備と環境構築 Appendix 1　Docker で開発環境を構築しよう Docker とは Docker のインストール Windows10 以下でDocker Toolbox をインストール macOS でDocker Toolbox をインストール Appendix 2　Python + Anaconda の環境を整える Docker が正しく動くか検証 Python + Anaconda のイメージをダウンロード コンテナの状態を保存しよう コンテナの再開について ホストOS のホームディレクトリをマウントしよう

はじめての人工知能 Excelで体験しながら学ぶAI

はじめての人工知能 Excelで体験しながら学ぶAI [ 淺井登 ]価格：2,462円（税込、送料込）​サンプルコード​第1章 人工知能は夢いっぱい1.1 人工知能が人間を超える？1.2 人工知能の研究テーマ1.3 人工知能技術の初歩的な考察第2章 人間の脳を機械で真似る = ニューラルネットワーク体験してみよう　多少ゆがんだ文字でも人工知能なら正しく認識できる～パーセプトロンによる文字認識～体験してみよう　もっとゆがんだ文字でも人工知能なら正しく認識できる～ホップフィールドネットワークによる文字認識～2.1 脳のモデルとニューラルネットワークの考え方2.2 パーセプトロン（Perceptron)2.3 ホップフィールドネットワーク（Hopfield Network）2.4 その他のニューラルネットワーク第3章 人間のあいまい性を機械で扱う = ファジィ体験してみよう　「ちょっと高め／ちょっと低め」の感覚で空調を制御する～ファジィ推論による空調制御～体験してみよう　あいまいな条件で目標値を維持する～ファジィ制御～3.1 ファジィの考え方3.2 ファジィ推論3.3 ファジィ制御3.4 ファジィ関係第4章 よいものが残る進化の法則をうまく使う ＝ 遺伝的アルゴリズム体験してみよう　遺産の適正な分配を要領よく行う～遺伝的アルゴリズムによる財産分け～4.1 遺伝的アルゴリズムの考え方4.2 遺伝的アルゴリズムの具体例4.3 遺伝的アルゴリズムの応用第5章 身の周りの問題をうまく解決するには = 問題解決体験してみよう　宣教師が「人食い人」に食われずに川を渡れるか？～MC問題～5.1 モデル化5.2 状態遷移5.3 問題解決の具体例第6章 最も効率的な道筋をどう選ぶか = 探索法体験してみよう　最小コストで山の頂上まで登るときの経路を探せ～探索法の比較～6.1 探索法の分類6.2 系統的探索（Systematic Search）6.3 ヒューリスティック探索（Heuristic Search）6.4　探索法まとめ第7章 相手がいるときの対処法 = ゲーム戦略体験してみよう　簡単なカードゲームでコンピュータに挑戦！～αβ戦略によるカードゲーム～7.1 Min-Max戦略7.2 αβ戦略第8章 人間が学習する過程を機械で真似る = 機械学習体験してみよう　人工知能にことばの意味を教えよう～バージョン空間法による学習～8.1 機械学習の基本的な考え方8.2 バージョン空間法 (Version Space Method)第9章 人間の知識を機械上で表現すれば人間の代わりになる = 知識表現とエキスパートシステム体験してみよう　病院に行く前に人工知能に聞いてみよう～病気診断エキスパートシステム～9.1 知識表現（Knowledge Representation）9.2 エキスパートシステム（Expert System）第10章 人間の自律性を機械にもたせる = エージェント体験してみよう　犯人を捕まえろ！～追跡問題～10.1 エージェントの古典的な問題10.2 エージェントの要件10.3　マルチエージェント第11章　人工知能の草分け的コンピュータ言語　= Lisp11.1 リスト処理（List Processing）11.2 ラムダ計算11.3 スコープとエクステント（Scope & Extent）11.4 ゴミ集め（Garbage Collection）第12章　ものごとの関係を記述するコンピュータ言語　= Prolog12.1 命題論理12.2 述語論理12.3 ホーン節12.4 ユニフィケーション（Unification）とバックトラック (Backtrack)12.5 WAMと抽象命令

