図解即戦力 機械学習 & ディープラーニングのしくみと技術がこれ 1 冊でしっかりわかる教科書

機械学習・ディープラーニングについて学ぶための、図解形式の解説書です。エンジニア 1 年生、機械学習関連企業への就職・転職を考えている人が、機械学習・ディープラーニングの基本と関連する技術、しくみ、開発の基礎知識などを一通り学ぶことができます。
1 章 人工知能の基礎知識
人工知能とは
機械学習 (ML) とは
ディープラーニング (DL) とは
人工知能と機械学習が普及するまで

2 章 機械学習の基礎知識
教師あり学習のしくみ
教師なし学習のしくみ
強化学習のしくみ
統計と機械学習の違い
機械学習と特徴量
得意な分野、苦手な分野
機械学習の活用事例

3 章 機械学習のプロセスとコア技術
機械学習の基本ワークフロー
データの収集
データの整形
モデルの作成と学習
バッチ学習とオンライン学習
テストデータによる予測結果の検証
学習結果に対する評価基準
ハイパーパラメータとモデルのチューニング
能動学習
相関と因果
フィードバックループ

4 章 機械学習のアルゴリズム
回帰分析
サポートベクターマシン
決定木
アンサンブル学習
アンサンブル学習の応用
ロジスティック回帰
ベイジアンモデル
時系列分析と状態空間モデル
k 近傍 (k-NN) 法と k 平均 (k-means) 法
次元削減と主成分分析
最適化と遺伝的アルゴリズム

5 章 ディープラーニングの基礎知識
ニューラルネットワークとその歴史
ディープラーニングと画像認識
ディープラーニングと自然言語処理

6 章 ディープラーニングのプロセスとコア技術
誤差逆伝播法によるニューラルネットワークの学習
ニューラルネットワークの最適化
勾配消失問題
転移学習

7 章 ディープラーニングのアルゴリズム
畳み込みニューラルネットワーク (CNN)
再帰型ニューラルネットワーク (RNN)
強化学習とディープラーニング
オートエンコーダ
GAN (敵対的生成ネットワーク)
物体検出

8 章 システム開発と開発環境
人工知能プログラミングにおける主要言語
機械学習用ライブラリとフレームワーク
ディープラーニングのフレームワーク
GPU プログラミングと高速化
機械学習サービス

機械学習やディープラーニングの用語は、教師あり学習、特徴量、誤差逆伝播法、転移学習と次々に現れ、個別に調べても互いの関係が見えにくいものです。『図解即戦力 機械学習 & ディープラーニングのしくみと技術がこれ 1 冊でしっかりわかる教科書』 (株式会社アイデミー 山口達輝 / 松田洋之 著、技術評論社、2019 年 9 月刊) は、こうした用語と技術を図解形式で一通り解説する入門書です。版元は対象としてエンジニア 1 年生や機械学習関連企業への就職 / 転職を考えている人を挙げ、機械学習 / ディープラーニングの基本と関連する技術、しくみ、開発の基礎知識を一通り学べる本と位置づけています。著者の 2 名は株式会社アイデミーのエンジニアで、版元プロフィールによれば Aidemy Premium Plan の受講者への機械学習プログラミングの指南や質問回答、教材の修正に携わっています。

全 8 章の構成、人工知能の基礎知識から開発環境まで

構成は全 8 章です。1 章で人工知能 / 機械学習 / ディープラーニングの関係と普及までの経緯を整理し、2 章で教師あり学習 / 教師なし学習 / 強化学習のしくみ、統計と機械学習の違い、特徴量、得意な分野と苦手な分野、活用事例を扱います。3 章は機械学習の基本ワークフローで、データの収集と整形、モデルの作成と学習、テストデータによる予測結果の検証、学習結果に対する評価基準、ハイパーパラメータとモデルのチューニングに加え、能動学習、相関と因果、フィードバックループまで含みます。4 章は回帰分析、サポートベクターマシン、決定木、アンサンブル学習、ロジスティック回帰、ベイジアンモデル、時系列分析と状態空間モデル、k 近傍 (k-NN) 法と k 平均 (k-means) 法、次元削減と主成分分析、最適化と遺伝的アルゴリズムというアルゴリズムの各論です。5 章から 7 章がディープラーニングの領域で、ニューラルネットワークとその歴史、画像認識と自然言語処理への応用、誤差逆伝播法による学習、最適化、勾配消失問題、転移学習を経て、CNN、RNN、強化学習とディープラーニング、オートエンコーダ、GAN (敵対的生成ネットワーク)、物体検出へ進みます。8 章はシステム開発と開発環境として、人工知能プログラミングにおける主要言語、機械学習用ライブラリとフレームワーク、GPU プログラミングと高速化、機械学習サービスを取り上げます。

