図解即戦力 AI のしくみと活用がこれ 1 冊でしっかりわかる教科書(ズカイソクセンリョクエーアイノシクミトカツヨウガコレイッサツデシッカリワカルキョウカショ)

これから AI を学ぶエンジニアや AI 関連業種に携わるビジネスマン向けに、「 AI とは何か」から始まり、しくみや手法、利用例など技術的な側面を分かりやすく説明します。
第 1 章 AI とは
01 AI の定義
02 AI の得意な分野と苦手な分野
03 AI の発展過程
04 機械学習とは
05 ディープラーニングとは
06 機械学習とディープラーニングの違い

第 2 章 AI の基礎知識
07 機械学習と統計学
08 相関関係と因果関係
09 機械学習とデータマイニング
10 教師あり学習とは
11 教師なし学習とは
12 強化学習とは
13 AI とビッグデータ
14 データ別に見る AI の特徴
15 AI システムの開発フロー

第 3 章 自然言語処理の手法とモデル
16 自然言語処理 (NLP) とは
17 NLP における曖昧性と困難性
18 NLP の前処理
19 言語モデルと分散表現
20 注釈付きコーパスと対訳コーパス
21 再帰型ニューラルネットワーク (RNN)
22 Transformer
23 BERT
24 GPT-3

第 4 章 GAN を中心とした生成モデル
25 クリエイティブに進出する AI
26 生成モデルの基礎的なアルゴリズム
27 GAN を用いた画像生成
28 敵対的攻撃と防御
29 GAN のこれからの広がり

第 5 章 画像認識の手法とモデル
30 画像認識のタスク
31 畳み込みニューラルネットワーク (CNN)
32 画像認識の発展のきっかけとなった CNN
33 CNN の精度とサイズのバランス
34 学習の工夫 1
35 学習の工夫 2
36 ディープラーニングの説明可能性
37 画像認識の評価指標

第 6 章 テーブルデータの機械学習アルゴリズム
38 テーブルデータの前処理
39 精度の評価指標と汎化性能
40 教師あり学習 1:線形回帰モデル
41 教師あり学習 2:決定木
42 教師あり学習 3:ランダムフォレスト
43 教師あり学習 4:XGBoost
44 教師あり学習 5:ロジスティック回帰モデル
45 教師あり学習 6:ニューラルネットワーク
46 教師あり学習 7:k-NN (k-Nearest Neighbor)
47 教師なし学習 1 ［クラスタリング］:k-means 法
48 教師なし学習 2 ［クラスタリング］:階層的クラスタリング
49 教師なし学習 3 ［クラスタリング］:スペクトラルクラスタリング
50 教師なし学習 4 ［次元削減］:主成分分析
51 教師なし学習 5 ［次元削減］:UMAP
52 教師なし学習 6 ［次元削減］:行列分解
53 教師なし学習 7 ［次元削減］:オートエンコーダ

『図解即戦力 AI のしくみと活用がこれ 1 冊でしっかりわかる教科書』 (高橋海渡・立川裕之・小西功記・小林寛子・石井大輔著、技術評論社、 2023 年 1 月刊、 A5 判 256 ページ) は、「 AI とは何か」という定義から機械学習・ ディープラーニング の手法や利用例まで、技術的なしくみを図解中心に整理した入門書です。技術評論社の「図解即戦力」シリーズの一冊で、版元はこれから AI を学ぶエンジニア・ビジネスパーソン・学生を対象読者に挙げています。

全 6 章 53 項目の構成

構成は全 6 章 53 項目。 AI の定義や得意・不得意、発展過程から入り (第 1 章) 、教師あり・教師なし・強化学習の区別、相関関係と因果関係、 AI システムの開発フローといった基礎概念 (第 2 章) を押さえたうえで、自然言語処理 (第 3 章) ・ GAN を中心とした生成モデル (第 4 章) ・ CNN による画像認識 (第 5 章) ・テーブルデータの機械学習アルゴリズム (第 6 章) と応用領域を順に見ていきます。自然言語処理の章は RNN から Transformer 、 BERT 、 GPT-3 へと至るモデルの系譜を、第 6 章は線形回帰・決定木・ランダムフォレスト・ XGBoost から k-means 法・主成分分析まで実務で頻出のアルゴリズムを 1 項目ずつ扱う構成です。

読みどころはテーブルデータを扱う第 6 章

この本の目立たない美点は、第 6 章にテーブルデータをきちんと据えていることです。世間で AI と言えば画像生成や対話が注目されますが、企業のデータ活用案件で実際に動いているモデルの多くは、売上予測や顧客分析といったテーブルデータに対する XGBoost や回帰・クラスタリングです。派手な深層学習だけでなくこの領域に 16 項目を割いている点は、「 AI で何ができるか」を現実的な解像度で知りたい読者にとって誠実な設計と言えます。また相関と因果の区別や汎化性能・評価指標など、 AI プロジェクトの成否を分ける統計的な足腰も基礎章で扱われます。

2023 年 1 月刊という時点の注意

時点の位置づけは正直に書いておきます。刊行は ChatGPT 公開直後の 2023 年 1 月で、目次上、 言語モデル は GPT-3 まで、画像生成は GAN が中心です。その後に主流化した対話型サービスや拡散モデルの解説を期待して手に取る本ではありません。一方で、 Transformer や BERT 、 GPT 系列という系譜はまさに生成 AI の土台であり、教師あり学習と教師なし学習の違いのような基礎概念は流行に左右されません。 2023 年時点の技術地図として読む限り、内容の骨格は 2026 年に読んでも学び直しに耐えます。

向いている読者と次の一冊

数式とコードで手を動かしながら実装力を付けたい人には、本書は入り口に過ぎず、 次の段階の教科書 が必要になります。逆に、 AI 関連のプロジェクトに関わることになったが技術の全体像がつかめない、エンジニアと会話するための共通言語と判断軸が欲しい、という立場なら、図解ベースで 53 項目を拾える本書は最初の一冊として費用対効果の高い選択です。読み終えたときには「この課題は教師あり学習か、そもそも AI に向くのか」を自分の言葉で議論できるようになっているはずです。