イラストで学ぶ ディープラーニング

イラストで学ぶディープラーニング [ 山下隆義 ]価格：2,808円（税込、送料込）第1章 序論ディープラーニングとは/注目のきっかけ/なぜディープラーニングなのか/何がディープラーニングなのか第2章 ニューラルネットワークニューラルネットワークの歴史/マカロック{ピッツの素子モデル/パーセプトロン/多層パーセプトロン/誤差逆伝播法/誤差関数と活性化関数/尤度関数/確率的勾配降下法/学習係数第3章 畳み込みニューラルネットワーク畳み込みニューラルネットワークの構成/畳み込み層/プーリング層/全結合層/出力層/ネットワークの学習方法第4章 制約ボルツマンマシンホップフィールドネットワーク/ボルツマンマシン/制約ボルツマンマシン/コントラスティブ・ダイバージェンス/ディープ・ビリーフ・ネットワーク第5章 オートエンコーダオートエンコーダ/デノイジング・オートエンコーダ/スパース・オートエンコーダ/スタックド・オートエンコーダ/事前学習への利用第6章 汎化性能を向上させる方法学習サンプル/前処理/活性化関数/ドロップアウト/ドロップコネクト第7章 ディープラーニングのツールディープラーニングの開発環境/Theano/Pylearn2/Caffe/DIGITS/Chainer/TensorFlow第8章 ディープラーニングの現在・未来ディープラーニングの実用事例/ディープラーニングの先に

初めてのディープラーニング

初めてのディープラーニング --オープンソース [ 武井宏将 ]価格：2,376円（税込、送料込）◆基礎編◆第1章 ディープラーニングとはなにか？1.1　機械学習の概要1.2　ディープラーニングの概要 第2章 ディープラーニングが切り開いた成果2.1　ディープラーニングの歴史2.2　音声認識での成果2.3　画像認識での成果◆理論編◆第3章 ディープラーニングを利用した画像認識3.1　画像認識とは？3.2　従来の画像認識手法3.3　ディープラーニングの利用3.4　なぜ高い性能を実現できたのか？ 第4章 ディープラーニングアルゴリズムの学習方法4.1　ニューラルネットワークの構成要素4.2　ニューラルネットワークの学習方法4.3　ディープラーニングアルゴリズム◆体験編◆第5章 Caffeを準備する5.1　Caffeについての基本知識5.2　Caffeのインストール方法5.3　Caffeの動かし方 第6章 Caffeでディープラーニングを体感する6.1　サンプルプログラムを用いCaffeを動かす6.2　自分で準備したデータをCaffeで利用する付録A.1　VMWareにUbuntuをインストールする方法 A.2　UbuntuでCUDAを動くようにするA.3　3層全結合ニューラルネットワークのパラメータファイル

パターン認識と機械学習 下

パターン認識と機械学習 下 ベイズ理論に価格：8,424円（税込、送料込）

パターン認識と機械学習　上

パターン認識と機械学習　上　ベイズ理論に／C．M．ビショップ元田浩【後払いOK】【2500円以…価格：7,020円（税込、送料込）

一度は見たい！日本一百景

一度は見たい！日本一百景 [ 日本一研究会 ]価格：1,836円（税込、送料込）:“広い”菜の花畑―滝川市江部乙丘陵地/ “広い”公共牧場―ナイタイ高原牧場/ “大きい”石英片岩―チロロの巨石/ “大きい”砂嘴―野付半島/ “澄んだ”湖―摩周湖/ “大きい”カルデラ湖―屈斜路湖/ “長い”河川を渡る高速道路橋―長流川橋/ “長い”直線道路―国道１２号線/ “寒い”町―陸別町/ “大きい”汽水湖―サロマ湖

行ってはいけない！危険な絶景

行ってはいけない！危険な絶景価格：734円（税込、送料込）第１章　思わず膝が震える！高所の絶景（トロルの舌（ノルウェー）ハーフドーム（アメリカ）　ほか）第２章　極限の地だけで見られる神秘　灼熱と極寒の絶景（地獄の門（トルクメニスタン）キラウエア火山（アメリカ）　ほか）第３章　ここは本当に地球？異世界の絶景（ウユニ塩湖（ボリビア）ナトロン湖（タンザニア）　ほか）第４章　戦慄と悲哀を覚える世界　廃墟の絶景（プリピャチ（ウクライナ）カヤキョイ（トルコ）　ほか）