アルゴリズム名より先に押さえたい機械学習のワークフロー

機械学習の学習でつまずきやすいのは、アルゴリズムの名前が多すぎて、それぞれをどう使い分けるのかが見えない点です。実務では、どのアルゴリズムを選ぶかより前に、データを集めて整形し、学習用と検証用に分け、評価基準を決めてハイパーパラメータを調整するという手順の全体が成果を左右します。学習データでは高い精度が出るのに未知のデータで外れる過学習、相関を因果と読み違える誤り、予測結果が次の学習データに影響して偏りを増幅するフィードバックループなど、落とし穴の多くはアルゴリズムの外側にあります。本書が 3 章でワークフローと評価、相関と因果、フィードバックループを先に置き、4 章でアルゴリズム各論に入る順序は、この実務上の構造に沿ったものです。図解形式でこの順序を追っておくと、後から Python の実装書や数式中心の教科書に進んだときに、個々の手法を手順のどの段階の道具として見るべきかが分かります。

ディープラーニングの難所、誤差逆伝播法と勾配消失を図で追う

ディープラーニング は多層のニューラルネットワークを学習させる技術で、その中核にあるのが、出力の誤差を層ごとにさかのぼって重みを更新する誤差逆伝播法です。層が深くなると、さかのぼる途中で勾配が小さくなり浅い層の学習が進まない勾配消失問題が起き、活性化関数や初期化、構造の工夫でこれを回避することがディープラーニング発展の主題の一つでした。また、大規模データで学習済みのモデルを別の課題に流用する転移学習は、手元のデータが少なくても実用的な精度を出すための現実的な手段です。本書の 6 章はこの学習の仕組みと最適化、勾配消失問題、転移学習を扱い、7 章で画像向きの畳み込みニューラルネットワーク (CNN)、系列データ向きの再帰型ニューラルネットワーク (RNN)、オートエンコーダ、GAN、物体検出へ展開します。シリーズの副題が知識ゼロからの読者を掲げる図解形式の本ですから、個々の手法を数学的な導出まで詰めたい人は、原理 / 理論 / 実装 / 数学の系統別に整理した ディープラーニング本の選び方 から次の一冊を併用する前提で読むのが適切です。

エンジニア 1 年生と転職志望者に向く前提、向かない使い方

版元が挙げる対象はエンジニア 1 年生、機械学習関連企業への就職 / 転職を考えている人、そして機械学習 / ディープラーニングの基本を知りたい人で、シリーズの副題も知識ゼロからの読者を掲げています。著者の一人である松田洋之氏は版元プロフィールで文系出身から機械学習エンジニアになった経歴を示し、文系出身であっても正しく学べば機械学習エンジニアへの道が開けると述べていて、数学への苦手意識がある読者にも門戸を開く姿勢がうかがえます。一方で、Python でモデルを実装して動かしたい人や、確率統計と線形代数からアルゴリズムを導出したい人にとって、本書は目的地ではなく地図です。実装は別の入門書で、理論は数学寄りの教科書で補う二段構えが前提になり、2019 年 9 月刊のため刊行後の技術動向は範囲外である点も踏まえて読む必要があります。

機械学習を学び始めたエンジニア 1 年生が、実装書や理論書を選ぶ前に用語の見取り図を作る目的でも、機械学習関連企業への転職を考えていて面接や業務の会話で出る語彙を体系的に押さえたい人にも、短い時間で見返りが得られる一冊です。機械学習 / ディープラーニング本の選び方 で次の段階の本を選ぶにしても、本書で全体像をつかんでから進む方が、自分がどこを深掘りしようとしているのかを見失わずに済みます。