Python 意思決定の数理入門(パイソンイシケッテイノスウリニュウモン)

さまざまな意思決定の数理や現象を Python で体験して学ぼう!
本書は、数理的に扱える意思決定の基礎を、 Python を用いたシミュレーションや分析によって実際に試しながら学ぶものです。
アンカリング効果の評価法、ベイズ推定に基づいた信憑性の変化、エージェントや強化学習を適用した意思決定、不完備情報ゲーム、集団の意思決定などを解説しています。
本書では、意思決定のモデルの立て方、意思の測定分析などの説明に重点を置き、計算やシミュレーションの詳細な説明よりは Python による実行に基づいて学ぶ体験学習のかたちをとります。また、すべてのプログラムは Jupyter Notebook 形式で配布し、読者の手もとで実行ができるようにしています。
第 1 章 はじめに
第 2 章 戦略の微分方程式モデル
第 3 章 基礎的な意思決定の数理的扱い
第 4 章 ゲーム理論の基礎
第 5 章 意思決定のための OR の基礎
第 6 章 組合せ最適化による意思決定
第 7 章 マルチエージェントベースモデリングによる意思決定
第 8 章 強化学習による意思決定
第 9 章 不確定性を含むゲームでの意思決定
第 10 章 集団の意思決定
第 11 章 意思決定とメカニズム・デザインの視点
索引

限られた情報のもとで人や組織が「どう選ぶか」を数理モデルとして表現し、 Python のシミュレーションで動かしながら確かめていく入門書が『 Python 意思決定の数理入門』 (橋本洋志・牧野浩二・佐々木智典 共著、オーム社、 2022 年 8 月刊) です。ゲーム理論やオペレーションズリサーチ (OR) といった古典的な意思決定の理論から、マルチエージェントシミュレーション、強化学習、集団の意思決定やメカニズムデザインまでを 1 冊で横断する構成で、数式を眺めて終わりにせず、モデルを実行して挙動を観察する体験学習の形式を取ります。

全 11 章の構成: ゲーム理論からメカニズムデザインまで

版元の紹介によれば全 11 章で、戦略の微分方程式モデルから始まり、基礎的な意思決定の数理的扱い、ゲーム理論の基礎、意思決定のための OR の基礎、組合せ最適化、マルチエージェントベースモデリング、強化学習による意思決定、不確定性を含むゲーム、集団の意思決定、そしてメカニズム・デザインの視点へと進みます。アンカリング効果の評価法やベイズ推定に基づく信憑性の変化といった行動科学寄りの題材も含まれており、計算やシミュレーションの詳細な説明よりも、モデルの立て方と意思の測定・分析の説明に重点を置くと明言されています。すべてのプログラムは Jupyter Notebook 形式で配布されるため、手元で実行しながら読み進められます。

効き目: 異なる理論を同じ Python の土俵で比較できる

意思決定の数理と一口に言っても、その中身は大きく性格の異なる複数の理論の集合です。選択肢の中から目的関数を最大化する一人の最適化 (OR や組合せ最適化) 、利害の異なる相手がいる状況の分析 (ゲーム理論や不完備情報ゲーム) 、試行錯誤から方策を学ぶ主体のモデル化 (強化学習やマルチエージェント) 、そして投票やオークションのように集団のルール自体を設計する視点 (社会的選択やメカニズムデザイン) では、問題の立て方も解の概念も異なります。本書の価値は、これらを共通して Python の実行環境の上に載せ、同じ手触りで比較体験できる見取り図を提供する点にあります。個々の分野の専門書へ進む前に全体の地図を持てることは、応用先を探す段階の読者にとって大きな時間の節約になります。

前提知識と向かない読者

読むために必要な前提は、 Python の基本文法と、大学初年級程度の数学 (微分方程式や確率の初歩) です。逆に、各理論を厳密な証明とともに深く学びたい読者や、線形計画ソルバーの実務運用テクニックだけを求める読者には、それぞれの分野の専門書のほうが目的に合います。本書は広い範囲を体験ベースでつなぐ設計なので、 1 分野あたりの掘り下げよりも視野の広さを重視する読み方が適しています。

類書との使い分けと読後に得られるもの

数理最適化のソルバー実装に特化した入門書と使い分けるなら、本書は「目の前の課題を最適化・ゲーム・学習・集団設計のどの枠組みに落とすべきか」という上流の判断力を鍛える側の本です。読み終えると、勘と経験で議論されがちな意思決定の問題を数理モデルの言葉に翻訳し、 Jupyter Notebook 上で仮説を検証する足場が手に入ります。研究室配属や卒業研究を控えた学生、エージェントシミュレーションや意思決定支援の仕組みに関心のあるエンジニアであれば、 2022 年刊の本書から得られる見取り図は長く使える投資になります。