クラウドではじめる機械学習

クラウドではじめる機械学習 [ 脇森浩志 ]価格：2,808円（税込、送料込）Chapter 1　イントロダクション 1.1　身近になった機械学習1.2　Azure Machine Learningとは？1.3　Azure MLで機械学習を学ぶメリット Chapter 2　Azure MLを利用するための準備 2.1　Microsoftアカウントの取得2.2　Azure MLの利用登録2.3　ML Studioの起動と基本操作 Chapter 3　機械学習で実現できること 3.1　6つの用途3.2　回帰3.3　クラス分類3.4　クラスタリング3.5　情報圧縮3.6　レコメンデーション Chapter 4 　実践！ 回帰による数値予測 4.1　試してみよう4.2　精度を評価しよう4.3　精度を向上させよう4.4　その他の手法 Chapter 5　実践！ クラス分類 5.1　試してみよう5.2　精度を評価しよう5.3　精度を向上させよう5.4　その他の手法 Chapter 6　実践！ クラスタリング 6.1　試してみよう6.2　結果を評価しよう Chapter 7　実践！ レコメンデーション 7.1　試してみよう7.2　精度を評価しよう7.3　精度を向上させよう7.4　レコメンデーションを実用する前に Chapter 8　インターネットへの公開 8.1　自作モデルをWebサービス化しよう8.2　外部からアクセス可能にしよう8.3　C#によるアクセス8.4　R言語によるアクセス8.5　Pythonによるアクセス Appendix　付録 A.1　ML Studio上でのRやPythonによる処理記述A.2　統計解析ツールRのインストールA.3　Visual StudioのセットアップA.4　Visual StudioでPythonを使うための設定

統計学の図鑑

統計学の図鑑価格：2,678円（税込、送料込）1章　統計学の基本を知ろう統計学とは統計のとり方・活かし方統計学の歴史ますます活躍する統計学統計学で扱うデータの種類【統計学人物伝1】　ナイチンゲールと統計コラム　統計のための資料やデータの得方コラム　「統計学」の語源コラム　オープンデータ2章　記述統計学表とグラフの基本割合をあらわす表とグラフ関係をあらわす表とグラフ散らばりをあらわす表とグラフ度数折れ線累積度数分布とそのグラフ資料の平均値資料の代表値分散と標準偏差散布度標準化と偏差値クロス集計表データの相関を表す数【統計学人物伝2】　カール・ピアソンコラム　試料がいくつもの項目（多変量）を持つ場合コラム　相対的に見る必要性コラム　偏差値の歴史コラム　クロス集計表の作り方コラム　スピアマンの順位相関係数3章　統計学に必要な確率の考え方統計学で確率が必要とされる理由確率の意味場合の数確率変数と確率分布（離散型確率変数のとき）連続型確率変数と確率密度関数独立試行の定理と二項分布正規分布【統計学人物伝3】　ブレーズ・パスカルコラム　「順列」と「組み合わせ」の公式4章　推測統計学の考え方母集団の平均値と標本の平均値中心極限定理（大きな標本の）統計的な推定の考え方統計的な検定の考え方片側検定と両側検定統計的な検定の実際p値第一種の過誤と第二種の過誤【統計学人物伝4】　ガウスコラム　「帰無仮説を採択」とはいわないコラム　パーセント点　両側5％点，上側5％点コラム　p値がよく利用される理由5章　統計学の実際を知る母集団分布と標本分布（母平均，母分散，標本平均）不偏分散データの自由度（小さな標本の）母平均の推定（t分布）母比率の推定（小さな標本の）母平均の検定（t検定）母比率の検定分散分析【統計学人物伝5】　ウィリアム・ゴセットコラム　統計量の計算の確認1コラム　統計量の計算の確認2コラム　F分布とは6章　関係を科学する統計学（多変量解析）独立性の検定（x2検定）回帰分析の考え方と単回帰分析回帰分析の応用主成分分析因子分析SEM（共分散構造分析）判別分析アンケートデータの分析【統計学人物伝6】　林知己夫コラム　回帰方程式の公式の求め方コラム　変換式の選択7章　ベイズ統計学乗法定理ベイズの定理「ベイズの定理」の変形理由不十分の原則とベイズ更新ナイーブベイズフィルターベイズ統計学のしくみ【統計学人物伝7】　トーマス・ベイズコラム　ベイズ確率コラム　ベイジアンネットワーク　1338章　活躍する統計学ビッグデータパレートの法則とロングテール原因の黒白を判別する統計学平均寿命と平均余命保険料の算定法のしくみ生物の個体数を把握コラム　経済物理学コラム　医療分野で多用されるオッズ比コラム　実際の平均寿命

問題解決フレームワーク大全

問題解決フレームワーク大全 [ 堀公俊 ]価格：1,728円（税込、送料込）第１章　ギャップ・アプローチ―真の原因を見つけ出す第２章　創造的アプローチ―斬新なアイデアを生み出す第３章　合理的決定アプローチ―最適な解決策を選び取る第４章　ポジティブ・アプローチ―目標の達成に歩を進める第５章　対立解消アプローチ―ジレンマから抜け出す第６章　認知転換アプローチ―問題のとらえ方を換える第７章　ホールシステム・アプローチ―智恵の創発を生み出す第８章　実践！７つのアプローチ―問題解決を実践してみよう！

人工知能の基礎

人工知能の基礎価格：2,376円（税込、送料別）1章　人工知能とは　1.1 知能とは　　1.1.1 知能の周辺 　　1.1.2 人間の知能と機械の知能　　1.1.3 機械の知能は測れるか　1.2 人工知能の定義　1.3 人工知能の歴史　　1.3.1 黎明期　　1.3.2 AIの原点 --ダートマス会議--　　1.3.3 AIの創成期　　1.3.4 AI第一世代 --知能の時代--　　1.3.5 AI第二世代 --知識の時代--　　1.3.6 AIの発展期　　1.3.7 AIブーム　　1.3.8 AI第三世代 --エージェントの時代--　1.4 AIの研究対象2章　問題解決　2.1 問題解決のプロセス　2.2 AIで対象とする問題　2.3 問題の定式化法　　2.3.1 状態空間法　　2.3.2 問題分割法　　2.3.3 手段目標解析3章　探　索　3.1 ブラインド探索　　3.1.1 縦型探索　　3.1.2 横型探索　　3.1.3 縦型 vs 横型　　3.1.4 反復深化探索　3.2 ヒューリスティック推論　　3.2.1 山登り法　　3.2.2 最良優先探索　　3.2.3 A*アルゴリズム　　3.2.4 実時間A*アルゴリズム　　3.2.5 ヒューリティック関数の具体例　3.3 ゲーム木の探索　　3.3.1 ミニ・マックス法　　3.3.2 α-β法　　3.3.3 ゲームプログラミングの現状4章　知識表現　4.1 知識ベースシステム　　4.1.1 問題解決と知識ベースシステム　　4.1.2 知識と知識ベース　　4.1.3 知識ベースシステムの特徴　4.2 知識処理の3フェーズ　4.3 知識の分類　　4.3.1 専門知識と常識　　4.3.2 宣言的知識と手続き的知識　　4.3.3 経験的知識と理論的知識　　4.3.4 ドメイン知識とタスク知識　　4.3.5 完全な知識と不完全な知識　4.4 知識表現の概略　4.5 代表的な知識表現法　　4.5.1 プロダクションルール　　4.5.2 セマンティックネット　　4.5.3 フレームシステム　　4.5.4 論理　　4.5.5 論理プログラミング　4.6 オントロジー5章　プラニング　5.1 STRIPSプラニング　5.2 半順序プラニング　5.3 即応プラニング　　5.3.1 即応プラニングの具体例　　5.3.2 服属アークテクチャ6章　推　論　6.1 演繹・帰納・アブダクション　6.2 常識推論　　6.2.1 デフォルト論理　　6.2.2 サーカムスクリプション　　6.2.3 自己認識論理　　6.2.4 閉世界仮説　6.3 仮説推論　6.4 類推　6.5 ベイジアンネットワーク7章　機械学習　7.1 帰納学習　　7.1.1 仮説空間における探索　　7.1.2 バージョン空間法　　7.1.3 バイアス　7.2 説明に基づく学習: EBL　7.3 決定木　7.4 強化学習　　7.4.1 Q学習　　7.4.2 バケツリレーと利益共有　7.5 事例に基づく学習 　7.6 サポートベクターマシン 　7.7 相関ルールの学習　7.8 クラスタリング　7.9 半教師あり学習8章　分散人工知能と進化的計算　8.1 分散人工知能　　8.1.1 黒板モデル　　8.1.2 契約ネットプロトコル　8.2 進化的計算　　8.2.1 遺伝的アルゴリズム　　8.2.2 遺伝的プログラミング　　8.2.3 進化的学習　　8.2.4 対話的進化計算9章　エージェントと知的インタラクティブシステム　9.1 知的エージェント　　9.1.1 エージェントアーキテクチャ　　9.1.2 インタフェースエージェント　　9.1.3 ヒューマンエージェントインタラクション　9.2 知的インタラクティブシステム　　9.2.1 制約付きクラスタリング　　9.2.2 インタラクティブ機械学習　　9.2.3 ユーザ適応システム

一度は行ってみたい世界のガク景101

一度は行ってみたい世界のガク景101価格：1,500円（税込、送料込）●高層ビル：ウィリス・タワー、ブルジュ・ハリファなど●渓谷・峡谷：エル・カミニート・デル・レイ、トロルトゥンガなど●塔：東京タワー、東京スカイツリー、エッフェル塔など●ノージャンル：世界一高い吊橋ロイヤル・ゴージ・ブリッジは決死の光景、アメリカデビルズタワーの筋に張り付き身動きができない、など●橋：トリフト橋、オリビゴージの吊橋など●ダム：浦山ダム、宮ヶ瀬ダムなど

世界の名建築

世界の名建築 [ アフロ ]価格：1,944円（税込、送料込）マルケス・デ・リスカル/ ビルバオ・グッゲンハイム美術館/ ボデガス・イシオス/ サグラダ・ファミリア聖堂/ バレンシア芸術科学都市/ トーレ・アグバール/ トーレス・ポルタ・フィラ/ プエルタ・デ・エウローパ/ ミラドール/ コルネラ・ロブレガットのスポーツ・コンプレックス

死ぬまでに見たい！絶景の橋

死ぬまでに見たい！絶景の橋価格：1,728円（税込、送料込）

世界のデンジャー・スポット

世界のデンジャー・スポット価格：1,728円（税込、送料込）

はじめての機械学習

はじめての機械学習 [ 小高知宏 ]価格：2,808円（税込、送料込）第1章　機械学習とは1.1　機械学習の歴史1.1.1　機械学習とは..1.1.2　機械学習システムの歴史1.2　機械学習の種類1.2.1　本書で扱う機械学習の種類1.2.2　機械学習プログラムの実装方法第2章　パラメタ調整による学習2.1　パラメタ調整と学習2.1.1　学習データセットの機械学習とパラメタ調整2.1.2　パラメタ調整の実行例2.2　パラメタ調整による時系列データの学習2.2.1　学習データセットの作成2.2.2　時系列データの変動傾向の学習第3章　帰納的学習3.1　暗記学習3.1.1　テキストマイニングと機械学習3.1.2　n-gram 出現頻度に基づくテキストデータの学習3.1.3　日本語テキストデータの学習3.2　汎化の導入3.3.1　文書の一般的特徴抽出3.3.2　特徴抽出への応用第4章　教示学習4.1　教示学習とは4.1.1　教示による学習4.1.2　教示学習の例4.2　教示学習に基づくデータ分類システムの構成4.2.1　判断木構成支援プログラム4.2.2　分類知識の機械学習プログラム第5章　進化的手法による規則の学習5.1　進化的手法による機械学習5.1.1　ランダム探索と系統的探索5.1.2　進化的計算5.2　遺伝的アルゴリズムによる知識獲得5.2.1　遺伝的アルゴリズムの実際5.2.2　遺伝的アルゴリズムによる知識獲得プログラム第6章　ニューラルネット6.1　パーセプトロン型ニューラルネット6.1.1　ニューラルネット6.1.2　パーセプトロン6.1.3　パーセプトロンの学習6.2　バックプロパゲーションによる学習6.2.1　バックプロパゲーションによる学習の手続き6.2.2 　バックプロパゲーションのプログラム6.3　ニューラルネットによる実データの学習6.3.1　学習の準備6.3.2　bp.c プログラムによる学習と未知のデータの予測付録A　Cygwin のダウンロードとインストールB　testprogram.c プログラムのソースリストC　文字コード変換プログラム iconv の使い方D　論理式と論理演算E　全数探索によるパズルの解法プログラム

進化計算と深層学習

進化計算と深層学習 [ 伊庭斉志 ]価格：2,916円（税込、送料込）第1章　進化計算入門1.1　進化とはなんだろうか？1.2　ダーウィンを悩ませた眼の進化が解けた？1.3　進化する計算のアルゴリズム：新幹線から金融、ロボットまで1.4　性選択：彼・彼女の選り好みがすべてを決める1.5　対話型進化計算でデザインしよう1.6　進化計算の強み1.7　進化は進歩か？第2章　ニューラルネットワークと学習2.1　学習とコネクショニズム2.2　パーセプトロン2.3　ミンスキーの悪魔2.4　ニューラルネットワークの復興2.5　画像を扱ってみよう2.6　記号はどこにあるのか？第3章　深層学習（ディープラーニング）3.1　ディープラーニングの勃興3.2　ボルツマン・マシンと焼きなまし3.3　RBMと層別学習3.4　リカレントネットワークとLSTM3.5　自分自身をコード化する自己符号化器（AutoEncoder）3.6　CNNで特徴抽出3.7　DQNで昔のゲームをやろう第4章　進化するネットワーク4.1　ニューロエボリューション4.2　NEATとhyperNEAT4.3　遺伝子ネットワークと発生生物学4.4　ERNe：鷲は舞い降りた第5章　知能の創発5.1　ボールドウィン効果：学習により進化は加速するか？5.2　脳を進化から考える5.3　知能の創発をめざして

人工知能概論

イラストで学ぶ　人工知能概論 [ 谷口忠大 ]価格：2,808円（税込、送料込）第１章 人工知能をつくり出そう •１．１ 人工知能とは何か？•１．２ 人工知能の歴史•１．３ 人工知能の基本問題•１．４ ホイールダック２号の冒険第２章 探索（１）：状態空間と基本的な探索 •２．１ 状態空間表現•２．２ 迷路からの状態空間構成•２．３ 基本的な探索•２．４ ホイールダック２号の迷路探索第３章 探索（２）：最適経路の探索 •３．１ 最適経路の探索とヒューリスティックな知識•３．２ 最適探索•３．３ 最良優先探索•３．４ Ａ＊アルゴリズム•３．５ 迷路を最適経路で抜けるホイールダック２号第４章 探索（３）：ゲームの理論 •４．１ 利得と回避行動•４．２ 標準型ゲーム•４．３ 展開型ゲーム第５章 多段決定（１）：動的計画法 •５．１ 多段決定問題•５．２ 動的計画法•５．３ ホイールダック２号「宝箱を拾ってゴール」•５．４ 例：編集距離の計算第６章 確率とベイズ理論の基礎 •６．１ 環境の不確実性•６．２ 確率の基礎•６．３ ベイズの定理•６．４ 確率システム第７章 多段決定（２）：強化学習 •７．１ 強化学習とは何か？•７．２ マルコフ決定過程•７．３ 割引累積報酬•７．４ 価値関数•７．５ 学習方法の例：Ｑ学習第８章 位置推定（１）：ベイズフィルタ •８．１ 位置推定の問題•８．２ 部分観測マルコフ決定過程•８．３ ベイズフィルタ•８．４ 通路上のホイールダック２号の位置推定（ベイズフィルタ編）第９章 位置推定（２）：粒子フィルタ •９．１ ベイズフィルタの問題点•９．２ モンテカルロ近似•９．３ 粒子フィルタ•９．４ 通路上のホイールダック２号の位置推定（粒子フィルタ編）第１０章 学習と認識（１）：クラスタリング •１０．１ クラスタリング•１０．２ Ｋ‐ｍｅａｎｓ法•１０．３ 混合ガウス分布•１０．４ 階層的クラスタリング•１０．５ 低次元化第１１章 学習と認識（２）：パターン認識 •１１．１ 機械学習の基礎•１１．２ パターン認識•１１．３ 回帰問題•１１．４ 分類問題第１２章 言語と論理（１）：自然言語処理 •１２．１ 自然言語処理•１２．２ 形態素解析•１２．３ 構文解析•１２．４ Ｂａｇ‐ｏｆ‐Ｗｏｒｄｓ表現第１３章 言語と論理（２）：記号論理 •１３．１ 記号論理•１３．２ 述語論理•１３．３ 節形式第１４章 言語と論理（３）：証明と質問応答 •１４．１ 導出原理•１４．２ 述語論理による質問応答•１４．３ スフィンクスの謎かけ第１５章 まとめ：知能を「つくる」ということ •１５．１ ホイールダック２号の冒険：総集編•１５．２ 身体の知•１５．３ 記号の知•１５．４ 人工知能と未来